LFM3 vs Qwen3.8-27B：指示追従では16倍のサイズ差が9%まで縮まる

LFM3-1.7B17.3億個のパラメータを搭載しています。Qwen3.8-27B277.8億個のパラメータを搭載し、さらにビジョンエンコーダーを備えています — 重みは16.1倍です。同じベンチマーク行に並べると、計算が破綻します。モデルがファインチューニングされたことのない制約に従えるかを試すIFBenchでは、両者の差は9パーセント未満です。Terminal-Bench 2.1では、5.6倍です。2つのモデル、1つの固定されたサイズ差、そして読む行次第で「なぜ大きい方にわざわざ金を払うのか」から「小さい方にはこれは到底できない」まで振れる結果。

その振れ幅が判断のすべてだ。これは小さなモデルが大きなモデルに追いつく話ではなく、大きなモデルが小さな仕事に無駄に使われる話でもない。これは、非常に一貫して、次の二者の間に引かれるタスク境界についての話だ：指示に従うことと計画を実行すること——そして、一定の売上高を超える企業で働く人にとって、価格比較の順序を静かに変えるライセンス条項についての話でもある。

これらがそれぞれ実際には何なのか

Liquid AIはLFM3ファミリーを2026-10-27に——これが書かれる前日——、共有のLFM3-1.7B-Baseバックボーンから分岐した約2Bクラスのオープンウェイトモデル6つとして発表した。LFM3-1.7Bはテキスト担当のモデルである。24層（13のゲート付きショート畳み込み、256トークンウィンドウのスライディングウィンドウアテンション5層、フルアテンション6層）からなるトライハイブリッドアーキテクチャで、22兆トークンで事前学習され、最後に3.5兆トークンの中間学習パス（エージェントのトレースとツール呼び出しを含む）を行った。重みはHugging Faceにあり、Ollamaは1.7 GBのダウンロードでlfm3:latestとして提供しており、ベンダー自身のモデルカードはエージェント型コーディングや複雑な多段階推論を推奨していない。この最後の一文はカード上の何よりも重要であり、これについては後で戻る。

Qwen3.8-27Bは新しいモデルではありません。Alibabaは重みを2026年8月中旬にApache 2.0の下で公開しました。公開から10週間が経ち、その間に、1日しか経っていないリリースには到底ない、ダウンロード、量子化、実際のユーザーからの報告を蓄積してきました。これは、Gated DeltaNetとGated Attention層の繰り返しブロックに基づく27.78Bのdenseモデルで、64層の深さを持ち、ネイティブの視覚・動画入力と、YaRNで1Mまで拡張される262,144トークンのコンテキストを備えています。思考はデフォルトで有効になっており、推論エフォート設定で調整できます。

この組み合わせについて正直に捉え方を示すと、重要な意味で非対称だ。一方のモデルにはベンダーのベンチマーク表があり、現場からの報告はない。もう一方には両方がある。以下でLFM3-1.7Bについて述べることは、あなたのワークロードについての主張ではなく、Liquid AIのテストスイートについての主張として扱ってほしい。

小型モデルが負けないスペックライン

パラメータを16倍にしても全く効果がない次元から始めましょう。サイズの差から想像されるよりも、そうした次元の数が多いからです。

• コンテキストウィンドウ — 両方ともネイティブで262,144トークン。LFM3-1.7Bは中間学習中にそこへ到達し、Qwen3.8-27Bはネイティブで搭載し、YaRNで1Mまで拡張します。

• 言語 — LFM3-1.7B では16言語が公表されている（英語、中国語、日本語、韓国語、アラビア語、ヒンディー語を含む）。Qwen3.8-27B は幅広い言語でトレーニングされており、目立った言語数の公表はない。

• モダリティ — LFM3-1.7B はテキスト入力・テキスト出力、Qwen3.8-27B はテキスト・画像・動画入力・テキスト出力です。ここが、27B が同じ作業の単なる大型版ではなく、カテゴリーの異なる作業を行っている唯一の箇所です。

• 4ビット時のメモリ — LFM3-1.7Bでは約1GB、Qwen3.8-27Bでは約14〜16GB。

• BF16でのメモリ使用量 — 3.46 GB 対 約56 GB。これはラップトップとマルチGPUマシンの違いです。

• ライセンス — LFM Open License v1.0 対 Apache 2.0。それはさておき。

双方とも256Kのコンテキストウィンドウというのが、本当に驚かされる一行だ。コンテキスト長はこれまでパラメータ数と連動してきたが、ここでは約1ギガバイトで動かせるモデルが、ワークステーションを要求するモデルと同じ名目上のウィンドウを提供している。その文では「名目上」が実際に重要な役割を果たしている——1.7Bモデルの256Kウィンドウは、その中から必要なものを見つけられてこそ有用であり、まさにそれを下の長コンテキストの行が試している。

