LFM3-1.7B-Base vs Qwen 3.8: Kelas Bobot yang Salah, Pertanyaan yang Tepat

Jawaban jujurnya adalah bahwa LFM3-1.7B-Base tidak bersaing dengan Qwen3.8-27B, dan memang tidak pernah dimaksudkan untuk itu. Ajukan pertanyaannya dengan benar dan tiga model Qwen yang berbeda akan muncul: model vision-language 27B berbobot terbuka yang diterbitkan Alibaba pada Agustus 2026, Qwen3.8-Flash yang dihosting dengan harga $0,15 per juta token input dan $0,47 per juta token output, serta Qwen3.8-Max dengan harga $2,00 dan $6,00. Checkpoint 1,73B baru dari Liquid adalah materi mentah yang telah dilatih sebelumnya untuk ponsel, laptop, atau proses fine-tuning; lini Qwen adalah keluarga produk jadi. Perbandingan yang berguna bukanlah siapa yang mendapat skor lebih tinggi. Melainkan cakupan penerapan mana yang sebenarnya Anda beli.

Kerangka berpikir itu juga menjelaskan mengapa perbandingan ini belum mendapat liputan yang serius. Tidak ada yang bisa dijadikan tolok ukur: satu pihak memiliki tabel vendor dengan 27 baris, pihak lain tidak memiliki evaluasi yang dipublikasikan sama sekali. Jadi tulisan ini melakukan perbandingan dalam satu-satunya urutan yang bertahan saat berhadapan dengan fakta — apa yang disediakan masing-masing pihak, berapa biaya untuk menjalankannya, dan apa yang boleh Anda lakukan dengannya.

Tiga Qwen 3.8s, tiga pembelian berbeda

Qwen3.8-27B adalah opsi open-weight. Alibaba menerbitkannya pada Agustus 2026 di bawah Apache 2.0, dan sejak itu telah mengumpulkan lebih dari 7,5 juta unduhan. Ini adalah model kausal dense 27B dengan encoder visi, 64 lapisan dalam tata letak 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN), dan konteks native 262.144 token yang menurut Alibaba dapat diperluas hingga 1.000.000. Model ini memahami gambar dan video, memiliki kendali thinking, dan secara eksplisit menyasar pekerjaan agentik dengan horizon panjang.

Qwen3.8-Flash adalah tier hosted yang paling mungkin diperhitungkan harganya lebih dulu oleh sebagian besar tim. Di katalog OrcaRouter, ini adalah model berkonteks 1M yang mendukung input teks, gambar, dan video, dengan batas output 131K serta tarif $0.15 untuk input dan $0.47 untuk output per juta token. Halaman modelnya mencantumkan tanggal pencatatan 26 Agustus 2026 dan mencatat 157 token output per detik selama minggu sebelumnya.

Qwen3.8-Max adalah yang paling tinggi dalam jajaran: $2,00 untuk input dan $6,00 untuk output per juta token, konteks 1M, dan tanpa bobot terbuka. Ini adalah tingkat yang Anda gunakan ketika tugasnya membenarkan harga frontier, bukan tingkat yang Anda bandingkan dengan checkpoint dasar 1,7B.

Apa yang sebenarnya disertakan dengan LFM3-1.7B-Base

Liquid membuat repositori LFM3-1.7B-Base pada 26 Oktober 2026 dan mengumumkan keluarga model tersebut keesokan harinya. Checkpoint ini hanya teks, 1,73 miliar parameter, 24 lapisan konvolusi pendek bergerbang dan atensi penuh atau jendela geser, dengan konteks 256K token, kosakata 128.000 token, 16 bahasa bernama, dan penggunaan memori sekitar 1 GB pada presisi 4-bit. Model ini dilatih pada 22 triliun token; 3,5 triliun terakhir adalah data mid-training yang mencakup jejak agentic dan pemanggilan alat serta membawa ekstensi konteks.

Yang tidak disertakan adalah skor. Kartu dasar tidak memiliki tabel evaluasi, tidak ada angka pengambilan konteks, dan tidak ada perbandingan dengan model lain mana pun. Setiap angka dalam blog peluncuran Liquid — rata-rata 49.37, LiveCodeBench v6 pada 73.46, SWE-bench Verified pada 43.40, GPQA Diamond pada 63.37, IFEval pada 96.66 — adalah milik LFM3-1.7B setelah supervised fine-tuning, reinforcement learning, on-policy distillation, dan agentic RL. Itu adalah angka yang nyata dan Liquid melaporkannya secara jujur sebagai miliknya sendiri, tetapi angka-angka itu menggambarkan model yang sudah jadi, bukan checkpoint dasar yang namanya tercantum dalam judul ini.

