LFM2.5-24B-A2B vs Qwen3.8-27B: Yang Satu Cukup Diunduh, yang Lain Jadi Pos Anggaran

Mulailah dengan angka yang menentukan sebagian besar dari ini. LFM2.5-24B-A2B adalah file yang Anda letakkan di sebuah mesin dan simpan. Qwen3.8-27B adalah model yang Anda sewa per juta token. Liquid AI mengumumkan yang pertama pada 13 Oktober 2026 dengan total 24,0 miliar parameter dengan 2,45 miliar aktif per token dan konteks 131.072 token; A​libaba menerbitkan yang kedua pada 13 Agustus 2026 sebagai model visi-bahasa padat 27 miliar parameter dengan konteks 262.144 token. Keduanya berbobot terbuka. Hanya satu dari mereka yang memiliki harga per token yang dipublikasikan dan terpasang pada endpoint yang berfungsi, dan itu bukan yang lebih kecil.

Asimetri itulah perbandingannya. Segala hal di bawah ini — kapabilitas, lisensi, konteks, modalitas — bergantung pada apakah Anda membeli perangkat keras atau membeli token.

Apa masing-masing itu, dan apa yang dilihatnya

LFM2.5-24B-A2B adalah campuran pakar hanya teks: 40 lapisan terbagi antara 30 blok konvolusi pendek dengan gerbang ganda dan 10 lapisan attention grouped-query, 64 pakar per blok dengan perutean top-4, kosakata 128.000 token, dan 16 bahasa yang didukung. Posting peluncuran Liquid mencatat pra-pelatihan pada 33 triliun token; kartu model Hugging Face untuk rilis yang sama menyebutkan 36 triliun. Pipeline pasca-pelatihan berakhir pada pembelajaran penguatan agentik di dalam harness nyata, dan panduan vendor sendiri adalah memasangkan model dengan pengambilan atau pencarian web daripada memintanya menjawab pertanyaan pengetahuan dari bobot.

Qwen3.8-27B adalah bentuk yang sama sekali berbeda, dan bentuk itulah intinya. Ini adalah desain hybrid-attention yang padat — 48 lapisan linear-attention Gated DeltaNet yang diselang-seling dengan 16 lapisan full-attention di seluruh 64 lapisan, ukuran hidden 5.120, dan kosakata 248.320 token — itulah yang membuat konteks 262K terjangkau sejak awal. Model ini menerima input teks, gambar, dan video serta mengembalikan teks. Tulang punggung yang sebagian besar linear itu diwarisi dari garis keturunan yang sama yang menjadi asal bagi build terkompresi seperti Ternary Bonsai 2 27B, yang merupakan sinyal berguna tentang seberapa besar nilainya terletak pada arsitektur, bukan pada proses pelatihan.

Versi satu barisnya: model Liquid merutekan dan memanggil alat di dalam loop, dan melakukannya tanpa jaringan. Model Qwen mengamati berbagai hal — tangkapan layar, dokumen, video — dan menalar tentangnya pada panjang konteks yang kira-kira dua kali lebih panjang. Tidak satu pun adalah versi yang lebih rendah dari yang lain; keduanya diarahkan pada dua bagian berbeda dari sistem yang berfungsi.

Biayanya, dihitung sebagai angka aktual

Di sinilah keduanya sama sekali tidak lagi bisa dibandingkan, jadi ada baiknya menghitung daripada saling bertukar kata sifat.

Di OrcaRouter, qwen/qwen3.8-27b dilayani dengan tarif $0,33 per juta token masukan dan $2,40 per juta token keluaran, dengan p50 waktu ke token pertama 3,45 detik yang diukur selama tujuh hari. Beban kerja 20 juta token masukan dan 2 juta token keluaran per bulan — alat internal yang sederhana — mencapai $6,60 ditambah $4,80, atau sekitar $11,40. Tidak ada yang perlu diinstal, tidak ada yang perlu dijaga tetap hangat, tidak ada depresiasi GPU.

Endpoint Console Liquid berjalan $0.10 per juta input dengan tarif cache $0.05 dan $1.00 per juta output, dengan kredit awal $2, yang menetapkan harga beban kerja yang sama di bawah $4. Tetapi endpoint itu sebenarnya bukan produknya. Produknya adalah bobotnya, dan tidak ada tabel ukuran file terbitan vendor untuk LFM2.5-24B-A2B yang bisa dikutip — repo kuantisasi hadir sebagai repo-repo saudara di Hugging Face. Yang diterbitkan vendor adalah bentuk taruhannya: MoE dengan 2,45B aktif yang berjalan pada 184 token per detik di Apple M5 Max dan 114 di AMD Ryzen AI Max+ 395, keduanya dilaporkan vendor dan belum direproduksi, dan keduanya tidak berarti pada GPU pusat data yang menjalankan banyak permintaan bersamaan.

