LFM2.5-24B-A2B vs Qwen3.8-27B: 하나는 다운로드이고, 다른 하나는 예산 항목이다

이것의 대부분을 결정하는 숫자부터 시작하겠습니다. LFM2.5-24B-A2B는 기계에 올려두고 계속 보관하는 파일입니다. Qwen3.8-27B는 백만 토큰 단위로 임대하는 모델입니다. Liquid AI는 2026년 10월 13일 첫 번째 모델을 총 240억 개 파라미터, 토큰당 2.45B 활성 파라미터, 131,072토큰 컨텍스트로 발표했습니다. A​libaba는 2026년 8월 13일 두 번째 모델을 262,144토큰 컨텍스트를 갖춘 dense 270억 파라미터 비전-언어 모델로 공개했습니다. 둘 다 오픈 웨이트입니다. 이들 중 하나만 실제 작동하는 엔드포인트에 공개된 토큰당 가격이 붙어 있으며, 그것은 더 작은 쪽이 아닙니다.

그 비대칭성이 바로 이 비교입니다. 아래의 모든 것 — 역량, 라이선스, 맥락, 모달리티 — 은 당신이 하드웨어를 사는지 토큰을 사는지에 달려 있습니다.

각각이 무엇인지, 그리고 그것이 무엇을 보는지

LFM2.5-24B-A2B는 텍스트 전용 전문가 혼합(mixture-of-experts) 모델이다: 40개 계층이 30개의 이중 게이트 숏 컨볼루션 블록과 10개의 그룹화된 쿼리 어텐션 계층으로 나뉘고, 블록당 64개의 전문가가 top-4 라우팅으로 구성되며, 128,000개 토큰 어휘와 16개 지원 언어를 갖춘다. Liquid의 출시 게시물은 사전 학습을 33조 토큰으로 집계하지만, 같은 릴리스에 대한 Hugging Face 모델 카드는 36조라고 말한다. 포스트 트레이닝 파이프라인은 실제 하네스 내부의 에이전트형 강화 학습으로 끝나며, 공급업체 자체 지침은 모델이 가중치에서 지식 질문에 답하도록 하기보다는 검색 또는 웹 검색과 함께 사용하라고 권한다.

Qwen3.8-27B는 완전히 다른 형태를 지녔고, 바로 그 형태가 핵심이다. 이는 조밀한 하이브리드 어텐션 설계로, 64개 레이어에 걸쳐 48개의 Gated DeltaNet 선형 어텐션 레이어가 16개의 전체 어텐션 레이어와 교차 배치되어 있고, 히든 크기는 5,120, 어휘 크기는 248,320 토큰이다. 바로 이것이 262K 컨텍스트를 애초에 감당할 수 있게 해 주는 이유다. 텍스트, 이미지, 비디오 입력을 받아 텍스트를 반환한다. 이 대부분 선형인 백본은 Ternary Bonsai 2 27B 같은 압축 빌드가 파생된 것과 같은 계보를 이어받은 것으로, 가치의 얼마만큼이 학습 실행이 아니라 아키텍처에 담겨 있는지를 보여 주는 유용한 신호다.

한 줄 요약: Liquid의 모델은 루프 안에서 도구를 라우팅하고 호출하며, 이를 네트워크 없이 수행한다. Q​wen의 모델은 스크린샷, 문서, 동영상 같은 것들을 보고, 약 두 배나 긴 컨텍스트 길이에서 그것들에 대해 추론한다. 어느 쪽도 다른 쪽의 하위 버전이 아니다; 둘은 작동하는 시스템의 서로 다른 절반을 겨냥하고 있다.

실제 숫자로 계산한 비용

여기서부터는 둘을 전혀 비교할 수 없게 되므로, 형용사를 주고받기보다는 계산을 해보는 것이 좋다.

OrcaRouter에서는 qwen/qwen3.8-27b가 백만 입력 토큰당 $0.33, 백만 출력 토큰당 $2.40에 제공됩니다. 7일 동안 측정한 첫 토큰까지의 p50 시간은 3.45초입니다. 월 2,000만 입력 토큰과 200만 출력 토큰의 워크로드 — 소규모 내부 도구 — 는 $6.60 더하기 $4.80, 즉 약 $11.40. 설치할 것도, 예열해 둘 것도, GPU 감가상각도 없습니다.

Liquid의 Console 엔드포인트는백만 입력당 $0.10에 캐시 요금 $0.05, 백만 출력당 $1.00으로 실행되며, 시작 크레딧 $2가 제공되어 동일한 워크로드를 $4 미만으로 책정합니다. 하지만 그 엔드포인트는 사실상 제품이 아닙니다. 제품은 가중치이고, LFM2.5-24B-A2B에 대해 인용할 벤더 공개 파일 크기 표는 없습니다 — 양자화 리포지토리들은 Hugging Face에서 형제 리포지토리로 함께 배포됩니다. 벤더가 공개하는 것은 이 베팅의 형태입니다: Apple M5 Max에서 초당 184토큰, AMD Ryzen AI Max+ 395에서 114토큰으로 실행되는 2.45B 활성 MoE이며, 둘 다 벤더 보고 수치이고 재현되지 않았으며, 많은 동시 요청을 처리하는 데이터센터 GPU에서는 둘 다 무의미합니다.

