LFM3-1.7B vs Qwen3.8-Flash：比較すべきスコアボードがないとき

月間1,000万トークンを入力と出力で70/30に分けると、Qwen3.8-Flashでは、Alibabaの定価（100万トークンあたり$0.15と$0.47）で$2.46かかる。同じ量をLFM3-1.7Bで処理すると、報告されているホスト料率$0.08と$0.20が維持されるなら約$1.16かかり、セルフホストするならトークンあたり一切かからない。重みがオープンで、LFM Open Licenseが売上高1,000万ドル未満ではロイヤルティを求めていないからだ。これは、現在誰も相対的な品質を確定できない2つのモデル間の、料金メーター上の2倍の開きである。そのため、この比較はほとんどの「vs」ページよりもベンチマークの話ではなく、どのような形態のデプロイメントを買うのかという話になる。

この2つのモデルは、これ以上ないほど似ていない。LFM3-1.7Bは、Liquid AIが2026年10月27日にリリースした1.73Bのデンス型トライハイブリッドで、目の前のハードウェア上で専門的な処理を実行するためのものだ。Qwen3.8-FlashはAlibabaのスパースなMixture-of-Expertsで、はるかに大きなプールのうちトークンあたり約6Bパラメータがアクティブになり、2026年8月に1Mトークンのウィンドウと画像・動画入力に対応するホスト型ティアとして提供開始される。両者を知能スコアで比較するのは、配送バンと貨物列車を比べるようなものだ。有用な問いは、何をどれだけ遠くへ運ぶかだ。

相反する制約に最適化された2つのアーキテクチャ

LFM3-1.7Bの24層は、13個のゲート付き短畳み込み、256トークンウィンドウのスライディングウィンドウ注意層5層、グローバル注意層6層を組み合わせている。畳み込みは計算コストが低く並列化できる。少数のグローバル注意層が、256Kコンテキスト全体を到達可能に保つ。結果として、1.6 GBの128K KVキャッシュと、4ビットで約1 GBに収まるモデルになる。Liquidはこれを22兆の事前学習トークンで学習し、その後、エージェント軌跡とツール呼び出しに重点を置いた3.5兆トークンの中間学習を行った。

Qwen3.8-Flashはもう一方の選択肢を取る。スパース活性化とは、トークンごとに大規模なパラメータプールへ到達可能でありながら、そのすべてに対してコストを払う必要がないということで、Alibabaが、はるかに小さい密モデルと同じ価格帯のモデルで262Kのネイティブコンテキストを1Mまで拡張できるのはこの仕組みによる。テキスト、画像、動画を入力として受け取りテキストを返し、ツール呼び出しとJSON出力をサポートし、Qwen4系のアーキテクチャプレビューとして明確に位置づけられている。

・アクティブパラメータ — LFM3-1.7B は 1.73B の dense モデル、Qwen3.8-Flash はスパース MoE でトークンあたり約 6B。

• コンテキスト — オープンウェイトは256K、Liquidのホスト型APIは128K（ネイティブは262K）、ホスト型ティアは1M。

• 最大出力 — LFM3では個別に指定されていません（Qwen3.8-Flashは131K）。

• 入力モダリティ — テキストのみ 対 テキスト、画像、動画。

• 実行場所 — 1 GB の 4 ビットフットプリントでお使いのデバイス上、それに対して Alibaba のサーバー上。

• 重み — LFM Open License v1.0 の下でオープン vs ホスト型のみ、この SKU にはオープンなチェックポイントなし。

最後の行こそが、他のすべての見方を変える。Qwen3.8-Flashはあなたが所有するモデルではない。コミュニティライセンスの下にオープンウェイトの兄弟モデル、Qwen3.8-Flash-Nextが存在するが、それは異なるスコアを持つ別のチェックポイントであり、$0.15の料金で買えるものではない。LFM3-1.7Bはダウンロードするファイルだ。これらのうち一方はエアギャップ環境で運用でき、監査でき、自分のデータでファインチューニングできる。もう一方はできない。

片側では欠落し、もう片側では矛盾しているスコアボード

ここが居心地の悪いところだ。2026年10月28日時点で、LFM3-1.7BにはArtificial Analysisの項目がない。インテリジェンス・インデックスも、独立に測定された出力速度も、中立的なレイテンシ値もない。LFM3-1.7Bに付随する性能数値はすべてLiquid自身の27ベンチマーク表に由来し、そこでは平均49.37で、Liquid自身のLFM2.5-2.6Bを大差で上回っている。ベンダー報告であり、再現されていない。

