LFM3-1.7B-Base vs Qwen 3.8: classe di peso sbagliata, domanda giusta

La risposta onesta è che LFM3-1.7B-Base non compete con Qwen3.8-27B, e non è mai stato pensato per farlo. Poni la domanda nel modo giusto e si ottengono tre diversi modelli Qwen: il modello visione-linguaggio 27B a pesi aperti che Alibaba ha pubblicato in agosto 2026, il modello hosted Qwen3.8-Flash a 0,15 $ per milione di token di input e 0,47 $ per milione di output, e Qwen3.8-Max a 2,00 $ e 6,00 $. Il nuovo checkpoint da 1,73B di Liquid è materiale grezzo pre-addestrato per un telefono, un laptop o un'esecuzione di fine-tuning; la linea Qwen è una famiglia di prodotti finiti. Il confronto utile non è chi ottiene punteggi più alti. È quale perimetro di deployment si sta effettivamente acquistando.

Quella impostazione spiega anche perché questo confronto non abbia ancora una copertura seria. Non c’è nulla su cui basare un benchmark: da un lato c’è una tabella del fornitore con 27 righe, dall’altro nessuna valutazione pubblicata. Quindi questo articolo fa il confronto nell’unico ordine che regge il contatto con i fatti — cosa offre ciascuna parte, quanto costa gestirla e cosa ti è consentito farne.

Tre Qwen 3.8s, tre acquisti diversi

Qwen3.8-27B è l'opzione open-weight. Alibaba l'ha pubblicato in agosto 2026 con licenza Apache 2.0 e da allora ha accumulato più di 7,5 milioni di download. È un modello causale denso da 27B con un codificatore visivo, 64 livelli in una disposizione 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN) e un contesto nativo di 262.144 token che, secondo Alibaba, si estende fino a 1.000.000. Comprende immagini e video, dispone del controllo del pensiero e punta esplicitamente a lavori agentici a lungo orizzonte.

Qwen3.8-Flash è il livello hosted che la maggior parte dei team valuterà per primo sotto il profilo dei costi. Nel catalogo di OrcaRouter è un modello con contesto da 1M che supporta input testuali, immagini e video, con un tetto massimo di output di 131K e tariffe di $0,15 per l'input e $0,47 per l'output per milione di token. La sua pagina del modello riporta la data di pubblicazione al 26 agosto 2026 e registra 157 token di output al secondo nell'ultima settimana.

Qwen3.8-Max è il top di gamma: 2,00 $ per l'input e 6,00 $ per l'output ogni milione di token, contesto da 1M e nessun peso aperto. È il livello che usi quando il compito giustifica un prezzo di frontiera, non il livello con cui confronti un checkpoint base da 1,7B.

Cosa include effettivamente LFM3-1.7B-Base

Liquid ha creato il repository LFM3-1.7B-Base il 26 ottobre 2026 e ha annunciato la famiglia il giorno successivo. Il checkpoint è solo testuale, con 1,73 miliardi di parametri, 24 strati di convoluzioni corte con gating e attenzione completa o a finestra scorrevole, un contesto di 256K token, un vocabolario di 128.000 token, 16 lingue indicate e un uso di memoria di circa 1 GB con precisione a 4 bit. È stato addestrato su 22 trilioni di token; gli ultimi 3,5 trilioni sono dati di mid-training che comprendono tracce agentiche e chiamate agli strumenti e includono l'estensione del contesto.

Ciò con cui non viene fornito è un punteggio. La scheda del modello base non include una tabella di valutazione, numeri di recupero del contesto né confronti con qualsiasi altro modello. Ogni cifra nel blog di lancio di Liquid — la media di 49.37, LiveCodeBench v6 a 73.46, SWE-bench Verified a 43.40, GPQA Diamond a 63.37, IFEval a 96.66 — appartiene a LFM3-1.7B dopo fine-tuning supervisionato, apprendimento per rinforzo, distillazione on-policy e RL agentico. Sono numeri reali e Liquid li riporta onestamente come propri, ma descrivono il modello finito, non il checkpoint di base il cui nome è in questo titolo.

