LFM3-1.7B-Base vs Qwen 3.8 : mauvaise catégorie de poids, bonne question

La réponse honnête est que LFM3-1.7B-Base ne rivalise pas avec Qwen3.8-27B, et il n'a jamais été conçu pour cela. Posez la question correctement et trois modèles Qwen différents apparaissent : le modèle vision-langage à poids ouverts de 27B publié par Alibaba en août 2026, le modèle hébergé Qwen3.8-Flash à 0,15 $ par million de jetons d'entrée et 0,47 $ par million de jetons de sortie, et Qwen3.8-Max à 2,00 $ et 6,00 $. Le nouveau checkpoint 1,73B de Liquid est une matière brute pré-entraînée pour un téléphone, un ordinateur portable ou une session de fine-tuning ; la gamme Qwen est une famille de produits finis. La comparaison utile n'est pas de savoir qui obtient le meilleur score. C'est de savoir quelle enveloppe de déploiement vous achetez réellement.

Ce cadrage explique aussi pourquoi cette confrontation ne fait encore l’objet d’aucune couverture sérieuse. Il n’y a rien à quoi se comparer : d’un côté, un tableau fournisseur de 27 lignes ; de l’autre, aucune évaluation publiée. Cet article établit donc la comparaison dans le seul ordre qui résiste à l’épreuve des faits — ce que chaque partie propose, ce que son exploitation coûte, et ce que vous êtes autorisé à en faire.

Trois Qwen 3.8, trois achats différents

Qwen3.8-27B est l’option à poids ouverts. Alibaba l’a publié en août 2026 sous Apache 2.0, et il a depuis accumulé plus de 7,5 millions de téléchargements. C’est un modèle causal dense de 27B doté d’un encodeur visuel, de 64 couches selon une disposition 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN), et d’un contexte natif de 262 144 jetons qu’Alibaba affirme extensible à 1 000 000. Il comprend les images et la vidéo, dispose d’un contrôle de la réflexion et cible explicitement le travail agentique sur long horizon.

Qwen3.8-Flash est le niveau hébergé que la plupart des équipes évalueront en premier pour le prix. Sur le catalogue d'OrcaRouter, il s'agit d'un modèle à contexte de 1 M prenant en charge les entrées texte, image et vidéo, avec un plafond de sortie de 131 K et des tarifs de 0,15 $ en entrée et 0,47 $ en sortie par million de tokens. Sa page modèle date l'inscription au 26 août 2026 et enregistre 157 tokens de sortie par seconde sur la semaine précédente.

Qwen3.8-Max est le modèle le plus haut de gamme : 2,00 $ en entrée et 6,00 $ en sortie par million de tokens, un contexte de 1 M et aucun poids ouvert. C’est le palier à utiliser lorsque la tâche justifie un prix de modèle de pointe, pas celui auquel on compare un checkpoint de base de 1,7 B.

Ce que LFM3-1.7B-Base inclut réellement

Liquid a créé le dépôt LFM3-1.7B-Base le 26 octobre 2026 et a annoncé la famille le lendemain. Le point de contrôle est uniquement textuel, avec 1,73 milliard de paramètres, 24 couches de convolutions courtes à portes et d’attention complète ou à fenêtre glissante, avec un contexte de 256 K jetons, un vocabulaire de 128 000 jetons, 16 langues nommées et environ 1 Go de mémoire utilisée en précision 4 bits. Il a été entraîné sur 22 000 milliards de jetons ; les 3 500 derniers milliards sont des données de mi-entraînement qui incluent des traces agentiques et des appels d’outils et portent l’extension de contexte.

Ce qui n’est pas fourni avec, c’est un score. La fiche de base ne comporte pas de tableau d’évaluation, ni de chiffres de récupération de contexte, ni de comparaison avec un autre modèle. Chaque chiffre du billet de lancement de Liquid — la moyenne de 49,37, LiveCodeBench v6 à 73,46, SWE-bench Verified à 43,40, GPQA Diamond à 63,37, IFEval à 96,66 — appartient à LFM3-1.7B après affinage supervisé, apprentissage par renforcement, distillation on-policy et RL agentique. Ce sont de vrais chiffres, et Liquid les présente honnêtement comme les siens, mais ils décrivent le modèle fini, pas le checkpoint de base dont le nom figure dans ce titre.

La licence est la LFM Open License v1.0. Elle accorde des droits commerciaux uniquement tant que le licencié reste sous 10 millions de dollars de chiffre d’affaires annuel ; au-delà de ce seuil, l’œuvre n’est pas couverte par la licence de l’accord et nécessite un accord distinct. Cette seule clause écartera LFM3-1.7B-Base de nombreuses listes de présélection avant même que quiconque n’y fasse passer un token.

