LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Hanya Salah Satunya yang Bisa Berbicara

Tempatkan LFM3-Omni-2B dan Qwen3.8-Omni-Flashdi ruangan yang sama, dan perbedaan yang menentukan sebagian besar produk tidak ada di lembar benchmark. Keduanya menerima audio. Keduanya menerima video. Hanya satu di antaranya yang bisa menjawab secara bersuara. Model Alibaba mengembalikan teks dan tidak yang lain — dokumentasinya sendiri secara eksplisit menyatakan bahwa balasan bersuara memerlukan model lain dalam lini Qwen — sementara checkpoint 2,17 miliar parameter Liquid AI mengeluarkan ucapan 24 kHz secara langsung, atau menyelang-nyeling ucapan dan teks dalam satu respons.

Segala hal lain tentang pasangan ini adalah pelajaran tentang skala. Qwen3.8-Omni-Flash adalah model tertutup di API Alibaba sejak 18 September 2026, dibangun di atas mixture of experts 125 miliar parameter dengan sekitar 6 miliar parameter aktif, dan membawa konteks satu juta token. LFM3-Omni-2B berbobot terbuka, 2,17 miliar parameter, konteks 32K, dan diumumkan pada 27 Oktober 2026 sebagai salah satu dari enam model dalam postingan keluarga LFM3 — dengan repositorinya publik sejak 21 Oktober dan tidak memiliki postingan peluncuran sendiri. Yang satu Anda sewa per token; yang lain Anda unduh dan bayar lewat perangkat keras.

Kedua produk tersebut bukan produk yang sama.

Jika dipangkas sampai inti fungsinya masing-masing, Qwen3.8-Omni-Flash adalah mesin pemahaman dengan jendela yang sangat besar: mentranskripsikan, merangkum, bernalar lintas media berjam-jam, memanggil alat, dan mengembalikan teks. LFM3-Omni-2B adalah endpoint percakapan yang kebetulan bisa melihat dan mendengar: ia menerima pertanyaan lewat suara, melihat satu frame, dan menjawab dengan suara, di perangkat.

Konsekuensinya adalah bahwa membangun asisten suara di Qwen3.8-Omni-Flash berarti membangun dua tahap tambahan — pengenalan ucapan saat masuk, sintesis saat keluar — dan membayar untuk tiga model padahal Liquid menagih Anda untuk satu. Membangun penganalisis rapat dua jam di LFM3-Omni-2B berarti memberinya masukan dalam potongan-potongan, karena jendela 32K bukanlah audio satu jam dan Liquid tidak memublikasikan rasio audio-ke-token yang memungkinkan Anda menghitung batasnya sebelum mencobanya.

Konteks adalah celah terlebar di lembar tersebut

• Konteks — Qwen3.8-Omni-Flash 1M token, dengan input maksimum sekitar 991K dan output hingga 131K; LFM3-Omni-2B 32K token mencakup input dan output secara bersamaan.

• Batasan media — Alibaba mendokumentasikan hingga tiga jam audio dan dua jam video dalam satu permintaan, dengan input audio dalam 113 bahasa dan dialek; Liquid mendokumentasikan audio mono 16 kHz dan video yang disampel pada 2 frame per detik, 4 hingga 384 frame.

• Keluaran — hanya teks terhadap teks, ucapan 24 kHz, atau teks dan ucapan yang berselang-seling.

• Skala — campuran pakar 125B dengan sekitar 6B aktif, di-hosting, dibandingkan dengan 2.17B dense yang berjalan di ponsel.

• Bobot — tertutup versus terbuka, berdasarkan LFM Open License v1.0.

• Harga — $0.15 per juta token masukan, $0.016 untuk cache, $0.47 per juta keluaran untuk Qwen3.8-Omni-Flash; tidak ada harga per token untuk LFM3-Omni-2B karena tidak ada yang perlu diukur.

Konteks 1M bukanlah ornamen lembar spesifikasi. Itu adalah perbedaan antara "ringkas rapat ini" dan "ringkas rapat ini, lalu jawab pertanyaan tentang jam ketiga". Framing peluncuran Alibaba lebih berupa tagihan daripada skor: 98% lebih murah per jam input audio dibandingkan Qwen3.5-Omni-Plus, 93% lebih murah per jam audio-video, angka yang diperoleh dengan menghitung harga sampel dua menit lalu mengalikannya. Penghematannya nyata, dan itu juga aritmetika milik vendor sendiri.

Apa yang sebenarnya dibeli oleh uang

Dengan tarif $0,15 untuk input dan $0,47 untuk output, satu jam transkripsi cukup murah sehingga sebagian besar tim berhenti memodelkannya. Itulah inti dari pemotongan harga, dan itu adalah argumen terkuat untuk menyewa: biaya marginal sebuah permintaan hampir nol dan GPU dimiliki oleh pihak lain.

LFM3-Omni-2B membalik kurva. Bobotnya gratis, biaya marginal per permintaan adalah baterai pengguna Anda, dan biaya tetapnya adalah waktu rekayasa untuk mengirim model 2.17B ke dalam aplikasi. Jika Anda sudah memiliki tim mobile, itu bukan angka yang besar. Jika tidak, itu adalah keseluruhan proyek.