Qwen3.8-Flashには確かにArtificial Analysisのエントリがあり、それを読むことは間違った理由で参考になる。公開中の比較ページではIndex 40と表示されている。レビューや地域報道を含む複数の二次記事は、同じモデルを56と報告している。出力速度の数値も一致していない。毎秒50トークン台前半から80トークン台前半の数値が各情報源に現れる。一方を選んで事実として提示するつもりはない。なぜなら、二つの数値が同じ評価実行を同時に説明することはできず、その差は調達判断を変えるほど大きいからだ。

実際的な帰結として、どちらのモデルも品質面で他方とまったく自信をもって順位づけすることはできない。一方には、どこで読むかによって16ポイントも動く数値があり、もう一方には動くべき独立した数値すらない。「どちらがより賢いか」についてこれらの入力から判定を下してくる人は、それをでっち上げているにすぎない。比較できるのはその他すべてだ。モデルのコスト、動作する場所、応答の速さ、そして失敗したときに何が起こるかである。

メーターは、作動した

コストは双方が実際に測定できる軸なので、トークン単位の一覧以上の価値があります。

• Qwen3.8-Flash の定価 — 入力100万トークンあたり$0.15、出力100万トークンあたり$0.47、キャッシュ読み取り$0.018、キャッシュ書き込み$0.230。

• LFM3-1.7B ホスト版 — 入力100万トークンあたり$0.08、出力100万トークンあたり$0.20と報告されているが、Liquid自身の料金表には掲載されていない。

• LFM3-1.7B セルフホスト — トークンごとのコストなし。LFM Open License は年間収益1,000万ドル未満であればロイヤリティフリーです。

月間1,000万トークンを70/30の比率で利用すると、Qwen3.8-Flashの請求額は$2.46です。安定したシステムプロンプトでプロンプトキャッシュを有効にすると、$2.00程度まで下がります。キャッシュからの読み取りコストは新規入力のおよそ8分の1だからです。LFM3-1.7Bは、報告されている料金では同じ利用量で約$1.16となり、セルフホスティングではトークンあたりの課金はゼロで、それに加えて固定のマシンコストがかかります。

規模を拡大しよう。月10億トークンでは、差は246ドル対116ドルだ。絶対額ではまだ小さい——そしてそこが、こうした比較でたいてい見失われる要点だ。安価なホスト型ティアと安価なセルフホスト型モデルの間のトークン単価の差は、ほとんどのチームにとってノイズにすぎない。実際に支配的なコストはエンジニアリング時間だ。ホスト型モデルはHTTP呼び出しだが、セルフホスト型はデプロイ、量子化の選択、サービングスタック、オンコール体制を伴う。LFM3の2倍の価格優位は、それに見合うものでなければならない。2Bモデルをスマートフォンやエッジボックスで動かすなら、明らかに見合う——デバイス上で動くホスト型の代替などそもそも存在しない。分類呼び出しを処理するバックエンドサービスなら、通常は見合わない。

それぞれがどれだけ速く応答するかを、片側に実際の数値を示して

こちらが、ベンダーのデータよりも自社データの方が優れている点です。OrcaRouterはQwen3.8-Flashをルーティングしており、過去7日間、これを提供する各プロバイダーにまたがる当社のテレメトリでは、TTFT（最初のトークンまでの時間）のp50が4.82秒、p95が10.00秒、出力速度が毎秒155トークン、8億8,370万トークン全体でのエラー率が3.3%となっています。これらは単一エンドポイントのラボテストではなく、ルーティング層からの集計値です。だからこそ、スループットが他で公表されている50台前半の数値よりも高く出ているのです。リクエストは、キャパシティが存在する場所に届けられます。

4.82秒というp50は、心に留めておくべき数字だ。チャットインターフェースならそれで問題ない。逐次呼び出しを15回行うエージェントなら、何か作業が始まるまでに1分待つことになり、毎秒トークン数がどれだけ高くてもそれは解決しない。大規模な疎モデルにおける高い初回トークン遅延は、安価なティアの隠れたコストであり、一部のチームが短く遅延重視のターンをより小さいものにルーティングする理由でもある。

LFM3-1.7Bには同等の測定値がない。Liquidの速度主張は、Q4_0かつ32Kコンテキストで、3台のテストデバイス上、最も低いメモリ使用量で、次に速いモデルより1.8～2.8倍高速だったというものだ。また、BF16でSGLangを実行する単一のNVIDIA B300が、1,024件の同時リクエストで1日あたり36億トークンを処理したという。これらはそれぞれオンデバイスとシングルノードの数値であり、どちらも「フランクフルトからだと自分のp50はどうなるのか」には対応しない。速度は、LFM3の主張が原則として最も強く、実際には最も検証しにくい軸である。