Pourquoi l’écart par rapport au benchmark ne peut pas être comblé par l’arithmétique

La tentation est de comparer les chiffres du fournisseur de Qwen3.8-27B à ceux de Liquid et de désigner un vainqueur. Résistez-y, car les deux tableaux ne mesurent pas les mêmes choses. Qwen annonce SWE-bench Pro 61,7, Terminal Bench 2.1 à 73,0, LiveCodeBench v6 à 90,3, GPQA Diamond 89,2 et HLE 30,8. Liquid annonce SWE-bench Verified 43,40, LiveCodeBench v6 73,46, GPQA Diamond 63,37 et HLE sans outils à 7,17. SWE-bench Pro et SWE-bench Verified sont des benchmarks différents, de difficulté différente ; les nombres de paramètres diffèrent d'un facteur 16 ; et une colonne décrit un modèle conversationnel post-entraîné, tandis que l'autre décrit un checkpoint de base qui n'a pas du tout été post-entraîné.

Il y a un chiffre qui vaut la peine d’être emprunté à l’extérieur des deux fournisseurs. La page modèle d’OrcaRouter pour Qwen3.8-27B indique un Artificial Analysis Intelligence Index de 33,7 et un score AA Coding de 68,1, évalués le 14 août 2026. Il s’agit d’un classement indépendant, et il existe pour Qwen. Au 28 octobre 2026, nous n’avons trouvé aucune entrée LFM3 sur Artificial Analysis ; il n’y a donc aucun contrepoids indépendant de l’autre côté. Quiconque présente aujourd’hui un verdict comparatif direct sur les capacités de ces deux modèles soit compare des tableaux de fournisseurs issus de harnais incompatibles, soit invente un chiffre.

L’enveloppe de déploiement, côte à côte

• Paramètres — LFM3-1.7B-Base : 1,73 Md, texte uniquement, 24 couches. Qwen3.8-27B : 27 Md, modèle dense avec un encodeur visuel, 64 couches.

• Contexte — LFM3-1.7B-Base : 256K tokens. Qwen3.8-27B : 262 144 natifs, extensible à 1M ; Qwen3.8-Flash et Qwen3.8-Max : 1M.

• Modalité d'entrée — LFM3-1.7B-Base : texte. Qwen3.8-27B, Qwen3.8-Flash et Qwen3.8-Max : texte, image et vidéo.

• Poids — LFM3-1.7B-Base : téléchargement BF16 avec code de modélisation personnalisé et trust_remote_code. Qwen3.8-27B : poids sous Apache-2.0 qui fonctionnent dans Transformers, vLLM, SGLang et TokenSpeed.

• Plancher de mémoire — LFM3-1.7B-Base : environ 1 Go en 4 bits, selon Liquid. Qwen3.8-27B : environ 55 Go en BF16, donc une machine multi-GPU ou une quantification agressive.

• Licence — LFM3-1.7B-Base : LFM Open License v1.0, utilisation commerciale en dessous de 10 M$ de chiffre d'affaires annuel. Qwen3.8-27B : Apache 2.0, aucune condition de chiffre d'affaires.

• Prix affiché — LFM3-1.7B-Base : aucun prix par token hébergé n'est publié. Qwen3.8-27B sur OrcaRouter : 0,33 $ en entrée / 2,40 $ en sortie par million de tokens ; Qwen3.8-Flash : 0,15 $ / 0,47 $ ; Qwen3.8-Max : 2,00 $ / 6,00 $.

• Vitesse observée — LFM3-1.7B-Base : aucune mesure indépendante. Qwen3.8-27B sur OrcaRouter : 91 jetons de sortie par seconde au cours des sept derniers jours ; Qwen3.8-Flash : 157 jetons par seconde.

L'arithmétique qui en décide

Prenons une charge de travail de 100 millions de tokens de sortie par mois. Sur Qwen3.8-Flash, cela coûte 47 $. Sur Qwen3.8-27B via OrcaRouter, cela coûte 240 $. Sur Qwen3.8-Max, cela coûte 600 $. Les tokens d'entrée sont moins chers sur chaque gamme, donc un mélange réaliste se situe quelque part en dessous de ces chiffres, mais la sortie domine la facture et le classement ne change pas.

