Guides & Insights

LFM2.5-24B-A2B מול Qwen3.8-27B: האחד הוא הורדה, והאחר הוא סעיף תקציבי

מחבר

Alistair Wren

תאריך פרסום

Oct 14, 2026

מודלים אחרונים · 20צפו בכל המודלים →

בנצ'מרקים: Artificial Analysis · מתעדכן יומית

חזרה לכל הפוסטים

נתחיל במספר שמכריע את רוב העניין. LFM2.5-24B-A2B הוא קובץ שמניחים על מכונה ומשאירים. Qwen3.8-27B הוא מודל ששוכרים לפי מיליון טוקנים. Liquid AI הכריזה על הראשון ב-13 באוקטובר 2026 עם 24.0 מיליארד פרמטרים בסך הכול, 2.45B פעילים לכל טוקן וחלון הקשר של 131,072 טוקנים; אליבאבא פרסמה את השני ב-13 באוגוסט 2026 כמודל ראייה־שפה צפוף בעל 27 מיליארד פרמטרים עם חלון הקשר של 262,144 טוקנים. שניהם בעלי משקולות פתוחות. רק לאחד מהם יש מחיר מפורסם לכל טוקן הצמוד לנקודת קצה פעילה, וזה לא הקטן יותר.

האסימטריה הזו היא ההשוואה. כל מה שלמטה — יכולת, רישיון, הקשר, מודאליות — תלוי בשאלה אם אתה קונה חומרה או קונה טוקנים.

מה כל אחד מהם הוא, ומה הוא רואה

LFM2.5-24B-A2B הוא תערובת מומחים טקסטואלית בלבד: 40 שכבות המחולקות בין 30 בלוקים של קונבולוציה קצרה עם שער כפול ו-10 שכבות תשומת לב מקובצות שאילתות, 64 מומחים בכל בלוק עם ניתוב top-4, אוצר מילים של 128,000 טוקנים, ו-16 שפות נתמכות. הפוסט של Liquid להשקה סופר את האימון המקדים ב-33 טריליון טוקנים; כרטיס המודל של Hugging Face עבור אותה מהדורה אומר 36 טריליון. צינור האימון שלאחר האימון המקדים מסתיים בלמידת חיזוק סוכנית בתוך הרנסים אמיתיים, וההנחיה של הספק עצמו היא לצמד את המודל עם אחזור או חיפוש באינטרנט במקום לבקש ממנו לענות על שאלות ידע מהמשקלות.

Qwen3.8-27B הוא צורה שונה לחלוטין, והצורה היא העיקר. זהו עיצוב צפוף של קשב היברידי — 48 שכבות קשב לינארי של Gated DeltaNet משולבות לסירוגין עם 16 שכבות קשב מלא לאורך 64 שכבות, ממד חבוי 5,120 ואוצר מילים של 248,320 טוקנים — וזה מה שמאפשר מלכתחילה הקשר של 262K בעלות סבירה. הוא מקבל קלט של טקסט, תמונה וווידאו ומחזיר טקסט. עמוד השדרה הכמעט-לינארי הזה עובר בירושה מאותה שושלת שממנה נגזר מבנה דחוס כמו Ternary Bonsai 2 27B, וזה אות מועיל לכמה מהערך טמון בארכיטקטורה ולא בהרצת האימון.

A headless-browser capture of OrcaRouter's own model page for qwen/qwen3.8-27b, showing the Qwen3.8 27B heading, the vision, tools, JSON and reasoning chips, Qwen as the vendor with a 2026-08-13 date, the 262K token context row listing text, image and video input, input pricing of 0.33 and output pricing of 2.40 per million tokens, and a p50 time to first token of 3.45 seconds over seven days.

הגרסה בשורה אחת: המודל של Liquid מנתב וקורא לכלים בתוך לולאה, ועושה זאת בלי רשת. המודל של Qwen מסתכל על דברים — צילומי מסך, מסמכים, וידאו — ומנמק לגביהם באורך הקשר כפול בערך. אף אחד מהם אינו גרסה נחותה של האחר; הם מכוונים לשני חצאים שונים של מערכת עובדת.

העלות, מחושבת כמספר ממשי

זה המקום שבו השניים מפסיקים להיות ברי השוואה כלל, ולכן כדאי לעשות את החשבון ולא לסחור בשמות תואר.