それぞれが実際に優位に立つ点

LFM3-1.7Bは、エッジでの制御性とコストの面で優位に立つ。オープンウェイトであれば、単一GPUでファインチューニングし、バージョンを固定し、ネットワークなしで実行し、データをデバイス上に保持できる。指示追従の数値はLiquidの表の中でも際立っており、IFEval 96.66、IFStruct 93.72、Multi-IF 89.10となっている。ツール呼び出しの行もこのサイズにしては堅実で、BFCL V4が71.39、ToolSandboxが80.36だ。弱い行も同じくらい明確で、Terminal-Bench 2.1が12.92、SWE-bench Multilingualが23.00という数値は、これが自律型コーディングモデルではないことを示しており、Liquid自身のモデルカードもそう述べている。

Qwen3.8-Flashは対応範囲で勝る。画像・動画入力に対応する100万トークンのウィンドウは、LFM3がどの形態でも持たない能力だ。テキストモデルは画像を一切受け付けず、ビジョン版はコンテキストウィンドウを公表しておらず、オムニ版のウィンドウは文書化されていない。長い契約書、複数のスクリーンショット、あるいは1時間分のフレームを取り込むワークロードでは、比較は即座に決着する。運用の簡便さでも勝る。単一エンドポイント、GPU不要、デプロイ不要。

両方をルーティングする、それが要点だ

Qwen3.8-Flash は OrcaRouter のカタログに掲載されており、LFM3-1.7B は掲載されていません。この一文が、このセクションの正直な全体像です。ホスト型モデルはプロバイダーの定価でマークアップ0%でルーティングしているため、Alibaba の $0.15 と $0.47 がそのままお支払い額となり、ベンダーの価格変更は次回の契約更新時ではなく当日に反映されます。LFM3 はご自身で実行するか、Liquid 自身の API で呼び出してください。存在しないホスティング関係をほのめかすつもりはありません。

この特定の組み合わせでルーティングが重要になるのは、2つのモデルが異なる失敗モードを抱えているからです。Qwen3.8-Flash は、1Mトークンのコンテキストを必要としないターンで遅く高コストになるという形で失敗します。LFM3 は、コンテキストを必要としたターンで推論の深さが不足して失敗します。すべてのリクエストをどちらか一方に送るパイプラインは、予測可能な方向に間違っています。routing DSLを使えば、抽出、分類、短いツール呼び出しのターンは小規模ローカルモデルに送り、長文書とマルチモーダルの作業はホスト型ティアに残し、小規模モデルが不正な形式のものを返すケースは自動フェイルオーバーでカバーできます。これは、検証されていない1.7Bでは現実的な懸念です。

また、LFM3がローンチ時の表で求めている信頼に値するかどうかを知るための最も安価な方法でもあります。すでに理解しているトラフィック上で、フォールバックの背後で実行し、同じ入力に対する判断をホスト型モデルの判断と比較してください。不一致率は、あなたのデータで測定されるため、どのベンダーのベンチマークよりも優れた品質シグナルです。

偽りの評決のない決定

長文書、画像、動画を扱う作業の場合、単一のエンドポイントでインフラが不要な場合、または最初のトークンまでのp50が5秒近くでも許容できる場合は、Qwen3.8-Flashを選んでください。その品質は不確かですが、少なくとも製作者以外の誰かが測定可能であり、その1Mコンテキストは1.7Bモデルでは代替できないものです。

モデルをデバイス上で動かす必要がある場合、データをネットワーク外に出せない場合、ファインチューニングする予定がある場合、またはワークロードが短い指示追従とツール呼び出しのターンで、1 GB の 2B モデルで本当に十分な場合は、LFM3-1.7B を選んでください。Liquid のベンチマーク表を鵜呑みにしていること、また最初の1か月はホスト型モデルよりも多くの計測が必要になることを受け入れてください。

すべきでないのは、知能の面で両者を選び分けることだ。一方には独立したスコアがなく、もう一方のスコアは、どのページを開くかによって40にも56にも読める。そして、その2つの読み取り値の間にある16ポイントの差は、どちらのベンダーが売り込もうとしている品質差の全体よりも大きい。コスト、コンテキスト、モダリティ、ローカリティは確定した事実だ。品質はそうではない。そうでないふりをした比較は、ベンダー名を削り取っただけのローンチ表にすぎない。