LFM3-Omni-2B 対 Qwen3.8-Omni-Flash：話せるのはどちらか一方だけ

同じ部屋にLFM3-Omni-2BとQwen3.8-Omni-Flashを置くと、多くの製品を左右する違いはベンチマークの表には載っていない。どちらも音声を受け付ける。どちらも動画を受け付ける。しかし、声に出して答えられるのは片方だけだ。Alibabaのモデルはテキストしか返さない——音声による応答にはQwenラインの別モデルが必要だと、同社のドキュメントにも明記されている——一方、Liquid AIの21.7億パラメータのチェックポイントは24kHzの音声を直接出力するか、1回の応答の中で音声とテキストを交互に織り交ぜる。

この2モデルを巡るその他の点は、規模の違いを如実に物語っている。Qwen3.8-Omni-Flashは、2026年9月18日以降AlibabaのAPIで提供されているクローズドモデルで、約60億がアクティブな1250億パラメータのMoEを基盤とし、100万トークンのコンテキストを備える。LFM3-Omni-2Bはオープンウェイトで、21.7億パラメータ、32Kコンテキストを持ち、2026年10月27日にLFM3ファミリーに関する投稿で6モデルの1つとして発表された——リポジトリは10月21日から公開されており、専用のローンチ投稿はない。一方はトークン単位でレンタルし、もう一方はダウンロードしてハードウェア費用を負担する。

その2つの製品は同じ製品ではありません。

それぞれの用途に絞って言えば、Qwen3.8-Omni-Flash は巨大なウィンドウを備えた理解エンジンだ。文字起こし、要約、数時間分のメディアにわたる推論、ツールの呼び出しを行い、テキストを返す。LFM3-Omni-2B は、たまたま見て聞くことができる会話型エンドポイントだ。音声で質問を受け、フレームを見て、デバイス上で音声で答える。

その結果、Qwen3.8-Omni-Flash で音声アシスタントを構築するということは、入力側の音声認識と出力側の音声合成というさらに2つの段階を構築し、Liquid なら1モデル分の課金で済むところを3モデル分の費用を払うことを意味する。LFM3-Omni-2B で2時間の会議アナライザーを構築するということは、チャンク単位で入力することを意味する。32K のウィンドウは1時間分の音声ではなく、Liquid は試す前に上限を計算できるような音声→トークン変換率を公開していないからだ。

コンテキストはシート上で最も大きなギャップです

• コンテキスト — Qwen3.8-Omni-Flash は100万トークン、最大入力は約991K、出力は最大131K。LFM3-Omni-2B は32Kトークンで、入力と出力を合わせてカバーします。

• メディアの上限 — Alibabaは、1回のリクエストで最大3時間の音声と2時間の動画を扱えると記載しており、音声入力は113の言語と方言に対応しています。Liquidは、16 kHzモノラルの音声と、毎秒2フレームでサンプリングされた4～384フレームの動画を記載しています。

• 出力 — テキストのみ、テキスト、24 kHz 音声、またはテキストと音声のインターリーブ。

• 規模 — 約6Bがアクティブな125Bの専門家混合モデルをホスト環境で動かすのに対し、2.17Bの密モデルをスマートフォンで実行する場合との比較。

• ウェイト — クローズド対オープン、LFM Open License v1.0 の下で。

• 価格 — Qwen3.8-Omni-Flash は入力100万トークンあたり$0.15、キャッシュ済み$0.016、出力100万トークンあたり$0.47。LFM3-Omni-2B にはトークン単位の価格がありません。計測する対象が何もないためです。

1Mコンテキストはスペック表の飾りではない。「この会議を要約して」と「この会議を要約し、さらに3時間目についての質問に答えて」の違いを生むものだ。Alibabaの発表の枠組みはスコアではなく請求額だった。音声入力1時間あたりQwen3.5-Omni-Plusより98%安く、音声動画1時間あたり93%安い。その数字は2分間のサンプルに価格を付けて掛け算して導かれたものだ。節約効果は現実のものだが、同時にベンダー自身の算術でもある。

そのお金で実際に買えるもの

入力$0.15、出力$0.47なら、1時間の文字起こしはほとんどのチームがコスト試算をやめてしまうほど安上がりだ。これこそが値下げの狙いであり、レンタルを選ぶ最大の根拠でもある。リクエストの限界コストはほぼゼロで、GPUは誰か他の人が持っているのだから。

LFM3-Omni-2Bはその曲線を反転させる。重みは無料で、リクエストあたりの限界コストはユーザーのバッテリーであり、固定コストは2.17Bモデルをアプリに搭載するまでのエンジニアリング時間だ。すでにモバイルチームがあれば、それは大きな数字ではない。なければ、プロジェクト全体になる。

