LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Solo uno di loro può parlare

Metti LFM3-Omni-2B e Qwen3.8-Omni-Flash nella stessa stanza e la differenza che decide le sorti della maggior parte dei prodotti non è sulla scheda dei benchmark. Entrambi accettano audio. Entrambi accettano video. Solo uno dei due può rispondere ad alta voce. Il modello di Alibaba restituisce testo e nient'altro — la sua documentazione è esplicita sul fatto che le risposte vocali richiedono un modello diverso nella linea Qwen — mentre il checkpoint da 2,17 miliardi di parametri di Liquid AI emette direttamente parlato a 24 kHz, oppure intreccia parlato e testo in un'unica risposta.

Tutto il resto di questa coppia è un vero e proprio studio sulla scala. Qwen3.8-Omni-Flash è un modello chiuso sull'API di Alibaba dal 18 settembre 2026, costruito su un mixture of experts da 125 miliardi di parametri con circa 6 miliardi attivi, con un contesto di un milione di token. LFM3-Omni-2B è a pesi aperti, 2,17 miliardi di parametri, 32K di contesto, ed è stato annunciato il 27 ottobre 2026 come uno dei sei modelli nel post dedicato alla famiglia LFM3 — con il repository pubblico dal 21 ottobre e nessun post di lancio proprio. Uno si affitta a token; l'altro si scarica e si paga in hardware.

I due prodotti non sono lo stesso prodotto.

Ridotto all'essenziale, Qwen3.8-Omni-Flash è un motore di comprensione con una finestra enorme: trascrive, riassume, ragiona su ore di contenuti multimediali, richiama strumenti e restituisce testo. LFM3-Omni-2B è un endpoint conversazionale che, per l'appunto, vede e sente: riceve una domanda a voce, guarda un fotogramma e risponde a voce, su un dispositivo.

La conseguenza è che costruire un assistente vocale su Qwen3.8-Omni-Flash significa costruire altre due fasi — il riconoscimento vocale in ingresso, la sintesi in uscita — e pagare tre modelli dove Liquid te ne fa pagare uno. Costruire un analizzatore di riunioni di due ore su LFM3-Omni-2B significa alimentarlo a blocchi, perché una finestra da 32K non è un'ora di audio e Liquid non pubblica un rapporto audio-token che ti permetta di calcolare il limite prima di provarlo.

Il contesto è il divario più ampio sul foglio

• Contesto — Qwen3.8-Omni-Flash 1M token, con un input massimo di circa 991K e un output fino a 131K; LFM3-Omni-2B 32K token che coprono insieme input e output.

• Limiti dei media — Alibaba documenta fino a tre ore di audio e due ore di video in una singola richiesta, con input audio in 113 lingue e dialetti; Liquid documenta audio mono a 16 kHz e video campionato a 2 fotogrammi al secondo, da 4 a 384 fotogrammi.

• Output — solo testo rispetto al testo, parlato a 24 kHz, oppure testo e parlato interlacciati.

• Scala — una miscela di esperti da 125B con circa 6B attivi, ospitata, contro 2,17B densi in esecuzione su un telefono.

• Pesi — chiusi rispetto a open, ai sensi della LFM Open License v1.0.

• Prezzo — $0,15 per milione di token di input, $0,016 in cache, $0,47 per milione di output per Qwen3.8-Omni-Flash; nessun prezzo per token per LFM3-Omni-2B perché non c'è nulla da misurare.

Il contesto da 1M non è un ornamento da scheda tecnica. È la differenza tra "riassumi questa riunione" e "riassumi questa riunione, poi rispondi a domande sulla terza ora". L'inquadramento del lancio di Alibaba era più una bolletta che un punteggio: il 98% più economico per ora di input audio rispetto a Qwen3.5-Omni-Plus, il 93% più economico per ora di audio-video, cifre ottenute calcolando il prezzo di un campione di due minuti e moltiplicando. I risparmi sono reali e sono anche l'aritmetica dello stesso fornitore.

Cosa compra davvero il denaro

A $0.15 in ingresso e $0.47 in uscita, un'ora di trascrizione costa così poco che la maggior parte dei team smette di modellarla. È questo il senso del taglio di prezzo, ed è l'argomento più forte a favore del noleggio: il costo marginale di una richiesta è quasi zero e le GPU sono di qualcun altro.

LFM3-Omni-2B inverte la curva. I pesi sono gratuiti, il costo marginale per richiesta è la batteria del tuo utente, e il costo fisso è il tempo di ingegneria necessario per integrare un modello da 2,17B in un'app. Se hai già un team mobile, non è un numero elevato. Se non ce l'hai, è l'intero progetto.