La licenza è la LFM Open License v1.0. Concede diritti commerciali solo finché il licenziatario resta sotto i 10 milioni di dollari di fatturato annuo; al di sopra di tale soglia l'opera non è concessa in licenza nell'ambito dell'accordo e richiede un'intesa separata. Quella singola clausola eliminerà LFM3-1.7B-Base da molte liste ristrette prima ancora che qualcuno vi faccia passare un token.

Perché il divario nel benchmark non può essere colmato con l'aritmetica

La tentazione è quella di allineare i numeri del fornitore relativi a Qwen3.8-27B a quelli del fornitore relativi a Liquid e dichiarare un vincitore. Resisti, perché le due tabelle non misurano le stesse cose. Qwen riporta SWE-bench Pro 61,7, Terminal Bench 2.1 a 73,0, LiveCodeBench v6 a 90,3, GPQA Diamond 89,2 e HLE 30,8. Liquid riporta SWE-bench Verified 43,40, LiveCodeBench v6 73,46, GPQA Diamond 63,37 e HLE senza strumenti a 7,17. SWE-bench Pro e SWE-bench Verified sono benchmark diversi con difficoltà diverse; i conteggi dei parametri differiscono di un fattore 16; e una colonna descrive un modello chat post-addestrato mentre l'altra descrive un checkpoint di base che non è stato affatto post-addestrato.

C'è un numero che vale la pena prendere in prestito da fuori rispetto a entrambi i fornitori. La pagina del modello di OrcaRouter per Qwen3.8-27B riporta un Artificial Analysis Intelligence Index di 33,7 e un punteggio AA Coding di 68,1, valutati il 14 agosto 2026. Si tratta di una classifica indipendente, ed esiste per Qwen. Al 28 ottobre 2026, non siamo riusciti a trovare alcuna voce LFM3 su Artificial Analysis, quindi non c'è alcun contrappeso indipendente dall'altra parte. Chiunque oggi presenti un verdetto testa a testa sulle capacità di questi due modelli sta confrontando tabelle dei fornitori su harness incompatibili oppure inventando un numero.

L'inviluppo di distribuzione, fianco a fianco

• Parametri — LFM3-1.7B-Base: 1,73B, solo testo, 24 livelli. Qwen3.8-27B: 27B denso con un encoder visivo, 64 livelli.

• Contesto — LFM3-1.7B-Base: 256K token. Qwen3.8-27B: 262.144 nativi, estendibili a 1M; Qwen3.8-Flash e Qwen3.8-Max: 1M.

• Modalità di input — LFM3-1.7B-Base: testo. Qwen3.8-27B, Qwen3.8-Flash e Qwen3.8-Max: testo, immagine e video.

• Pesi — LFM3-1.7B-Base: download BF16 con codice di modellazione personalizzato e trust_remote_code. Qwen3.8-27B: pesi Apache-2.0 che funzionano in Transformers, vLLM, SGLang e TokenSpeed.

• Soglia minima di memoria — LFM3-1.7B-Base: circa 1 GB a 4 bit, secondo Liquid. Qwen3.8-27B: all'incirca 55 GB in BF16, quindi una macchina multi-GPU o una quantizzazione aggressiva.

• Licenza — LFM3-1.7B-Base: LFM Open License v1.0, uso commerciale al di sotto di 10 milioni di dollari di fatturato annuo. Qwen3.8-27B: Apache 2.0, nessuna condizione di fatturato.

• Prezzo di listino — LFM3-1.7B-Base: nessun prezzo per token pubblicato per l'hosting. Qwen3.8-27B su OrcaRouter: $0,33 input / $2,40 output per milione di token; Qwen3.8-Flash: $0,15 / $0,47; Qwen3.8-Max: $2,00 / $6,00.

• Velocità osservata — LFM3-1.7B-Base: nessuna misurazione indipendente. Qwen3.8-27B su OrcaRouter: 91 token di output al secondo negli ultimi sette giorni; Qwen3.8-Flash: 157 token al secondo.

L'aritmetica che lo decide

Prendiamo un carico di lavoro di 100 milioni di token di output al mese. Su Qwen3.8-Flash costa $47. Su Qwen3.8-27B tramite OrcaRouter costa $240. Su Qwen3.8-Max costa $600. I token di input sono più economici su ogni livello, quindi un mix realistico si colloca al di sotto di tali cifre, ma l'output domina la fattura e la classifica non cambia.