Lisensinya adalah LFM Open License v1.0. Lisensi ini memberikan hak komersial hanya selama pemegang lisensi tetap berada di bawah pendapatan tahunan $10 juta; di atas ambang tersebut, karya tersebut tidak dilisensikan berdasarkan perjanjian dan memerlukan kesepakatan terpisah. Klausul tunggal itu akan menghapus LFM3-1.7B-Base dari banyak daftar pendek sebelum siapa pun menjalankan satu token melaluinya.

Mengapa kesenjangan benchmark tidak dapat ditutup dengan aritmetika

Godaan untuk membandingkan angka dari vendor Qwen3.8-27B dengan angka dari vendor Liquid dan menyatakan pemenangnya. Tahan godaan itu, karena kedua tabel tidak mengukur hal yang sama. Qwen melaporkan SWE-bench Pro 61.7, Terminal Bench 2.1 pada 73.0, LiveCodeBench v6 pada 90.3, GPQA Diamond 89.2, dan HLE 30.8. Liquid melaporkan SWE-bench Verified 43.40, LiveCodeBench v6 73.46, GPQA Diamond 63.37, dan HLE tanpa alat pada 7.17. SWE-bench Pro dan SWE-bench Verified adalah benchmark berbeda dengan tingkat kesulitan berbeda; jumlah parameternya berbeda dengan faktor 16; dan satu kolom menggambarkan model chat yang telah menjalani post-training, sedangkan kolom lainnya menggambarkan checkpoint dasar yang belum menjalani post-training sama sekali.

Ada satu angka yang layak dipinjam dari luar kedua vendor. Halaman model OrcaRouter untuk Qwen3.8-27B mencantumkan Artificial Analysis Intelligence Index sebesar 33,7 dan skor AA Coding sebesar 68,1, yang dievaluasi pada 14 Agustus 2026. Itu adalah papan skor independen, dan angka itu tersedia untuk Qwen. Per 28 Oktober 2026, kami tidak dapat menemukan entri LFM3 di Artificial Analysis, jadi tidak ada penyeimbang independen di sisi lain. Siapa pun yang hari ini menyajikan putusan kemampuan head-to-head untuk kedua model ini entah membandingkan tabel vendor lintas harness yang tidak kompatibel atau mengarang angka.

Envelope deployment, berdampingan

• Parameter — LFM3-1.7B-Base: 1,73B, hanya teks, 24 lapisan. Qwen3.8-27B: 27B dense dengan encoder visi, 64 lapisan.

• Konteks — LFM3-1.7B-Base: 256K token. Qwen3.8-27B: 262.144 token bawaan, dapat diperluas hingga 1M; Qwen3.8-Flash dan Qwen3.8-Max: 1M.

• Modalitas input — LFM3-1.7B-Base: teks. Qwen3.8-27B, Qwen3.8-Flash, dan Qwen3.8-Max: teks, gambar, dan video.

• Bobot — LFM3-1.7B-Base: unduhan BF16 dengan kode pemodelan khusus dan trust_remote_code. Qwen3.8-27B: bobot Apache-2.0 yang berjalan di Transformers, vLLM, SGLang, dan TokenSpeed.

• Batas bawah memori — LFM3-1.7B-Base: sekitar 1 GB pada 4-bit, menurut Liquid. Qwen3.8-27B: kira-kira 55 GB dalam BF16, jadi butuh mesin multi-GPU atau kuantisasi agresif.

• Lisensi — LFM3-1.7B-Base: LFM Open License v1.0, penggunaan komersial untuk pendapatan tahunan di bawah $10M. Qwen3.8-27B: Apache 2.0, tanpa syarat pendapatan.

• Harga tercantum — LFM3-1.7B-Base: tidak ada harga per token untuk layanan hosted yang dipublikasikan. Qwen3.8-27B di OrcaRouter: $0,33 input / $2,40 output per juta token; Qwen3.8-Flash: $0,15 / $0,47; Qwen3.8-Max: $2,00 / $6,00.

• Kecepatan teramati — LFM3-1.7B-Base: tidak ada pengukuran independen. Qwen3.8-27B di OrcaRouter: 91 token keluaran per detik selama tujuh hari terakhir; Qwen3.8-Flash: 157 token per detik.

Aritmetika yang menentukan hasilnya

Ambil beban kerja 100 juta token output per bulan. Di Qwen3.8-Flash, biayanya $47. Di Qwen3.8-27B melalui OrcaRouter, biayanya $240. Di Qwen3.8-Max, biayanya $600. Token input lebih murah di setiap tier, sehingga campuran yang realistis akan berada di suatu titik di bawah angka-angka tersebut, tetapi output mendominasi tagihan dan peringkatnya tidak berubah.