È anche qui che un router si guadagna il suo posto invece di essere uno slogan. I modelli testuali della famiglia Qwen3.8 sono già nel catalogo di OrcaRouter a prezzo di listino con markup dello 0%, il che significa che un taglio di prezzo del fornitore è attivo dalla nostra parte lo stesso giorno in cui arriva; Qwen3.8-Omni-Flash stesso non è nel catalogo, e nemmeno LFM3-Omni-2B. Quello che il catalogo ti offre è la possibilità di mantenere la metà ospitata di un ibrido — il job batch per audio lunghi, il fallback quando un telefono è offline — dietro un'unica chiave e un'unica fattura, con failover automatico se un fornitore va giù.

Benchmark: un numero in comune, due harness

RealWorldQA è l'unico benchmark riportato da entrambe le schede, e il divario è di 21 punti: Qwen3.8-Omni-Flash a 87.7, LFM3-Omni-2B a 66.54 in modalità visione e 64.68 quando la domanda è pronunciata a voce.

Non interpretarlo come una sconfitta alla pari. Il punteggio di 87,7 di Qwen è stato misurato da Alibaba su un modello da 125B con un budget di ragionamento; i numeri di Liquid sono stati misurati da Liquid con decodifica greedy e con il template di chat proprio di ciascun modello, e la sua variante vocale fornisce la domanda come audio anziché come testo. Stesso nome di benchmark, condizioni diverse, classi di modelli diverse. La conclusione direzionale è solida — un modello venti volte più grande, con il ragionamento abilitato, dovrebbe essere migliore nella risposta a domande visive — ma l'entità non è una misura di nulla.

Il resto di ciascuna scheda non è condiviso. Qwen3.8-Omni-Flash riporta LiveCodeBench v6 a 92,6, GPQA Diamond a 91, SpotSoundBench 67,2, WildClawBench-MM 71,0 e OmniVideoBench 67,8. LFM3-Omni-2B riporta Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40 e un punteggio di 52,20 nel tool-calling. La sovrapposizione tra questi elenchi è quasi nulla, come ci si aspetterebbe da due modelli creati per compiti diversi — e un promemoria del fatto che nessuno dei due fornitori ha pubblicato una valutazione indipendente.

La latenza, e il round trip che nessuno prezza

Un modello omni ospitato ha un round trip di rete prima di ogni risposta e una coda dietro. Per le attività in batch è invisibile. Per una conversazione è la differenza tra un prodotto che sembra vivo e uno che sembra l'invio di un modulo.

Il vantaggio di LFM3-Omni-2B in questo caso è strutturale più che misurato: l'audio non lascia mai il dispositivo, il modello è da 2,17B e l'output è costituito da token vocali generati nello stesso passaggio del testo. Non c'è alcuna chiamata ASR, alcuna chiamata di sintesi, né alcuna orchestrazione tra le due. Se questo batta un endpoint ospitato ben provisionato sulla latenza wall-clock è una questione empirica a cui Liquid non ha risposto — non pubblica cifre di latenza e non esiste alcun test indipendente.

L'affermazione onesta è che il percorso locale elimina tre modalità di errore (caricamento, accodamento, download) e ne aggiunge una (un telefono che sta subendo un throttling termico).

Chi dovrebbe scegliere cosa

Scegli Qwen3.8-Omni-Flash se il tuo input è lungo, il tuo output è testo e i tuoi utenti non aspettano una voce. Trascrizione di riunioni, monitoraggio dei media, analisi dei call centre, ricerca video: qualsiasi cosa tragga vantaggio da una finestra da un milione di token e da un budget di ragionamento è esattamente la classe di modello per cui è stato costruito, e il prezzo rende la decisione facile. Accetta il fatto che stai noleggiando, che i pesi non saranno mai tuoi e che un'interfaccia vocale significa aggiungere modelli anziché configurarne uno.

Scegli LFM3-Omni-2B se l'interazione è vocale e il dispositivo è il prodotto. È più piccolo, vede meno, ricorda 32K invece di un milione, e la sua licenza ha una clausola sui ricavi che Apache 2.0 non ha. In cambio, è l'unico dei due che può terminare una frase con una voce.

Questo è l'intero compromesso, e vale la pena dirlo chiaramente perché la maggior parte dei confronti tra questi due modelli dedica la propria lunghezza a punteggi che solo uno dei due ha mai cercato di vincere. Se il tuo prodotto parla, uno di questi modelli è stato costruito per te e l'altro no.