LFM3-1.7B-Base vs Qwen 3.8: Verkeerde gewichtsklasse, juiste vraag

Het eerlijke antwoord is dat LFM3-1.7B-Base concurreert niet met Qwen3.8-27B, en dat was ook nooit de bedoeling. Stel de vraag op de juiste manier en je krijgt drie verschillende Qwen-modellen: het open-weight vision-languagemodel met 27B dat Alibaba in augustus 2026 publiceerde, de gehoste Qwen3.8-Flash voor $0,15 per miljoen inputtokens en $0,47 per miljoen outputtokens, en Qwen3.8-Max voor $2,00 en $6,00. Liquids nieuwe 1,73B-checkpoint is ruw voorgetraind materiaal voor een telefoon, een laptop of een fine-tuningrun; Qwens productlijn is een familie van afgewerkte producten. De nuttige vergelijking is niet wie hoger scoort. Het gaat erom welke deployment-envelop je feitelijk koopt.

Die framing verklaart ook waarom deze confrontatie nog geen serieuze berichtgeving kent. Er is niets om tegen te benchmarken: de ene kant heeft een leverancierstabel met 27 rijen, de andere heeft helemaal geen gepubliceerde evaluatie. Dus dit stuk maakt de vergelijking in de enige volgorde die de confrontatie met de feiten doorstaat — wat elke kant levert, wat het kost om te draaien, en wat je ermee mag doen.

Drie Qwen 3.8s, drie verschillende aankopen

Qwen3.8-27B is de optie met open gewichten. Alibaba publiceerde het in augustus 2026 onder Apache 2.0, en het heeft sindsdien meer dan 7,5 miljoen downloads verzameld. Het is een 27B dense causaal model met een vision-encoder, 64 lagen in een 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN)-indeling, en een native context van 262.144 tokens die volgens Alibaba tot 1.000.000 reikt. Het begrijpt afbeeldingen en video's, het heeft denkbesturing, en het richt zich expliciet op agentisch werk met een lange horizon.

Qwen3.8-Flash is de gehoste tier waar de meeste teams als eerste naar de prijs zullen kijken. In de catalogus van OrcaRouter is het een model met een context van 1M dat tekst-, afbeeldings- en video-invoer ondersteunt, met een uitvoerplafond van 131K en tarieven van $0,15 voor invoer en $0,47 voor uitvoer per miljoen tokens. De modelpagina dateert de vermelding op 26 augustus 2026 en registreert 157 uitvoertokens per seconde over de afgelopen week.

Qwen3.8-Max is het topmodel: $2,00 input en $6,00 output per miljoen tokens, 1M context en geen open gewichten. Het is het niveau dat je gebruikt wanneer de taak een frontierprijs rechtvaardigt, niet het niveau dat je vergelijkt met een 1.7B basis-checkpoint.

Waarmee LFM3-1.7B-Base daadwerkelijk wordt geleverd

Liquid heeft op 26 oktober 2026 de repository LFM3-1.7B-Base aangemaakt en de familie de volgende dag aangekondigd. Het checkpoint is uitsluitend tekst, 1,73 miljard parameters, 24 lagen met gegate korte convoluties en volledige of sliding-window-attentie, met een context van 256K tokens, een vocabulaire van 128.000 tokens, 16 benoemde talen en circa 1 GB geheugengebruik bij 4-bitprecisie. Het is getraind op 22 biljoen tokens; de laatste 3,5 biljoen zijn mid-traininggegevens die agentische sporen en tool calls bevatten en de contextuitbreiding meedragen.

Wat er niet bij zit, is een score. De basiskaart heeft geen evaluatietabel, geen cijfers voor contextretrieval en geen vergelijking met enig ander model. Elk cijfer in de lanceerblog van Liquid — het gemiddelde van 49,37, LiveCodeBench v6 op 73,46, SWE-bench Verified op 43,40, GPQA Diamond op 63,37, IFEval op 96,66 — hoort bij LFM3-1.7B na supervised fine-tuning, reinforcement learning, on-policy distillatie en agentic RL. Dat zijn echte cijfers en Liquid rapporteert ze eerlijk als zijn eigen cijfers, maar ze beschrijven het voltooide model, niet het basischeckpoint waarvan de naam in deze titel staat.