Titik impasnya bukanlah jumlah token, melainkan pertanyaan tentang utilisasi. Di bawah beban berat yang kira-kira berkelanjutan, endpoint berbayar per pemakaian unggul dalam hal biaya dan kalah pada batas bawah latensi. Di atasnya, unduhan unggul dalam hal biaya dan kalah dalam hal operasional — Anda kini memiliki deployment, peningkatan versinya, dan cara penanganan failover-nya. Itulah keseluruhan keputusannya, dan itu sama sekali tidak ada hubungannya dengan model mana yang mendapat skor lebih tinggi di tabel.

Konteks, lisensi, dan dua hal yang sebenarnya berbeda

• Konteks — 131.072 token versus 262.144 token. Jendela Q​wen dua kali lebih panjang di atas kertas, dan desain atensi yang sebagian besar linier itulah sebabnya ia mampu menanggungnya dalam memori. Liquid belum menerbitkan angka retrieval konteks panjang untuk jendela 131K-nya pada panjang apa pun, yang merupakan satu celah dalam peluncurannya yang dapat ditutup dengan cepat oleh satu putaran benchmark.

• Lisensi — lfm1.0 versus Apache 2.0. Apache 2.0 tidak memiliki pemicu pendapatan dan tidak memiliki klausul bidang penggunaan. Lisensi Liquid adalah instrumen tersendiri dengan ketentuannya sendiri. Bacalah ketentuan itu dengan membandingkannya dengan angka perusahaan Anda sebelum peluncuran komersial, dan perhatikan bahwa perbedaan ini tidak menyusut seiring model menjadi semakin besar.

• Modalitas — hanya teks versus teks, gambar, dan video sebagai input. Jika beban kerja Anda melibatkan tangkapan layar, halaman yang dipindai, atau bingkai video, baris ini mengakhiri perbandingan dengan sendirinya.

• Instruction following — IFEval 96.75 dan IFBench 74.69. Baris terkuat Liquid pada tabel peluncurannya sendiri, mengungguli setiap kolom di dalamnya. Jika tugasnya adalah "patuhi format ini dengan tepat, setiap saat," LFM2.5-24B-A2B memiliki dasar terpublikasi yang lebih baik.

• Pengetahuan dan pemrograman — GPQA Diamond 74.42 dan SWE-Bench Verified 51.00 untuk model Liquid. Liquid membandingkan skor-skor itu dengan 83.69 dan 66.20 milik Qwen3.6-35B-A3B dan kalah di keduanya. Tidak ada perbandingan Qwen3.8-27B sama sekali di tabel itu, dan belum ada yang mengadu kedua model itu satu sama lain.

Di mana masing-masing sebenarnya berada

Pilih Qwen3.8-27B ketika input bukan teks, ketika dokumennya panjang, atau ketika Anda ingin ditagih alih-alih mengoperasikan sesuatu. Jendela 262K yang menerima gambar dan video adalah produk yang benar-benar berbeda dari jendela 131K yang menerima teks, dan lisensi Apache 2.0 menghilangkan percakapan yang biasanya harus dilakukan banyak tim. Waktu 3,45 detik p50 ke token pertama itu nyata dan layak diukur terhadap toleransi Anda sendiri sebelum Anda berkomitmen — model sekemampuan ini di kelas dense 27B tidak cepat, dan tidak ada catatan arsitektur yang mengubah itu.

Pilih LFM2.5-24B-A2B ketika mesin menjadi batasannya. MoE dengan 2,45B parameter aktif, konteks 131K, dan profil kepatuhan instruksi yang mengalahkan segalanya di tabel perbandingannya sendiri adalah hal yang kuat untuk dijalankan secara lokal, dan keputusan Liquid untuk melatihnya di dalam harness agen alih-alih terhadap kumpulan pemanggilan alat statis terlihat pada baris-baris yang dimenangkannya. Yang bukan dirinya adalah analis dokumen atau basis pengetahuan, dan vendor mengatakan hal itu dalam dokumen yang sama yang menerbitkan tabel benchmark.

Jika Anda ingin menentukannya pada beban kerja Anda sendiri alih-alih pada tabel salah satu vendor, jalur layanan adalah eksperimen murah: qwen/qwen3.8-27b ada di katalog kami pada harga daftar di atas dengan markup 0% pada tarif penyedia, dan ukuran saudaranya qwen/qwen3.8-flash dan qwen/qwen3.8-max berada di sampingnya di balik kunci yang sama — sehingga Anda dapat menemukan titik harga-kinerja yang benar-benar dibutuhkan tugas Anda sebelum memutuskan apakah layak memiliki mesin. LFM2.5-24B-A2B tidak ada di katalog kami; Console milik Liquid sendiri dan bobot terbuka adalah rute untuk mendapatkannya, dan tidak ada apa pun di sini yang menyiratkan sebaliknya.

Pertanyaan yang akan menyelesaikan ini dalam enam bulan bukanlah model mana yang menang. Pertanyaannya adalah apakah tier local-executor tetap bertahan seiring bertambahnya panjang konteks — dan soal itu, jendela Qwen yang dua kali lebih panjang dan jendela Liquid yang belum terukur adalah satu-satunya dua titik data yang dimiliki siapa pun.

Pantau gangguan dan degradasi model secara langsung di arsip insiden kami dan lihat rute mana yang telah beralih dengan lancar.