LFM2.5-24B-A2B vs Qwen3.8-27B: de een is een download, de ander is een regelpost

Begin met het getal dat het meeste hiervan bepaalt. LFM2.5-24B-A2B is een bestand dat je op een machine zet en houdt. Qwen3.8-27B is een model dat je per miljoen tokens huurt. Liquid AI kondigde het eerste op 13 oktober 2026 aan met 24,0 miljard totale parameters, 2,45 miljard actief per token en een context van 131.072 tokens; Alibaba publiceerde het tweede op 13 augustus 2026 als een dense vision-languagemodel met 27 miljard parameters en een context van 262.144 tokens. Beide zijn open-weight. Slechts één ervan heeft een gepubliceerde prijs per token gekoppeld aan een werkend endpoint, en het is niet de kleinere.

Die asymmetrie is de vergelijking. Alles hieronder — capaciteiten, licentie, context, modaliteit — hangt ervan af of je hardware koopt of tokens koopt.

Wat elk is, en wat het ziet

LFM2.5-24B-A2B is een mixture-of-experts voor alleen tekst: 40 lagen, verdeeld over 30 dubbel-gated korte-convolutieblokken en 10 grouped-query attention-lagen, 64 experts per blok met top-4-routing, een vocabulaire van 128.000 tokens en 16 ondersteunde talen. Liquid's launchbericht telt het pre-trainen op 33 biljoen tokens; de Hugging Face-modelkaart voor dezelfde release zegt 36 biljoen. De post-trainingspijplijn eindigt in agentische reinforcement learning binnen echte harnesses, en de eigen richtlijn van de leverancier is om het model te combineren met retrieval of webzoekopdrachten in plaats van het te vragen kennisvragen op basis van de gewichten te beantwoorden.

Qwen3.8-27B heeft een heel andere vorm, en die vorm is juist het punt. Het is een dense hybride-attentieontwerp — 48 Gated DeltaNet linear-attentionlagen, afgewisseld met 16 full-attentionlagen over 64 lagen, hidden size 5.120 en een vocabulaire van 248.320 tokens — en dat is precies wat een context van 262K in de eerste plaats betaalbaar maakt. Het accepteert tekst-, beeld- en video-invoer en geeft tekst terug. Die grotendeels lineaire backbone is geërfd uit dezelfde lijn waaruit een gecomprimeerde build als Ternary Bonsai 2 27B is afgeleid, wat een nuttig signaal is over hoeveel van de waarde in de architectuur zit in plaats van in de trainingsrun.

De versie in één zin: Liquids model routeert en roept tools aan binnen een lus, en doet dat zonder netwerk. Het model van Qwen bekijkt dingen — schermafbeeldingen, documenten, video — en redeneert erover bij een contextlengte die ongeveer twee keer zo lang is. Geen van beide is een mindere versie van de andere; ze zijn gericht op verschillende helften van een werkend systeem.

De kosten, uitgewerkt als een daadwerkelijk getal

Dit is het punt waarop de twee helemaal niet meer te vergelijken zijn, dus het loont de moeite om te rekenen in plaats van adjectieven uit te wisselen.

Op OrcaRouter wordt qwen/qwen3.8-27b aangeboden voor $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met een p50-tijd tot het eerste token van 3,45 seconden, gemeten over zeven dagen. Een workload van 20 miljoen input- en 2 miljoen outputtokens per maand — een bescheiden interne tool — komt uit op $6,60 plus $4,80, of ongeveer $11,40. Niets te installeren, niets warm te houden, geen GPU-afschrijving.

Liquid's Console-endpoint rekent $0,10 per miljoen input met een cached tarief van $0,05 en $1,00 per miljoen output, met $2 aan startkrediet, waarmee dezelfde workload op minder dan $4 uitkomt. Maar dat endpoint is niet echt het product. Het product zijn de gewichten, en er is geen door de leverancier gepubliceerde bestandsgroottetabel voor LFM2.5-24B-A2B om te noemen — de kwantisatierepo's worden als zusterrepositories op Hugging Face geleverd. Wat de leverancier wel publiceert, is de vorm van de weddenschap: een MoE met 2,45B actieve parameters die 184 tokens per seconde draait op een Apple M5 Max en 114 op een AMD Ryzen AI Max+ 395, beide door de leverancier gerapporteerd en niet gereproduceerd, en beide betekenisloos op een datacenter-GPU die veel gelijktijdige verzoeken uitvoert.