De licentie is de LFM Open License v1.0. Deze verleent alleen commerciële rechten zolang de licentiehouder onder de $10 miljoen jaaromzet blijft; boven die drempel valt het werk niet onder de licentie van de overeenkomst en is een aparte overeenkomst nodig. Die ene clausule zal LFM3-1.7B-Base van veel shortlists verwijderen voordat iemand er ook maar één token doorheen laat lopen.

Waarom de benchmarkkloof niet met rekenkunde kan worden gedicht

De verleiding is om de leverancierscijfers van Qwen3.8-27B naast die van Liquid te leggen en een winnaar uit te roepen. Weersta die verleiding, want de twee tabellen meten niet dezelfde dingen. Qwen rapporteert SWE-bench Pro 61,7, Terminal Bench 2.1 op 73,0, LiveCodeBench v6 op 90,3, GPQA Diamond 89,2 en HLE 30,8. Liquid rapporteert SWE-bench Verified 43,40, LiveCodeBench v6 73,46, GPQA Diamond 63,37 en HLE zonder tools op 7,17. SWE-bench Pro en SWE-bench Verified zijn verschillende benchmarks met een verschillende moeilijkheidsgraad; de parameteraantallen verschillen met een factor 16; en de ene kolom beschrijft een post-getraind chatmodel, terwijl de andere een basis-checkpoint beschrijft dat helemaal niet post-getraind is.

Er is één cijfer dat de moeite waard is om van buiten beide leveranciers te lenen. De modelpagina van OrcaRouter voor Qwen3.8-27B vermeldt een Artificial Analysis Intelligence Index van 33.7 en een AA Coding-score van 68.1, geëvalueerd op 14 augustus 2026. Dat is een onafhankelijk scorebord, en het bestaat voor Qwen. Op 28 oktober 2026 konden we geen LFM3-vermelding op Artificial Analysis vinden, dus er is geen onafhankelijk tegenwicht aan de andere kant. Iedereen die vandaag een rechtstreeks capaciteitsoordeel voor deze twee modellen presenteert, vergelijkt óf leverancierstabellen over incompatibele harnesses heen, óf verzint een cijfer.

De implementatie-envelop, naast elkaar

• Parameters — LFM3-1.7B-Base: 1.73B, alleen tekst, 24 lagen. Qwen3.8-27B: 27B dense met een vision-encoder, 64 lagen.

• Context — LFM3-1.7B-Base: 256K tokens. Qwen3.8-27B: 262.144 native, uitbreidbaar tot 1M; Qwen3.8-Flash en Qwen3.8-Max: 1M.

• Invoermodaliteit — LFM3-1.7B-Base: tekst. Qwen3.8-27B, Qwen3.8-Flash en Qwen3.8-Max: tekst, afbeelding en video.

• Gewichten — LFM3-1.7B-Base: BF16-download met aangepaste modelleringscode en trust_remote_code. Qwen3.8-27B: Apache-2.0-gewichten die draaien in Transformers, vLLM, SGLang en TokenSpeed.

• Geheugenminimum — LFM3-1.7B-Base: ongeveer 1 GB bij 4-bit, volgens Liquid. Qwen3.8-27B: ruwweg 55 GB in BF16, dus een multi-GPU-machine of agressieve quantisatie.

• Licentie — LFM3-1.7B-Base: LFM Open License v1.0, commercieel gebruik bij een jaaromzet onder $10M. Qwen3.8-27B: Apache 2.0, geen omzetvoorwaarde.

