LFM3-Omni-2B vs Qwen3.8-Omni-Flash: רק אחד מהם יכול לדבר

שימו LFM3-Omni-2B ואת Qwen3.8-Omni-Flash באותו חדר, וההבדל שמכריע עבור רוב המוצרים אינו נמצא בגיליון הבנצ'מרק. שניהם מקבלים אודיו. שניהם מקבלים וידאו. רק אחד מהם יכול להשיב בקול. המודל של Alibaba מחזיר טקסט ולא דבר אחר — התיעוד של עצמו מפורש שתשובות מדוברות דורשות מודל אחר בסדרת Qwen — בעוד שהצ'קפוינט בעל 2.17 מיליארד הפרמטרים של Liquid AI פולט דיבור ב-24 kHz ישירות, או משזור דיבור וטקסט בתגובה אחת.

כל השאר בנוגע לצמד הזה ממחיש את סוגיית קנה המידה. Qwen3.8-Omni-Flash הוא מודל סגור ב-API של אליבאבא מאז 18 בספטמבר 2026, הבנוי על תערובת מומחים בת 125 מיליארד פרמטרים עם כ-6 מיליארד פעילים, ובעל חלון הקשר של מיליון טוקנים. LFM3-Omni-2B הוא בעל משקולות פתוחות, 2.17 מיליארד פרמטרים, 32K של הקשר, והוכרז ב-27 באוקטובר 2026 כאחד משישה מודלים בפוסט של משפחת LFM3 — כאשר המאגר שלו ציבורי מאז 21 באוקטובר ואין לו פוסט השקה משלו. אחד שוכרים לפי טוקן; את האחר מורידים ומשלמים עליו בחומרה.

שני המוצרים אינם אותו מוצר

אם מפשיטים עד למה שכל אחד מהם נועד, Qwen3.8-Omni-Flash הוא מנוע הבנה עם חלון עצום: תמלול, סיכום, הסקה על פני שעות של מדיה, קריאה לכלים והחזרת טקסט. LFM3-Omni-2B הוא נקודת קצה שיחתית שבמקרה גם רואה ושומעת: הוא מקבל שאלה בקול, מביט בפריים ועונה בקול, במכשיר.

התוצאה היא שכדי לבנות עוזר קולי על Qwen3.8-Omni-Flash צריך לבנות עוד שני שלבים — זיהוי דיבור בכניסה וסינתזה ביציאה — ולשלם עבור שלושה מודלים כאשר Liquid גובה ממך עבור מודל אחד. בניית מנתח פגישות של שעתיים על LFM3-Omni-2B מחייבת להזין לו את הנתונים במקטעים, משום שחלון של 32K אינו שעה של אודיו ו-Liquid אינה מפרסמת יחס אודיו-לטוקנים שיאפשר לך לחשב את המגבלה לפני שמנסים.

ההקשר הוא הפער הרחב ביותר בגיליון

• הקשר — Qwen3.8-Omni-Flash 1M טוקנים, עם קלט מרבי בסביבות 991K ופלט של עד 131K; LFM3-Omni-2B 32K טוקנים הכוללים יחד קלט ופלט.

• מגבלות מדיה — Alibaba מתעדת עד שלוש שעות אודיו ושתי שעות וידאו בבקשה אחת, עם קלט אודיו ב־113 שפות וניבים; Liquid מתעדת אודיו מונו ב־16 kHz ווידאו שנדגם בקצב של 2 פריימים לשנייה, 4 עד 384 פריימים.

• פלט — טקסט בלבד מול טקסט, דיבור ב־24 קילו־הרץ, או טקסט ודיבור משולבים.

• קנה מידה — תערובת מומחים של 125B עם כ־6B פעילים, באירוח, לעומת 2.17B צפוף שרץ על טלפון.

• משקלים — סגור לעומת פתוח, תחת רישיון LFM Open License v1.0.

• מחיר — $0.15 למיליון טוקני קלט, $0.016 במטמון, $0.47 למיליון טוקני פלט עבור Qwen3.8-Omni-Flash; אין מחיר לפי טוקן עבור LFM3-Omni-2B כי אין מה למדוד.

הקשר של 1M אינו קישוט בדף מפרט. זה ההבדל בין "סכם את הפגישה הזו" לבין "סכם את הפגישה הזו, ואז ענה על שאלות בנוגע לשעה השלישית". ההצגה של Alibaba בהשקה הייתה חשבונית ולא ציון: זול ב-98% לשעת קלט אודיו מ-Qwen3.5-Omni-Plus, זול ב-93% לשעת אודיו-וידאו, נתונים שנגזרו מתמחור דגימה של שתי דקות והכפלה. החיסכון אמיתי, והוא גם החשבון של הספק עצמו.

מה שהכסף באמת קונה

ב-$0.15 לקלט ו-$0.47 לפלט, שעה של תמלול זולה מספיק שרוב הצוותים מפסיקים למדל אותה. זו הנקודה של הורדת המחיר, וזה הטיעון החזק ביותר בעד שכירות: העלות השולית של בקשה קרובה לאפס ומישהו אחר הוא הבעלים של ה-GPUs.

LFM3-Omni-2B הופך את העקומה. המשקולות בחינם, העלות השולית לכל בקשה היא הסוללה של המשתמש שלך, והעלות הקבועה היא זמן ההנדסה של הכנסת מודל של 2.17B לאפליקציה. אם כבר יש לך צוות מובייל, זה לא מספר גדול. אם אין לך, זה כל הפרויקט.