ב-OrcaRouter, qwen/qwen3.8-27b מוגש ב-$0.33 למיליון טוקנים בקלט ו-$2.40 למיליון טוקנים בפלט, עם זמן p50 עד לטוקן הראשון של 3.45 שניות, שנמדד על פני שבעה ימים. עומס עבודה של 20 מיליון טוקנים בקלט ו-2 מיליון טוקנים בפלט בחודש — כלי פנימי צנוע — מסתכם ב-$6.60 ועוד $4.80, או בערך $11.40. אין מה להתקין, אין מה לחמם, ואין פחת GPU.

נקודת הקצה Console של Liquid פועלת$0.10 למיליון עם תעריף מטמון של $0.05 ו-$1.00 למיליון פלט, עם $2 זיכוי התחלתי, מה שמתמחר את אותו עומס עבודה בפחות מ-$4. אבל נקודת הקצה הזו היא לא באמת המוצר. המוצר הוא המשקלים, ואין טבלת גודל קבצים שמפורסמת על ידי הספק עבור LFM2.5-24B-A2B שניתן לצטט — מאגרי הקוונטיזציה מופצים כמאגרים אחים ב-Hugging Face. מה שכן מפרסם הספק הוא צורת ההימור: MoE עם 2.45B פעילים שפועל בקצב של 184 טוקנים לשנייה על Apple M5 Max ו-114 על AMD Ryzen AI Max+ 395, שניהם מדווחים על ידי הספק ולא משוחזרים, ושניהם חסרי משמעות על GPU של מרכז נתונים שמריץ בקשות מקבילות רבות.

A generated two-column scoreboard titled LFM2.5-24B-A2B vs Qwen3.8-27B, the scoreboard. The left column reads total parameters 24.0B, active per token 2.45B, context 131,072 tokens, input text only, licence lfm1.0 and served at 0.10 dollars in and 1.00 dollar out on the vendor Console. The right column reads total parameters 27B dense all active, context 262,144 tokens, input text image and video, licence Apache 2.0 and served at 0.33 dollars in and 2.40 dollars out on OrcaRouter, above a footer reading Liquid figures vendor-reported, 2026-10-13; Qwen price per OrcaRouter list; the two have never been benchmarked against each other.

נקודת האיזון אינה מספר טוקנים, אלא שאלת ניצול. מתחת לעומס כבד ורצוף פחות או יותר, נקודת הקצה בתשלום לפי שימוש מנצחת מבחינת כסף ומפסידה מבחינת רצפת השהיה. מעליה, ההורדה מנצחת מבחינת כסף ומפסידה מבחינת תפעול — כעת בבעלותך פריסה, השדרוגים שלה וסיפור ה-failover שלה. זו כל ההחלטה, ואין לה שום קשר לשאלה איזה מודל מקבל ציון גבוה יותר בטבלה.

הקשר, רישיון, ושני הדברים שבאמת שונים

• הקשר — 131,072 טוקנים לעומת 262,144 טוקנים. החלון של Qwen ארוך פי שניים על הנייר, ותכנון הקשב הכמעט־לינארי הוא הסיבה שהיא יכולה להרשות לעצמה אותו בזיכרון. Liquid לא פרסמה נתוני שליפה בהקשר ארוך עבור חלון ה-131K שלה בשום אורך, וזהו הפער היחיד בהשקה שלה שסבב בנצ'מרקים יסגור במהירות.

• רישיון — lfm1.0 לעומת Apache 2.0. ל-Apache 2.0 אין טריגר הכנסות ואין סעיף תחום שימוש. הרישיון של Liquid הוא כלי בפני עצמו עם תנאים משלו. קראו אותו מול המספרים של החברה שלכם לפני השקה מסחרית, ושימו לב שההבדל הזה אינו מצטמצם ככל שהמודלים גדלים.

• מודאליות — טקסט בלבד לעומת טקסט, תמונה וווידאו כלולים. אם עומס העבודה שלך כולל צילום מסך, עמוד סרוק או פריים מווידאו, השורה הזו מסיימת את ההשוואה בעצמה.

• ציות להוראות — IFEval 96.75 ו-IFBench 74.69.החזק ביותר של Liquid בטבלת ההשקה של עצמה, לפני כל אחד ואחד בה. אם המשימה היא "לציית לפורמט הזה בדיוק, בכל פעם", ל-LFM2.5-24B-A2B יש את המקרה המפורסם הטוב יותר.