Di sinilah router membuktikan perannya, bukan sekadar menjadi slogan. Model teks keluarga Qwen3.8 sudah ada di katalog OrcaRouter dengan harga daftar tanpa markup 0%, yang berarti pemotongan harga dari vendor langsung aktif di sisi kami pada hari yang sama saat diterapkan; Qwen3.8-Omni-Flash sendiri tidak ada di katalog, dan LFM3-Omni-2B juga tidak. Yang diberikan katalog kepada Anda adalah kemampuan untuk mempertahankan bagian hosted dari sebuah hybrid — tugas batch audio panjang, cadangan saat ponsel offline — di balik satu kunci dan satu tagihan, dengan failover otomatis jika penyedia mengalami gangguan.

Tolok ukur: satu angka yang sama, dua harness

RealWorldQA adalah satu-satunya benchmark yang dilaporkan kedua kartu, dan selisihnya 21 poin: Qwen3.8-Omni-Flash pada 87,7, LFM3-Omni-2B pada 66,54 dalam mode visual dan 64,68 saat pertanyaannya diucapkan.

Jangan menafsirkan itu sebagai kekalahan dengan kondisi yang sebanding. Angka 87,7 milik Qwen diukur oleh Alibaba pada model 125B dengan anggaran penalaran; angka Liquid diukur oleh Liquid dengan penguraian greedy dan templat obrolan milik masing-masing model, dan varian lisan Liquid menyuapkan pertanyaan sebagai audio, bukan teks. Nama tolok ukur sama, kondisi berbeda, kelas model berbeda. Kesimpulan arahnya aman — model yang dua puluh kali lebih besar, dengan pemikiran diaktifkan, seharusnya lebih baik dalam menjawab pertanyaan visual — tetapi besarnya bukanlah pengukuran apa pun.

Sisa setiap kartu tidak dibagikan. Qwen3.8-Omni-Flash melaporkan LiveCodeBench v6 sebesar 92,6, GPQA Diamond 91, SpotSoundBench 67,2, WildClawBench-MM 71,0, dan OmniVideoBench 67,8. LFM3-Omni-2B melaporkan Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40, dan skor tool-calling sebesar 52,20. Tumpang tindih antara daftar-daftar tersebut hampir kosong, yang memang seperti yang diharapkan dari dua model yang dibangun untuk pekerjaan berbeda — dan menjadi pengingat bahwa tidak satu pun vendor telah menerbitkan evaluasi independen.

Latensi, dan round trip yang tidak dihitung oleh siapa pun

Model omni yang di-hosting memiliki perjalanan pulang-pergi jaringan di depan setiap jawaban dan antrean di belakangnya. Untuk pekerjaan batch, hal itu tidak terlihat. Untuk percakapan, itulah perbedaan antara produk yang terasa hidup dan produk yang terasa seperti pengiriman formulir.

Keunggulan LFM3-Omni-2B di sini bersifat struktural, bukan terukur: audio tidak pernah meninggalkan perangkat, modelnya 2,17B, dan outputnya adalah token ucapan yang dihasilkan dalam proses yang sama dengan teks. Tidak ada panggilan ASR, tidak ada panggilan sintesis, dan tidak ada orkestrasi di antara keduanya. Apakah itu mengalahkan endpoint hosted yang diprovisioning dengan baik dalam hal latensi waktu aktual adalah pertanyaan empiris yang belum dijawab Liquid — Liquid tidak menerbitkan angka latensi apa pun, dan tidak ada pengujian independen.

Pernyataan yang jujur adalah bahwa jalur lokal menghilangkan tiga mode kegagalan (unggah, antrean, unduh) dan menambahkan satu (ponsel yang mengalami throttling termal).

Siapa yang harus memilih yang mana

Pilih {{1}}Qwen3.8-Omni-Flash{{/1}} jika input Anda panjang, output Anda berupa teks, dan pengguna Anda tidak menunggu suara. {{2}}Transkripsi rapat, pemantauan media, analitik pusat panggilan, pencarian video, apa pun yang diuntungkan oleh jendela sejuta token dan anggaran penalaran{{/2}} — inilah kelas model yang dirancang untuk itu, dan harganya membuat keputusan menjadi mudah. Terima bahwa Anda menyewa, bahwa bobotnya tidak akan pernah menjadi milik Anda, dan bahwa antarmuka lisan berarti menambahkan model alih-alih mengonfigurasi satu.

Pilih LFM3-Omni-2B jika interaksinya dilakukan secara lisan dan perangkatnya adalah produknya. Model ini lebih kecil, melihat lebih sedikit, mengingat 32K alih-alih sejuta, dan lisensinya memiliki klausul pendapatan yang tidak dimiliki Apache 2.0. Sebagai gantinya, model ini satu-satunya dari kedua model ini yang dapat mengakhiri kalimat dengan suara.

Itulah inti pertukarannya, dan ini perlu dikatakan secara terang-terangan karena sebagian besar perbandingan antara kedua model ini menghabiskan sebagian besar isinya untuk membahas skor yang hanya salah satunya yang benar-benar berupaya diraih. Jika produk Anda berbicara, salah satu model ini dibangun untuk Anda dan yang lainnya tidak.