LFM2.5-24B-A2B 対 Qwen3.8-27B：一方はダウンロード、もう一方は予算項目

まず、この大半を決める数字から始めよう。LFM2.5-24B-A2Bは、マシンに置いて手元に保持しておくファイルだ。Qwen3.8-27Bは、百万トークン単位で借りるモデルだ。Liquid AIは前者を2026年10月13日に、総パラメータ数240億、トークンあたり24.5億アクティブ、コンテキスト131,072トークンとして発表した。Alibabaは後者を2026年8月13日に、コンテキスト262,144トークンを持つdenseな270億パラメータの視覚言語モデルとして公開した。どちらもオープンウェイトだ。実際に動くエンドポイントにトークンあたりの価格が公表されているのは、そのうちの一方だけであり、それは小さい方ではない。

その非対称性こそが、この比較の核心だ。以下に並ぶもの——能力、ライセンス、コンテキスト、モダリティ——はすべて、あなたがハードウェアを買うのか、トークンを買うのかにかかっている。

それぞれが何であり、何を見ているのか

LFM2.5-24B-A2Bはテキスト専用の専門家混合（MoE）モデルだ。40層は、30個の二重ゲート付きショート畳み込みブロックと10個のグループ化クエリ注意層に分かれ、各ブロックに64エキスパート、top-4ルーティング、128,000トークンの語彙、16言語のサポートを備える。Liquidのローンチ投稿では事前学習が33兆トークンとされているが、同じリリースのHugging Faceモデルカードには36兆トークンと記載されている。ポストトレーニングパイプラインは、実際のハーネス内でのエージェント型強化学習で締めくくられ、ベンダー自身のガイダンスは、知識に関する質問に重みから答えさせるのではなく、モデルを検索やウェブ検索と組み合わせることだ。

Qwen3.8-27Bはまったく異なる形をしており、その形こそが要点だ。これは密なハイブリッドアテンション設計であり、64層の中で48層のGated DeltaNet線形アテンション層と16層のフルアテンション層が交互に配置され、隠れサイズは5,120、語彙は248,320トークンである。これこそが、そもそも262Kコンテキストを手頃なものにしている。テキスト、画像、動画を入力として受け取り、テキストを返す。この大部分が線形のバックボーンは、Ternary Bonsai 2 27Bのような圧縮ビルドが派生したのと同じ系統から受け継がれており、価値のどれだけがトレーニング実行ではなくアーキテクチャにあるかを示す有用なシグナルである。

一行でまとめると：Liquidのモデルはループ内でツールをルーティングして呼び出し、それをネットワークなしで行う。Qwenのモデルは、スクリーンショット、ドキュメント、動画といったものを眺め、およそ2倍のコンテキスト長でそれらについて推論する。どちらも他方の劣った版ではなく、両者は機能するシステムの異なる半分をそれぞれ担っている。

実際の数値として算出したコスト

ここで両者はまったく比較にならなくなる。だからこそ、形容詞を言い換えるのではなく、実際に計算してみる価値がある。

OrcaRouterでは、qwen/qwen3.8-27bは入力トークン100万個あたり$0.33、出力トークン100万個あたり$2.40で提供されています。初回トークンまでのp50時間は、7日間の測定で3.45秒です。月に2000万入力トークンと200万出力トークンというワークロード——小規模な社内ツール——の場合、$6.60＋$4.80、つまりおよそ$11.40です。インストールするものはなく、ウォームアップしておくものもなく、GPUの減価償却もありません。

LiquidのConsoleエンドポイントは入力100万トークンあたり$0.10、キャッシュ適用時は$0.05で、出力100万トークンあたり$1.00、開始クレジットは$2で、同じワークロードでも価格は$4未満に収まる。だが、そのエンドポイントは本当の意味での製品ではない。製品は重みであり、LFM2.5-24B-A2Bについて引用できるベンダー公表のファイルサイズ表は存在しない——量子化リポジトリはHugging Face上に兄弟として並んで公開されている。ベンダーが公表しているのは賭けの形だ。2.45BアクティブのMoEで、Apple M5 Max上では毎秒184トークン、AMD Ryzen AI Max+ 395上では114トークンで動作するという、いずれもベンダー報告値で未再現のものであり、どちらも多数の同時リクエストを処理するデータセンターGPU上では無意味だ。