• ידע ותכנות — GPQA Diamond 74.42 ו-SWE-Bench Verified 51.00 עבור המודל של Liquid. Liquid משווה אותם ל-83.69 ול-66.20 של Qwen3.6-35B-A3B ומפסיד בשניהם. אין כלל השוואה ל-Qwen3.8-27B בטבלה הזו, ואיש אינו הריץ את שני המודלים זה מול זה.

A generated cost card titled Download or line item, with three rows reading 20M input plus 2M output tokens a month on qwen/qwen3.8-27b at 0.33 and 2.40 dollars per million: about 11.40 dollars, The same workload on Liquid's Console endpoint at 0.10 and 1.00 dollars per million: under 4 dollars, and Below continuous heavy load the endpoint wins; above it you own a deployment, above a footer reading Prices per each vendor's current published list; token volumes are illustrative.

היכן שכל אחד באמת שייך

בחרו ב-Qwen3.8-27B כאשר הקלט אינו טקסט, כאשר המסמכים ארוכים, או כאשר אתם מעדיפים לשלם מאשר לתפעל משהו. חלון של 262K שמקבל תמונות ווידאו הוא מוצר שונה מהותית מחלון של 131K שמקבל טקסט, ורישיון Apache 2.0 מייתר שיחה שרוב הצוותים היו חייבים לנהל אחרת. זמן p50 של 3.45 שניות עד לאסימון הראשון הוא אמיתי וכדאי למדוד אותו מול הסבילות שלכם לפני שאתם מתחייבים — מודל בעל יכולת כזו במחלקת ה-27B ה-dense אינו מהיר, ואף הערת ארכיטקטורה לא משנה זאת.

בחרו ב-LFM2.5-24B-A2B כאשר המכונה היא האילוץ. MoE עם 2.45B פרמטרים פעילים, חלון הקשר של 131K ופרופיל עמידה בהוראות שמנצח את הכול בטבלת ההשוואה שלו עצמו הוא דבר חזק להריץ מקומית, וההחלטה של Liquid לאמן אותו בתוך רתמות סוכנים ולא מול סט סטטי של קריאות לכלים מתבטאת בשורות שבהן הוא מנצח. מה שהוא לא הוא מנתח מסמכים או בסיס ידע, והספק אומר זאת באותו מסמך שמפרסם את טבלת הבנצ'מרק.

אם ברצונך להכריע את זה לפי עומס העבודה שלך ולא לפי הטבלה של מי מהספקים, הזרוע המוגשת היא הניסוי הזול: qwen/qwen3.8-27b נמצא בקטלוג שלנו במחיר המחירון שלמעלה עם 0% תוספת על תעריף הספק, והגדלים האחים qwen/qwen3.8-flash וqwen/qwen3.8-max יושבים לצידו מאחורי אותו מפתח — כך שתוכל למצוא את נקודת המחיר-ביצועים שהמשימה שלך באמת צריכה לפני שתחליט אם כדאי להחזיק מכונה. LFM2.5-24B-A2B אינו בקטלוג שלנו; ה-Console של Liquid עצמה והמשקולות הפתוחות הם הדרך אליו, ושום דבר כאן לא אמור לרמוז אחרת.

השאלה שתכריע את זה בעוד שישה חודשים אינה איזה מודל מנצח. היא אם שכבת המבצע המקומי תחזיק מעמד ככל שאורכי ההקשר גדלים — ובנקודה הזו, החלון הארוך פי שניים של Qwen והחלון הלא מדוד של Liquid הם שתי נקודות הנתונים היחידות שיש למישהו.

עקבו בזמן אמת אחר השבתות והרעות של מודלים בארכיון התקלות שלנו, וראו אילו נתיבים עברו מעבר כשל באופן חלק.

LFM2.5-24B-A2B מול Qwen3.8-27B: האחד הוא הורדה, והאחר הוא סעיף תקציבי

מה כל אחד מהם הוא, ומה הוא רואה

העלות, מחושבת כמספר ממשי

הקשר, רישיון, ושני הדברים שבאמת שונים

היכן שכל אחד באמת שייך

מוצר

משאבים

לספקים

הצטרפו לקהילה שלנו

מהבלוג

ספקי מודלים