גם כאן ראוטר מצדיק את מקומו ולא נשאר סיסמה. מודלי הטקסט של משפחת Qwen3.8 כבר נמצאים בקטלוג של OrcaRouter במחיר מחירון עם 0% תוספת, כלומר הורדת מחיר של ספק נכנסת לתוקף אצלנו באותו יום שבו היא יוצאת; Qwen3.8-Omni-Flash עצמו אינו בקטלוג, וכך גם LFM3-Omni-2B. מה שכן נותן לך הקטלוג הוא היכולת להשאיר את החלק המתארח של מערכת היברידית — משימת אצווה של אודיו ארוך, הגיבוי כשטלפון לא מחובר — מאחורי מפתח אחד וחשבונית אחת, עם מעבר אוטומטי לגיבוי אם ספק נופל.

בנצ'מרקים: מספר אחד משותף, שתי מערכות בדיקה

RealWorldQA הוא הבנצ'מרק היחיד ששני הכרטיסים מדווחים עליו, והפער הוא 21 נקודות: Qwen3.8-Omni-Flash ב-87.7, LFM3-Omni-2B ב-66.54 במצב ראייה ו-64.68 כאשר השאלה נאמרת בקול.

אל תפרשו זאת כתבוסה בתנאים זהים. את 87.7 של Qwen מדדה Alibaba על מודל של 125B עם תקציב חשיבה; את המספרים של Liquid מדדה Liquid עם פענוח חמדני ועם תבנית הצ׳אט של כל מודל, והגרסה הקולית שלה מזינה את השאלה כקול ולא כטקסט. אותו שם של בנצ׳מרק, תנאים שונים, סוגי מודלים שונים. המסקנה הכיוונית בטוחה — מודל גדול פי עשרים, עם חשיבה מופעלת, אמור להיות טוב יותר במענה על שאלות חזותיות — אבל גודל הפער אינו מדידה של דבר.

שאר התוכן בכל כרטיס אינו משותף. Qwen3.8-Omni-Flash מדווח על LiveCodeBench v6 בציון 92.6, GPQA Diamond בציון 91, SpotSoundBench 67.2, WildClawBench-MM 71.0 ו-OmniVideoBench 67.8. LFM3-Omni-2B מדווח על Daily-Omni 70.09, WorldSense 47.10, OmniBench 46.32, OmniBench speech 48.25, MMAR 51.40 וציון קריאה לכלים של 52.20. החפיפה בין הרשימות הללו קרובה לאפס, כפי שהייתם מצפים משני מודלים שנבנו למשימות שונות — ותזכורת לכך שאף אחד מהספקים לא פרסם הערכה בלתי תלויה.

השהיה, וההלוך־חזור שאיש לא מתמחר

למודל omni מתארח יש הלוך־ושוב ברשת לפני כל תשובה ותור שממתין מאחוריה. בעבודת אצווה זה בלתי נראה. בשיחה זה ההבדל בין מוצר שמרגיש חי למוצר שמרגיש כמו הגשת טופס.

היתרון של LFM3-Omni-2B כאן הוא מבני ולא מדוד: האודיו לעולם אינו יוצא מהמכשיר, המודל הוא 2.17B, והפלט הוא אסימוני דיבור שנוצרים באותו מעבר כמו הטקסט. אין קריאת ASR, אין קריאת סינתזה, ואין תזמור ביניהן. האם זה עולה על נקודת קצה מתארחת עם משאבים מספקים מבחינת השהיה בזמן שעון היא שאלה אמפירית ש-Liquid לא השיבה עליה — היא אינה מפרסמת נתוני השהיה, ואין בדיקה בלתי תלויה.

האמירה הכנה היא שהנתיב המקומי מסיר שלושה מצבי כשל (העלאה, תור, הורדה) ומוסיף אחד (טלפון שנמצא בהאטה תרמית).

מי אמור לבחור מה

בחר ב-Qwen3.8-Omni-Flash אם הקלט שלך ארוך, הפלט שלך הוא טקסט, והמשתמשים שלך לא ממתינים לקול. תמלול פגישות, ניטור מדיה, אנליטיקה של מרכזי שיחות, חיפוש וידאו, כל דבר שנהנה מחלון של מיליון טוקנים ותקציב חשיבה — זה סוג המודלים שנבנה לכך, והמחיר הופך את ההחלטה לקלה. קבל שאתה שוכר, שהמשקלים לעולם לא יהיו שלך, ושממשק קולי פירושו להוסיף מודלים ולא להגדיר אחד.

בחר ב־LFM3-Omni-2B אם האינטראקציה קולית והמכשיר הוא המוצר. הוא קטן יותר, הוא רואה פחות, הוא זוכר 32K במקום מיליון, ולרישיון שלו יש סעיף הכנסות שאין ל־Apache 2.0. בתמורה, הוא היחיד מבין השניים שיכול לסיים משפט בקול.

זה כל הוויתור, וכדאי לומר אותו בפשטות, משום שרוב ההשוואות בין שני המודלים האלה מקדישות את אורכן לציונים שרק אחד מהם אי-פעם ניסה לזכות בהם. אם המוצר שלכם מדבר, אחד מהמודלים האלה נבנה עבורכם והאחר לא.