損益分岐点はトークン数ではなく、利用率の問題だ。おおよそ継続的な高負荷を下回るなら、従量課金エンドポイントはコストで勝ち、レイテンシの下限で負ける。それを上回るなら、ダウンロードはコストで勝ち、運用で負ける——今やあなたはデプロイメント、そのアップグレード、そしてフェイルオーバー対応を自分で抱え込むことになる。それが判断のすべてであり、どちらのモデルが表で高いスコアを取るかとは何の関係もない。

コンテキスト、ライセンス、そして実際に異なる2つの点

• コンテキスト — 131,072トークン 対 262,144トークン。 Q​wen のウィンドウはスペック上では 2 倍の長さで、ほぼ線形のアテンション設計がメモリ上でそれを許容できる理由だ。Liquid は、131K ウィンドウについて、どの長さでも長文コンテキスト検索の数値を公表していない。これが、ベンチマークラウンドならすぐに埋められるであろう同社リリースにおける唯一のギャップだ。

• ライセンス — lfm1.0 対 Apache 2.0。 Apache 2.0 には収益トリガーも使用分野条項もありません。Liquid のライセンスは独自の条項を持つ独自の法的文書です。商業展開の前に自社の数字と照らし合わせて読み、この違いはモデルが大きくなっても縮まらないことに留意してください。

• モダリティ — テキストのみ 対 テキスト・画像・動画に対応。スクリーンショット、スキャンしたページ、動画のフレームがワークロードに含まれるなら、この行だけで比較は決着します。

• 指示追従 — IFEval 96.75、IFBench 74.69。Liquid 自身のローンチ表で最強の行であり、表中のどの列よりも上にある。求められるのが「この形式に毎回正確に従うこと」なら、LFM2.5-24B-A2B の方が公表された根拠はより強い。

• 知識とコーディング — LiquidのモデルはGPQA Diamond 74.42、SWE-Bench Verified 51.00。 LiquidはそれらをQwen3.6-35B-A3Bの83.69と66.20と比較し、どちらも負けている。その表にはQwen3.8-27Bとの比較はまったく存在せず、誰も2つのモデルを互いに対戦させていない。

それぞれが実際に属する場所

入力がテキストでない場合、ドキュメントが長い場合、または何かを運用するのではなく課金されたい場合は、Qwen3.8-27B を選びましょう。画像と動画を扱える 262K ウィンドウは、テキストを扱う 131K ウィンドウとはまったく異なる製品であり、Apache 2.0 ライセンスは、多くのチームがそうでなければ避けられなかった会話を不要にします。初回トークンまでの p50 3.45 秒は事実であり、コミットする前に自分の許容度と照らし合わせて測定する価値があります。27B dense クラスでこれほど高性能なモデルは高速ではなく、どのようなアーキテクチャ上の注記もそれを変えません。

LFM2.5-24B-A2B を選ぶべきなのは、マシンが制約条件になっているときだ。131K コンテキストと、自身の比較表で他をすべて上回る指示追従プロファイルを備えた 2.45B アクティブの MoE をローカルで動かせるのは大きな強みであり、Liquid が静的なツール呼び出しセットに対してではなくエージェントハーネス内で訓練する決断は、それが勝利する行に表れている。それがそうではないのは、文書アナリストやナレッジベースではないということであり、ベンダーも、ベンチマーク表を公開している同じ文書でそう述べている。

どちらかのベンダーの数表ではなく、自分のワークロードで決着をつけたいなら、served leg のほうが安上がりな実験です：qwen/qwen3.8-27bは上記の定価で当社のカタログに掲載されており、プロバイダー料金へのマークアップは0%です。また、同シリーズのサイズであるqwen/qwen3.8-flashとqwen/qwen3.8-maxも同じキーの背後で並んでいます。つまり、マシンを所有する価値があるかどうかを決める前に、あなたのタスクが実際に必要とする価格性能比のポイントを見つけられます。LFM2.5-24B-A2B は当社のカタログにはありません。Liquid 自身の Console とオープンウェイトがそれを入手するルートであり、ここにある記述から別のことを示唆してはなりません。

6か月後にこれに決着をつける問いは、どのモデルが勝つかではない。それは、コンテキスト長が大きくなるにつれてローカル実行層が持ちこたえられるかどうかであり——そしてその点について、Qwenの2倍長いウィンドウとLiquidの未測定のウィンドウが、誰もが持っている唯一の2つのデータ点である。

ライブモデルの停止や性能低下を当社のインシデントアーカイブで追跡し、どのルートが正常にフェイルオーバーしたかを確認できます。