16×のパラメータで9パーセントを得られるのはどこか

Liquidは27行のスイートを実行し、競合他社が勝る列も含めて全表を公開しました。両モデルが報告しているのはIFBenchであり、これは両ベンダーが報告する単一のベンチマークバージョンであるため、比較全体の中で最も条件を揃えた公平な行です。

LFM3-1.7Bは73.03を記録。Qwen3.8-27Bは79.5を記録。その差は6.5ポイントで、より大きなモデルのスコアの9%未満——しかも16.1倍小さいモデルでの話だ。「この雑然とした入力を取り込み、この正確なJSON形状を出力し、スキーマを決して壊さない」というのが主なワークロードにとって、その差はほぼノイズであり、デプロイ上の違いは1GB対16GBだ。

Liquid自身の表も、より近い競合に対して同じ点を示している。Qwen3.5-9B——LFM3-1.7Bの5倍のサイズのモデル——に対して、小さいモデルはIFBenchで24ポイント（73.03対48.84）、IFStructで4.5ポイント（93.72対89.20）、Multi-IFで4.7ポイント（89.10対84.44）勝っている。他に何が真実であれ、指示遵守はパラメータ数とともに滑らかにスケールする能力ではなく、よく訓練された1.7Bはその点で凡庸な9Bを打ち負かすことができる。

長文コンテキストに関する行はより曖昧で、Liquid に有利になるよう丸めるのではなく、率直に述べる価値がある。AA-LCR では LFM3-1.7B が 52.83 を記録しており、このサイズとしては実際に意味のあるスコアで、Qwen3.5-4B の 52.67 とほぼ同水準だ。RULER 128K では 65.56 で、MiniCPM5-2B の 37.96 を大きく上回る一方、Qwen3.5-9B の 87.11 には大きく及ばない。したがって 256K ウィンドウは飾りではないが、より大きなモデルのそれに匹敵するわけでもない。Qwen3.8-27B はその表にまったく登場しないため、この特定の組み合わせについて条件を揃えた長文コンテキストの数値は存在せず、ネイティブ 262K を備えた 27B が同じ公称ウィンドウの 1.7B を上回るという強い事前予想があるだけだ。

パラメータが16×で5.5倍をもたらす場合

では、モデルカードが警告していた行です。これらの行はすべて両ベンダーが報告しているベンチマークのバージョンなので、バージョンをまたいだ差し引きは行われていません。

• Terminal-Bench 2.1 — LFM3-1.7B が 12.92 であるのに対し、Qwen3.8-27B は 73.0。5.6倍の差。

• Humanity's Last Exam、ツールなし — 7.17 対 30.8。4.3倍の差。

• GPQA Diamond — 63.37 対 89.2。1.4×の差。

• LiveCodeBench v6 — 90.3に対して73.46。1.2倍の差。

そのリストの並び順こそが発見だ。差が最も小さいのは単発のコード生成で、そこではLFM3-1.7Bは16倍の規模のモデルを約19%下回る。最大なのはTerminal-Benchで、そこでの課題は「コードを書く」ことではなく「多くのステップにわたってマシンを操作し、自分の誤りから回復し、作業が終わったら止める」ことだ。それはまさにLiquid自身のカードがこのモデルに欠けていると述べている能力であり、数値もカードと一致している。GPQAとHLEでの差は知識であり、これはここで最も驚きの少ない結果だ——22Tトークンで訓練された1.7Bモデルは、より多くで訓練された27Bモデルより単に見てきた量が少なく、どれだけアーキテクチャを工夫しても補えない。

逆方向を示す行が1つあり、それはどちらのカードでも最も興味深い数字だ。AA-Omniscienceの公開スプリットでは、LFM3-1.7Bは精度7.07を記録し、非ハルシネーションは92.93だ。この2つの数値は、モデルが誤って答えるよりも、主に回答を控えることを意味する。これはLiquid自身の比較表の中で最も高い非ハルシネーション値であり、記載されているより大きなモデルすべてを上回っている。Qwen3.8-27BのHLEでの30.8は正反対の姿勢だ。より多くを知り、それを言い切っている。

パイプラインの障害モードが、自信を持った誤った値がデータベースに着地することなら、93%の確率で棄権するモデルは機能であり、精度の上限はその代償だ。パイプラインの障害モードが、値があるべき場所にnullが入ることなら、同じ挙動はバグだ。これはこの対決がかかっている中で最も鋭い一点であり、どの総合スコアにも捉えられない。