Sekarang bandingkan tagihan-tagihan itu dengan menjalankan LFM3-1.7B-Base sendiri. Pada 4-bit, model ini muat dalam sekitar satu gigabyte, yang berarti di perangkat keras yang mungkin sudah Anda miliki: laptop, ponsel terbaru, satu GPU kecil. Biaya marginal per token hanyalah listrik dan tidak ada yang lain, dan model tidak pernah meninggalkan perangkat. Lakukan perhitungan yang sama untuk Qwen3.8-27B dan gambaran pun berbalik: 100 juta token output per bulan dengan $2.40 per juta adalah $240, yang kira-kira setara dengan biaya sewa GPU kelas 24 GB selama sebulan pada sekitar $0.35 per jam. Self-hosting model 27B baru mulai mengalahkan harga hosted di suatu titik di atas 100 juta token output per bulan — dan perhitungan itu mengabaikan waktu engineering, unduhan 55 GB, dan fakta bahwa model 27B membutuhkan jauh lebih dari 24 GB setelah memperhitungkan KV cache.

Versi praktisnya: di bawah sekitar 100 juta token keluaran per bulan, tier Qwen3.8 yang dihosting menang dalam hal biaya total dan kesederhanaan operasional. Jika beban kerja Anda cukup kecil untuk muat di ponsel, LFM3-1.7B-Base menang karena meterannya tidak pernah mulai berjalan. Celah di antara kedua posisi itulah tempat sebagian besar penerapan nyata berada, dan ini adalah persoalan volume dan privasi, bukan tentang skor benchmark.

Di mana OrcaRouter cocok, dan di mana tidak

Ketiga tier Qwen 3.8 kini tersedia di katalog OrcaRouter, termasuk Qwen3.8-27B yang di-self-host di infrastruktur kami sendiri dengan harga $0,33 untuk input dan $2,40 untuk output per juta token, dengan konteks 262K, p50 time-to-first-token 2,37 detik, dan 91 token output per detik berdasarkan pengukuran selama minggu sebelumnya. Intinya adalah merutekan ketiganya di balik satu kunci yang kompatibel dengan OpenAI: default murah pada Qwen3.8-Flash, jalur eskalasi ke Qwen3.8-27B atau Qwen3.8-Max saat tugas membutuhkannya, dan failover otomatis jika salah satu upstream mengalami penurunan kualitas. Karena kami meneruskan harga daftar penyedia tanpa markup 0%, perubahan harga vendor langsung tercermin di tagihan Anda pada hari yang sama, bukan setelah siklus penetapan harga ulang.

LFM3-1.7B-Base tidak ada di katalog kami, dan kami tidak akan berpura-pura sebaliknya. Jika checkpoint dari Liquid adalah jawaban yang tepat untuk beban kerja Anda, rute saat ini adalah API dan playground milik vendor itu sendiri atau unduhan yang di-hosting sendiri. Yang masih bisa dilakukan router adalah menjaga keputusan itu tetap reversibel: letakkan model kecil di balik antarmuka yang sama dengan tier yang di-hosting, rutekan berdasarkan tugas atau biaya, dan pindahkan lalu lintas kembali ke model yang di-hosting ketika jalur yang di-hosting sendiri bermasalah.

Pilih berdasarkan pekerjaan, bukan berdasarkan skor.

Pilih LFM3-1.7B-Base ketika kendalanya adalah perangkat: operasi offline, ponsel atau laptop, model khusus domain yang ingin Anda post-train pada satu GPU, atau beban kerja yang konteks 256K dalam jejak 1 GB menjadi alasan utama Anda tertarik. Terimalah bahwa Anda membeli bahan mentah, bahwa lisensi memiliki batas pendapatan, dan bahwa belum ada evaluasi independen.

Pilih Qwen3.8-27B ketika pekerjaan membutuhkan visi, agen berhorizon panjang, atau kode yang benar-benar dapat dirilis, dan Anda memiliki perangkat keras atau anggaran untuk menjalankan 27B parameter. Pilih Qwen3.8-Flash ketika Anda menginginkan sebagian besar kemampuan produk tersebut dengan seperlima harga dan tidak perlu memiliki bobotnya. Pilih Qwen3.8-Max hanya ketika nilai tugas per token melebihi $6,00 keluaran.

Pertarungan di judul adalah ketidakseimbangan yang memang disengaja — sebuah checkpoint pre-trained 1,7B melawan model vision-language matang berukuran 27B — dan kesimpulan yang berguna bukanlah bahwa salah satunya lebih baik. Melainkan bahwa keduanya menjawab pertanyaan yang berbeda: seberapa sedikit perangkat keras yang bisa saya jalankan, versus seberapa besar kapabilitas yang bisa saya beli per token. Liquid telah merilis jawaban yang luar biasa terperinci untuk pertanyaan pertama. Alibaba telah menjual jawaban untuk pertanyaan kedua sejak Agustus.