Het break-evenpunt is geen tokenaantal, maar een benuttingsvraagstuk. Onder ruwweg continue zware belasting wint het verbruiksgebaseerde endpoint op kosten en verliest het op de latentieondergrens. Daarboven wint de download op kosten en verliest hij op operationeel vlak — je bezit nu een deployment, de bijbehorende upgrades en het failoververhaal. Dat is de hele beslissing, en die heeft niets te maken met welk model hoger scoort in een tabel.

Context, licentie en de twee dingen die daadwerkelijk verschillen

• Context — 131.072 tokens versus 262.144 tokens. Het venster van Q​wen is op papier twee keer zo lang, en het grotendeels lineaire attention-ontwerp is de reden waarom het dat in het geheugen kan veroorloven. Liquid heeft geen long-context-retrievalcijfers voor zijn 131K-venster gepubliceerd, ongeacht de lengte, wat het enige hiaat in zijn release is dat een benchmarkronde snel zou dichten.

• Licentie — lfm1.0 versus Apache 2.0. Apache 2.0 heeft geen omzetdrempel en geen clausule over het gebruiksgebied. De licentie van Liquid is een eigen instrument met eigen voorwaarden. Lees hem naast de cijfers van uw bedrijf voordat u commercieel uitrolt, en let op: dit verschil wordt niet kleiner naarmate de modellen groter worden.

• Modaliteit — alleen tekst versus tekst, afbeelding en video inbegrepen. Als je workload een screenshot, een gescande pagina of een videoframe bevat, dan beslecht deze rij de vergelijking op zichzelf al.

• Instructieopvolging — IFEval 96.75 en IFBench 74.69.Liquid's sterkste rijen op zijn eigen lanceringstabel, beter dan elke kolom erin. Als de opdracht is "dit formaat elke keer exact naleven", heeft LFM2.5-24B-A2B de betere gepubliceerde onderbouwing.

• Kennis en coderen — GPQA Diamond 74,42 en SWE-Bench Verified 51,00 voor het model van Liquid. Liquid vergelijkt die met de 83,69 en 66,20 van Qwen3.6-35B-A3B en verliest op beide. In die tabel staat helemaal geen vergelijking met Qwen3.8-27B, en niemand heeft de twee modellen tegen elkaar getest.

Waar elk ervan eigenlijk thuishoort

Kies Qwen3.8-27B wanneer de invoer geen tekst is, wanneer de documenten lang zijn, of wanneer je liever gefactureerd wordt dan zelf iets te draaien. Een venster van 262K dat afbeeldingen en video aankan, is een wezenlijk ander product dan een venster van 131K dat tekst aankan, en de Apache 2.0-licentie voorkomt een gesprek dat de meeste teams anders zouden moeten voeren. De p50-tijd tot het eerste token van 3,45 seconden is reëel en het waard om af te meten tegen je eigen tolerantie voordat je je vastlegt — een model dat zo capabel is in de 27B dense-klasse is niet snel, en geen enkele architectuurnotitie verandert dat.

Kies LFM2.5-24B-A2B wanneer de machine de beperkende factor is. Een MoE met 2,45B actieve parameters, 131K context en een profiel voor het volgen van instructies dat alles in zijn eigen vergelijkingstabel verslaat, is iets sterks om lokaal te laten draaien, en Liquids beslissing om het te trainen binnen agent-harnesses in plaats van tegen een statische set voor tool-calling is zichtbaar in de rijen die het wint. Wat het niet is, is een documentanalist of een kennisbank, en de leverancier zegt dat ook in hetzelfde document dat de benchmarktabel publiceert.

Als je het wilt beslechten op je eigen workload in plaats van op de tabel van een van beide leveranciers, is het geserveerde been het goedkope experiment: qwen/qwen3.8-27b staat in onze catalogus tegen de hierboven vermelde listprijs, met 0% opslag op het tarief van de provider, en de zustermodellen in aangrenzende formaten qwen/qwen3.8-flash en qwen/qwen3.8-max staan ernaast achter dezelfde sleutel — zodat je het prijs-prestatiepunt kunt vinden dat je taak daadwerkelijk nodig heeft, voordat je besluit of het de moeite waard is om een machine te bezitten. LFM2.5-24B-A2B staat niet in onze catalogus; de eigen Console van Liquid en de open weights zijn de route ernaartoe, en niets hier mag anders suggereren.

De vraag die dit over zes maanden zal beslechten, is niet welk model wint. Het is of de local-executor-laag standhoudt naarmate contextlengtes groeien — en op dat punt zijn het twee keer zo lange venster van Q​wen en het ongemeten venster van Liquid de enige twee datapunten die iemand heeft.

Volg live modelstoringen en degradaties in ons incidentenarchief en zie welke routes een probleemloze failover hebben uitgevoerd.