絶対に引いてはいけない3つの数字

この組み合わせに関する直接比較ページは、両ベンダーが公開するあらゆるベンチマークを並べたくなるだろう。だが、そのうち3つの項目は、方法論に照らすと通用しない。

SWE-bench. Liquidは、OpenCodeハーネスを用いたSWE-bench VerifiedでLFM3-1.7Bが43.40だと報告している。Alibabaは、Qwen3.8-27BがSWE-bench Proで61.7だと報告している。ベンチマークもハーネスもタスク分布も異なる。これら2つの数値の間にある18ポイントの差は、何かを測定した結果ではない。おおよその差の形を知りたいなら、両者が同じバージョンを報告しているTerminal-Bench 2.1を使うとよい。

あらゆる総合指標について言えることです。Artificial Analysisは、xhigh推論設定におけるQwen3.8-27BのスコアをIntelligence Indexで33.7と評価しています。2026-10-28時点で、Artificial AnalysisにはLFM3の項目がまったく存在しません。公開から1日しか経っていないリリースは独立した評価を受けておらず、正直に言えば、LFM3-1.7Bには独立して再現された数値がゼロです。この記事で同モデルに帰されているすべての数値——そして今週ほかのどこで語られている数値も——は、Liquid AIが自ら選んだベンチマーク上でLiquid AI自身のテストスイートから出たものです。

推論エフォート設定。Qwen3.8-27Bの公開スコアは、low、medium、xhigh、非推論モードの間で大きく変動する。33.7という指標はxhighの数値であり、非推論の数値は実質的にそれより低い。エフォート設定を明示せずにQwenの数値とLFM3の数値を並べる比較は、熟考型モデルと高速なモデルを比較し、その差をアーキテクチャと呼んでいるだけだ。

決着をつけるのは単純だ。同じ評価ハーネスで、明示されたエフォート設定において、LFM3-1.7Bを独立に実行することだ。理想的には、コミュニティが重みを数週間使った後で。それまでは、公平な要約はこうだ。ベンダー報告による指示追従の差は小さく、ベンダー報告による多段階実行の差は大きい。そして両方の主張は、同じ利害当事者から出ている。

ライセンスこそが実際の価格表示だ

ここが、小規模対大規模の比較における通常の結論を覆す部分です。

LFM3-1.7BはLFM Open License v1.0の下で提供されています。重みは無料でダウンロードでき、無料で実行できますが、年間収益が1,000万ドル以上の事業者については商用利用が除外されています。Qwen3.8-27BはApache 2.0の下で提供されており、収益に関する条件も、利用分野の制限も、別途の契約もありません。

2人規模のスタートアップにとって、計算は明らかだ。1ギガバイトに収まり、トークンあたりのコストがゼロで、すでに所有しているハードウェアで動くモデルは、ほぼ無料の昼食に近い。売上1,000万ドルを超える企業、つまり最適化する価値のある本番推論予算を持つほとんどの企業にとって、安価なモデルは無料ではなく、高価なモデルには間違いなくライセンスが付いている。予算向けの選択肢に見えるモデルこそ、法務の話が付いてくるモデルだ。

それはLFM3-1.7Bに反対する論拠ではない。ベンチマーク表を読む前にライセンスを読むべきだという論拠である。なぜなら、ライセンスはそのベンチマーク表をそもそも利用できるかどうかを決めるからだ。

それぞれを実際に実行するために必要なこと

LFM3-1.7Bは1行でインストールできます。Ollamaライブラリに lfm3:latest と lfm3:1.7b として公開されており、どちらもダウンロードサイズは1.7 GB、256Kコンテキストウィンドウが宣言され、Transformersで単一GPUのファインチューニングも可能です。Hugging FaceのリリースにはSFT、DPO、GRPO用のノートブックが含まれ、スマートフォンアプリ内の108個のツールから適切なものを選ぶようにモデルを訓練する実例も含まれています。データと同じマシン上で動く、小型で特化したファインチューニング済みの抽出器を目指すなら、これはダウンロードからデプロイまで本当に短い道のりです。

Qwen3.8-27Bは毛色の異なるプロジェクトです。BF16では約56 GBあるため、マルチGPU構成のマシンか積極的な量子化が必要になります。4ビットなら14～16 GBに収まり、ハイエンドの単一GPUや十分なスペックのラップトップで動作しますが、KVキャッシュによって実際のメモリ使用量はさらに増えます。Transformers、vLLM、SGLang、TokenSpeedで動作します。そうしたハードウェアを自前で用意したくない場合は、ホスト版が利用できます。OrcaRouterでは2社の上流プロバイダーが提供しており、1社目は入力100万トークンあたり0.33ドル、出力100万トークンあたり2.40ドル、2社目は0.40ドル／4.21ドルです。