Confronta ora quei conti con l'esecuzione di LFM3-1.7B-Base in autonomia. A 4 bit entra in circa un gigabyte, il che significa hardware che potresti già possedere: un portatile, uno smartphone recente, una singola GPU di piccole dimensioni. Il costo marginale per token è l'elettricità e nient'altro, e il modello non lascia mai il dispositivo. Fai lo stesso calcolo con Qwen3.8-27B e il quadro si ribalta: 100 milioni di token di output al mese a 2,40 $ per milione fanno 240 $, che è all'incirca quanto costa noleggiare una GPU di classe 24 GB per un mese a circa 0,35 $ l'ora. L'hosting autonomo del 27B inizia a battere il prezzo dell'hosting solo oltre i 100 milioni di token di output al mese — e questo calcolo ignora il tempo di ingegneria, il download da 55 GB e il fatto che un modello da 27B richieda molto più di 24 GB una volta tenuto conto della KV cache.

La versione pratica: al di sotto di circa 100 milioni di token di output al mese, i tier ospitati di Qwen3.8 vincono sul costo totale e sulla semplicità operativa. Se il tuo carico di lavoro è abbastanza piccolo da stare su un telefono, LFM3-1.7B-Base vince perché il contatore non parte mai. Il divario tra queste due posizioni è dove si collocano la maggior parte delle distribuzioni reali, ed è una questione di volume e privacy, non di punteggi di benchmark.

Dove OrcaRouter è adatto, e dove non lo è

Tutti e tre i livelli di Qwen 3.8 sono oggi nel catalogo di OrcaRouter, incluso Qwen3.8-27B self-hosted sulla nostra infrastruttura a 0,33 $ in input e 2,40 $ in output per milione di token, con una finestra di contesto di 262K, un tempo al primo token p50 di 2,37 secondi e 91 token di output al secondo misurati nell'ultima settimana. Il punto è instradare tutti e tre dietro un'unica chiave compatibile con OpenAI: un default economico su Qwen3.8-Flash, un percorso di escalation verso Qwen3.8-27B o Qwen3.8-Max quando il task lo richiede, e un failover automatico se un upstream peggiora. Poiché trasferiamo i prezzi di listino dei provider senza alcun ricarico (0%), una variazione di prezzo del fornitore si riflette sulla tua fattura lo stesso giorno, anziché dopo un ciclo di riprezzamento.

LFM3-1.7B-Base non è nel nostro catalogo, e non abbiamo intenzione di far finta del contrario. Se il checkpoint di Liquid è la risposta giusta per il tuo carico di lavoro, oggi la strada è l'API e il playground del fornitore, oppure un download self-hosted. Quello che un router può ancora fare è mantenere quella decisione reversibile: mettere il modello piccolo dietro la stessa interfaccia dei tier ospitati, instradare per attività o per costo, e riportare il traffico su un modello ospitato quando il percorso self-hosted si comporta male.

Scegli in base al lavoro, non al punteggio

Scegli LFM3-1.7B-Base quando il vincolo è il dispositivo: funzionamento offline, un telefono o un laptop, un modello specifico per dominio che intendi post-addestrare su una singola GPU, oppure un carico di lavoro in cui un contesto da 256K in un'impronta di 1 GB è l'intero motivo per cui sei interessato. Accetta che stai acquistando materia prima, che la licenza ha un tetto di ricavi e che non esiste ancora alcuna valutazione indipendente.

Scegli Qwen3.8-27B quando il lavoro richiede capacità visive, agenti a lungo orizzonte o codice che possa davvero essere distribuito, e disponi dell'hardware o del budget per servire 27B parametri. Scegli Qwen3.8-Flash quando vuoi la maggior parte di quella superficie di prodotto a un quinto del prezzo e non hai bisogno di possedere i pesi. Scegli Qwen3.8-Max solo quando il valore per token dell'attività supera i $6,00 di output.

Il confronto nel titolo è un abbinamento impari per scelta progettuale — un checkpoint pre-addestrato da 1,7B contro un modello visione-linguaggio finito da 27B — e la conclusione utile non è che uno sia migliore. È che rispondono a domande diverse: su quanto poco hardware posso girare, rispetto a quanta capacità posso ottenere per token. Liquid ha pubblicato una risposta insolitamente dettagliata alla prima. Alibaba vende la seconda da agosto.