ルーターが単なるスローガンではなく、その価値を発揮するのもまさにこうした場面です。Qwen3.8ファミリーのテキストモデルはすでにOrcaRouterのカタログに定価・マークアップ0%で掲載されているため、ベンダーが値下げを行えばその当日に当社側でも反映されます。Qwen3.8-Omni-Flash自体はカタログに掲載されておらず、LFM3-Omni-2Bも同様です。カタログが実際に提供するのは、ハイブリッド構成のホスト側——長尺音声のバッチジョブや、携帯電話がオフラインのときのフォールバック——を1つのキーと1つの請求にまとめ、プロバイダーが停止した場合には自動フェイルオーバーを効かせられることです。

ベンチマーク：共通する数値は1つ、ハーネスは2つ

両方のカードに記載されている唯一のベンチマークはRealWorldQAで、その差は21ポイントです。Qwen3.8-Omni-Flashは87.7、LFM3-Omni-2Bは視覚モードで66.54、質問が音声で出された場合は64.68です。

それを同条件の敗北として読んではいけない。Qwen の 87.7 は Alibaba が推論予算付きの 125B モデルで測定したものであり、Liquid の数値は Liquid が貪欲法（greedy decoding）と各モデル独自のチャットテンプレートを用いて測定したもので、その音声版は質問をテキストではなく音声として入力する。同じベンチマーク名でも、条件が異なり、モデルクラスも異なる。方向性としての結論は妥当だ——20倍大きいモデルで思考が有効なら、視覚的質問応答でより優れているはずだ——ただし、その規模は何かを測定した値ではない。

各カードの残りの部分は共有されていません。Qwen3.8-Omni-Flashは、LiveCodeBench v6で92.6、GPQA Diamondで91、SpotSoundBenchで67.2、WildClawBench-MMで71.0、OmniVideoBenchで67.8を報告しています。LFM3-Omni-2Bは、Daily-Omni 70.09、WorldSense 47.10、OmniBench 46.32、OmniBench speech 48.25、MMAR 51.40、およびツール呼び出しスコア52.20を報告しています。これらのリスト間の重複はほぼ皆無で、これは異なる用途向けに作られた2つのモデルから期待されることです。また、どちらのベンダーも独立した評価を公開していないことを思い起こさせるものでもあります。

レイテンシと、誰もコストを見積もらない往復

ホスト型のオムニモデルでは、すべての回答の前にネットワークの往復があり、その背後にはキューがあります。バッチ処理ではそれは見えません。会話では、それが生き生きと感じられる製品と、フォームの送信のように感じられる製品との違いになります。

LFM3-Omni-2Bのここでの利点は、測定値ではなく構造的なものだ。音声はデバイスの外に出ず、モデルは2.17Bで、出力はテキストと同じパスで生成される音声トークンである。ASR呼び出しも合成呼び出しもなく、両者の間のオーケストレーションもない。それが十分にリソースを割り当てたホスト型エンドポイントを実時間レイテンシで上回るかどうかは、Liquidがまだ答えていない実証的な問いである。レイテンシの数値は公表されておらず、独立したテストも存在しない。

正直に言えば、ローカル経路は3つの障害モード（アップロード、キュー、ダウンロード）を取り除く代わりに、1つ（熱でスロットリングを起こしているスマートフォン）を追加する。

誰がどれを選ぶべきか

入力が長く、出力がテキストで、ユーザーが音声を待っていないなら、Qwen3.8-Omni-Flash を選んでください。会議の文字起こし、メディア監視、コールセンター分析、動画検索——100万トークンのウィンドウと推論バジェットの恩恵を受けるものは何でも、このモデルクラスがそのために作られており、価格が決断を容易にします。あなたは借りているのであり、重みが自分のものになることは決してなく、音声インターフェースとは1つのモデルを設定するのではなくモデルを追加することを意味する、と受け入れてください。

インタラクションが音声で、デバイス自体が製品なら、LFM3-Omni-2Bを選んでください。より小さく、見える範囲も狭く、記憶できるのは100万ではなく32Kで、そのライセンスにはApache 2.0にはない収益条項があります。その代わり、この2つの中で文を声で終えられるのはこれだけです。

それがこの取引の全体であり、端的に言っておく価値がある。なぜなら、これら2つのモデルの比較の多くは、その大半を、片方だけがそもそも勝ちを目指していたスコアに費やしているからだ。あなたの製品が「話す」なら、このうち一方のモデルはあなたのために作られ、もう一方はそうではない。