Comparez maintenant ces factures avec l’exécution de LFM3-1.7B-Base par vous-même. En 4 bits, il tient dans environ un gigaoctet, ce qui signifie du matériel que vous possédez peut-être déjà : un ordinateur portable, un téléphone récent, un seul petit GPU. Le coût marginal par token se résume à l’électricité et à rien d’autre, et le modèle ne quitte jamais l’appareil. Faites le même calcul pour Qwen3.8-27B et la situation s’inverse : 100 millions de tokens de sortie par mois à 2,40 $ par million représentent 240 $, soit à peu près ce que coûte pendant un mois un GPU de classe 24 Go loué à environ 0,35 $ de l’heure. L’auto-hébergement du 27B ne commence à battre le prix de l’hébergement qu’au-delà de 100 millions de tokens de sortie par mois — et ce calcul ignore le temps d’ingénierie, le téléchargement de 55 Go et le fait qu’un modèle 27B a besoin de bien plus de 24 Go dès que l’on tient compte du cache KV.

La version pratique : en dessous d'environ 100 millions de tokens de sortie par mois, les offres hébergées de Qwen3.8 l'emportent sur le coût total et la simplicité opérationnelle. Si votre charge de travail est suffisamment faible pour tenir sur un téléphone, LFM3-1.7B-Base l'emporte parce que le compteur ne démarre jamais. L'écart entre ces deux positions correspond à l'endroit où se situent la plupart des déploiements réels, et il s'agit d'une question de volume et de confidentialité, non de scores de benchmark.

Là où OrcaRouter est pertinent, et là où il ne l'est pas

Les trois niveaux de Qwen 3.8 sont dès aujourd’hui au catalogue d’OrcaRouter, y compris Qwen3.8-27B, auto-hébergé sur notre propre infrastructure, à 0,33 $ en entrée et 2,40 $ en sortie par million de tokens, avec un contexte de 262 K, un temps jusqu’au premier token p50 de 2,37 secondes et 91 tokens de sortie par seconde, mesurés sur la semaine précédente. Tout l’intérêt est de router les trois derrière une seule clé compatible OpenAI : un choix par défaut économique sur Qwen3.8-Flash, un chemin d’escalade vers Qwen3.8-27B ou Qwen3.8-Max lorsque la tâche l’exige, et un basculement automatique si un fournisseur en amont se dégrade. Comme nous répercutons les prix catalogue des fournisseurs avec 0 % de marge, une modification tarifaire d’un fournisseur se retrouve sur votre facture le jour même, et non après un cycle de re-tarification.

LFM3-1.7B-Base ne figure pas dans notre catalogue, et nous ne comptons pas prétendre le contraire. Si le checkpoint de Liquid est la bonne réponse pour votre charge de travail, la solution aujourd’hui passe par l’API et le playground du fournisseur, ou par un téléchargement à auto-héberger. Ce qu’un routeur peut encore faire, c’est garder cette décision réversible : placer le petit modèle derrière la même interface que les niveaux hébergés, acheminer selon la tâche ou le coût, et ramener le trafic vers un modèle hébergé lorsque la voie auto-hébergée dysfonctionne.

Choisissez selon le poste, et non selon le score.

Choisissez LFM3-1.7B-Base lorsque la contrainte est l’appareil : fonctionnement hors ligne, un téléphone ou un ordinateur portable, un modèle spécifique à un domaine que vous comptez post-entraîner sur un seul GPU, ou une charge de travail pour laquelle un contexte de 256K dans une empreinte de 1 Go est la raison même de votre intérêt. Acceptez que vous achetez de la matière brute, que la licence a un plafond de revenus et qu’aucune évaluation indépendante n’existe encore.

Choisissez Qwen3.8-27B lorsque la tâche exige de la vision, des agents à horizon long ou du code réellement déployable, et que vous disposez du matériel ou du budget pour servir 27B paramètres. Choisissez Qwen3.8-Flash lorsque vous voulez l’essentiel de cette surface produit pour un cinquième du prix, sans avoir besoin de posséder les poids. Choisissez Qwen3.8-Max uniquement lorsque la valeur par token de la tâche dépasse 6,00 $ de sortie.

L’affrontement annoncé dans le titre est un déséquilibre assumé — un checkpoint pré-entraîné de 1.7B face à un modèle vision-langage finalisé de 27B — et la conclusion utile n’est pas que l’un est meilleur. C’est qu’ils répondent à des questions différentes : sur combien peu de matériel puis-je fonctionner, par rapport à combien de capacité puis-je acheter par token. Liquid a livré une réponse exceptionnellement détaillée à la première. Alibaba vend la seconde depuis août.