この2プロバイダー間の価格差は、立ち止まって考える価値があります。これはプレスリリースではなく、実際のカタログを見たときにしか現れない類のものだからです。同じ重み、同じコンテキストウィンドウでありながら、2番目のプロバイダーでは出力が約75%割高です。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通すため、両方の価格を並べて確認でき、自動フェイルオーバーにより、プロバイダー側の一時的な不具合はユーザーに表面化するのではなく、自動的に迂回されます。小規模モデルから始まるパイプラインのエスカレーション経路としてQwen3.8-27Bを評価しているなら、そこが1つのキーの背後に置くことになるレッグです。

もう半分について明言しておくと、OrcaRouterはLFM3-1.7Bを提供していません。それは重みのダウンロードであり、実行するのは自前のハードウェア上の自分のエンドポイントです。この記事でそもそも私たちに言及する理由は、小さいモデルではなくエスカレーションの経路です。

誰がどれを選ぶべきか

その判断を実際に左右するのはベンチマークの表ではない。何かを実行する前に答えられる2つの問いだ。

LFM3-1.7Bを選ぶべきなのは、作業がシングルターンかつスキーマ拘束型 — 抽出、分類、ルーティング、構造化出力、オンデバイスのツール選択 — であり、データをデバイスの外に出せない場合です。ファインチューニングを予定している場合にも適しています。SFT/DPO/GRPOのパスが同梱され、シングルGPUの予算で済む1.7Bモデルなら、四半期がかりの仕事ではなく週末のプロジェクトになるからです。256Kのウィンドウ、16言語、そして回答を控える挙動は、いずれも同じユースケースを指し示しています。すなわち、狭く、大量で、プライバシーに敏感なコンポーネント — 誤った回答が無回答より悪く、自社が収益ラインを下回っているような領域です。

Qwen3.8-27B を選ぶべきなのはモデルが計画を立てなければならない場合です。マルチステップのエージェント、ターミナル作業、長期的なコーディング、モデルが十数回のツール呼び出しにわたって自身の誤りから回復しなければならないあらゆる場面——5.6× の Terminal-Bench ギャップはチューニングの問題ではなく、モデルカードが真実を伝えているのです。また、フォーマットよりも知識が必要な場合、視覚や動画の入力が必要な場合、Apache 2.0 が好みではなく要件である場合にも適切な選択です。

そして、正直な答えがあなたのパイプラインには2つの半分があるというものであるなら、両方を選びましょう。この組み合わせに合うパターンは、安価でローカルなスキーマ拘束型の第一パスと、第一パスが辞退したときに27Bへエスカレーションする経路です。これはまさに、93%の確率で棄権するモデルが示すように作られているシグナルです。そのアーキテクチャは、各モデルの最良の行を使い、どちらのモデルの最悪の行も使いません。

何がこの回答を変えるでしょうか

二つのことがあり、どちらも当てずっぽうに推測するより、注意深く見守る価値がある。

第一点は、LFM3-1.7Bの独立した評価です。上記の能力に関する主張はすべてLiquid AI自身のスイートに依拠しており、このファミリーのBaseチェックポイントはベンチマーク表を一切伴わずに提供されました。これは、このファミリーの数値がアーキテクチャの話ではなく事後学習の話であることを示しています。IFBenchとTerminal-Benchでの中立な実行は、本記事が述べるこの分裂を確認するか、解消するかのどちらかでしょう。

2つ目は、Liquidがこのバックボーン上でより大きなテキストモデルを投入するかどうかだ。比較全体は16倍のパラメータ差を前提に組み立てられており、指示追従の結果は、パラメータ数よりも学習レシピの方が大きく寄与していることを示唆している。中規模のLFM3が登場すれば、興味深い問いは「1.7Bは指示に従えるのか」ではなくなる——すでに従えるからだ——そして「このレシピは40億パラメータで何を成し遂げるのか」になる。

そのうちのどれかが起こるまでは、有用な要約はスコアボードよりも狭い。LFM3-1.7Bは計画を立てられない、本当に優れた指示追従モデルであり、Qwen3.8-27Bは会社を築けるライセンスを備えた、本当に優れた計画立案モデルである。両者の選択はベンチマークの問いではない。それは、その二つの文のどちらがあなたのワークロードを表しているかという問いである。