손익분기점은 토큰 수가 아니라 활용도의 문제입니다. 대략 지속적인 고부하 이하에서는 종량제 엔드포인트가 비용에서는 이기고 지연 시간 하한에서는 집니다. 그 이상에서는 다운로드가 비용에서는 이기고 운영에서는 집니다. 이제 당신은 배포와 그 업그레이드, 그리고 장애 조치 대응까지 직접 책임지게 됩니다. 그것이 결정의 전부이며, 어느 모델이 표에서 더 높은 점수를 받는지와는 아무 관련이 없습니다.

맥락, 라이선스, 그리고 실제로 다른 두 가지

• 컨텍스트 — 131,072 토큰 대 262,144 토큰. Qwen의 윈도우는 문서상 두 배로 길며, 대부분 선형인 어텐션 설계 덕분에 메모리에서 이를 감당할 수 있다. Liquid는 131K 윈도우에 대해 어떤 길이에서도 장문맥 검색 수치를 공개하지 않았는데, 이는 벤치마크 라운드가 빠르게 메울 수 있는 자사 발표의 유일한 공백이다.

• 라이선스 — lfm1.0 대 Apache 2.0. Apache 2.0에는 매출 트리거도, 사용 분야 조항도 없습니다. Liquid의 라이선스는 자체 조건을 지닌 독자적인 계약 문서입니다. 상업적 출시 전에 귀사가 감당할 수치와 견주어 검토하시고, 모델이 커질수록 이 차이가 줄어들지 않는다는 점도 유념하십시오.

• 모달리티 — 텍스트 전용 대 텍스트, 이미지, 동영상 입력.워크로드에 스크린샷, 스캔한 페이지 또는 동영상 프레임이 포함된다면, 이 행 자체로 비교가 끝납니다.

• 지시 수행 — IFEval 96.75, IFBench 74.69. Liquid가 자체 출시 표에서 가장 강력하게 내세운 항목으로, 그 표의 모든 열을 앞선다. "이 형식을 매번 정확히 따르라"가 과제라면, LFM2.5-24B-A2B가 더 나은 공개 근거를 갖고 있다.

• 지식 및 코딩 — Liquid 모델의 GPQA Diamond 74.42와 SWE-Bench Verified 51.00. Liquid는 이를 Qwen3.6-35B-A3B의 83.69와 66.20에 비교하며 둘 다에서 뒤진다. 그 표에는 Qwen3.8-27B 비교가 전혀 없으며, 아무도 두 모델을 서로 맞붙여 실행한 적이 없다.

각각이 실제로 속하는 곳

입력이 텍스트가 아닐 때, 문서가 길 때, 또는 무언가를 직접 운영하기보다는 과금되기를 원할 때 Qwen3.8-27B를 선택하세요. 이미지와 비디오를 입력받는 262K 창은 텍스트를 입력받는 131K 창과는 확실히 다른 제품이며, Apache 2.0 라이선스는 대부분의 팀이 그렇지 않았다면 반드시 해야 했을 대화를 없애 줍니다. 첫 토큰까지의 3.45초 p2 시간은 실제이며, 도입을 확정하기 전에 자신의 허용치와 비교해 측정해 볼 가치가 있습니다 — 27B dense 클래스에 속한 이 모델은 빠르지 않으며, 어떤 아키텍처 설명도 그것을 바꾸지 못합니다.

기계가 제약 조건일 때는 LFM2.5-24B-A2B를 선택하세요. 131K 컨텍스트를 갖춘 2.45B 활성 MoE이면서 자체 비교 표의 모든 항목을 앞서는 지시 수행 프로필을 갖췄다는 것은 로컬에서 실행하기에 강력한 요소이며, 정적인 도구 호출 세트를 상대로 훈련하기보다 에이전트 하네스 안에서 훈련하기로 한 Liquid의 결정은 이 모델이 이기는 행에서 드러납니다. 이 모델이 아닌 것은 문서 분석기나 지식 기반이며, 벤더는 벤치마크 표를 게시하는 같은 문서에서 그렇게 말합니다.

양쪽 벤더의 표가 아니라 자신의 워크로드에서 판가름하고 싶다면, 서빙되는 쪽이 저렴한 실험입니다: qwen/qwen3.8-27b는 위의 정가로, 제공자 요금에 0% 마크업으로 우리 카탈로그에 있으며, 형제 크기인 qwen/qwen3.8-flash와 qwen/qwen3.8-max도 같은 키 뒤에 나란히 있습니다 — 따라서 기계를 소유할 가치가 있는지 결정하기 전에, 자신의 작업에 실제로 필요한 가격 대비 성능 지점을 찾을 수 있습니다. LFM2.5-24B-A2B는 우리 카탈로그에 없습니다; Liquid 자체 Console과 오픈 웨이트가 그것에 이르는 경로이며, 여기에서 달리 암시하는 것은 없어야 합니다.

6개월 뒤 이 문제를 판가름할 질문은 어느 모델이 이기느냐가 아니다. 그것은 컨텍스트 길이가 커져도 로컬 실행기 계층이 버티느냐이며 — 그리고 그 점에서 Qwen의 두 배 더 긴 윈도우와 Liquid의 측정되지 않은 윈도우가 사람들이 가진 유일한 두 데이터 포인트다.

실시간 모델 장애 및 성능 저하를 인시던트 아카이브에서 추적하고, 어떤 라우트가 정상적으로 페일오버되었는지 확인하세요.