• Vermelde prijs — LFM3-1.7B-Base: geen gehoste prijs per token gepubliceerd. Qwen3.8-27B op OrcaRouter: $0,33 invoer / $2,40 uitvoer per miljoen tokens; Qwen3.8-Flash: $0,15 / $0,47; Qwen3.8-Max: $2,00 / $6,00.

• Waargenomen snelheid — LFM3-1.7B-Base: geen onafhankelijke meting. Qwen3.8-27B op OrcaRouter: 91 uitvoertokens per seconde over de afgelopen zeven dagen; Qwen3.8-Flash: 157 tokens per seconde.

Het rekenwerk dat het beslist

Neem een workload van 100 miljoen output-tokens per maand. Op Qwen3.8-Flash kost dat $47. Op Qwen3.8-27B via OrcaRouter kost het $240. Op Qwen3.8-Max kost het $600. Input-tokens zijn in elke tier goedkoper, dus een realistische mix komt ergens onder die bedragen uit, maar output domineert de rekening en de rangorde verandert niet.

Vergelijk die kosten nu zelf met het draaien van LFM3-1.7B-Base. Bij 4-bit neemt het ongeveer een gigabyte in beslag, wat betekent dat het past op hardware die je misschien al bezit: een laptop, een recente telefoon, één kleine GPU. De marginale kosten per token zijn elektriciteit en niets anders, en het model verlaat nooit het apparaat. Doe dezelfde berekening voor Qwen3.8-27B en het beeld slaat om: 100 miljoen outputtokens per maand tegen $2,40 per miljoen is $240, ongeveer wat een gehuurde GPU uit de 24 GB-klasse per maand kost bij ongeveer $0,35 per uur. Zelf hosten van de 27B begint pas ergens boven de 100 miljoen outputtokens per maand goedkoper te worden dan de gehoste prijs — en die berekening negeert de engineeringtijd, de download van 55 GB en het feit dat een 27B-model aanzienlijk meer dan 24 GB nodig heeft zodra je rekening houdt met de KV-cache.

De praktische versie: onder ruwweg 100 miljoen output-tokens per maand winnen de gehoste Qwen3.8-tiers op totale kosten en operationele eenvoud. Als je workload klein genoeg is om op een telefoon te passen, wint LFM3-1.7B-Base, omdat de meter dan nooit begint te lopen. Het gat tussen die twee posities is waar de meeste echte implementaties zich bevinden, en het is een kwestie van volume en privacy, niet van benchmarkscores.

Waar OrcaRouter past, en waar niet

Alle drie de Qwen 3.8-varianten staan vandaag in de catalogus van OrcaRouter, waaronder Qwen3.8-27B dat zelf wordt gehost op onze eigen infrastructuur voor $0,33 per miljoen tokens input en $2,40 per miljoen tokens output, met een contextvenster van 262K, een p50 tijd-tot-eerste-token van 2,37 seconden en 91 outputtokens per seconde, gemeten over de afgelopen week. Alle drie achter één OpenAI-compatibele sleutel routeren is waar het om gaat: een goedkope standaard op Qwen3.8-Flash, een escalatiepad naar Qwen3.8-27B of Qwen3.8-Max wanneer de taak daarom vraagt, en automatische failover als een upstream verslechtert. Omdat we de lijstprijzen van providers met 0% markup doorgeven, komt een prijswijziging van een leverancier dezelfde dag op je factuur terecht in plaats van pas na een herprijzingscyclus.

LFM3-1.7B-Base staat niet in onze catalogus, en we gaan niet doen alsof dat wel zo is. Als het checkpoint van Liquid het juiste antwoord is voor jouw workload, dan is de route vandaag de eigen API en playground van de leverancier of een self-hosted download. Wat een router nog steeds kan doen, is die beslissing omkeerbaar houden: het kleine model achter dezelfde interface plaatsen als de gehoste tiers, routeren op taak of op kosten, en verkeer terug naar een gehost model sturen wanneer het self-hosted pad zich misdraagt.

Kies op basis van de functie, niet op basis van de score.

Kies LFM3-1.7B-Base wanneer het apparaat de beperkende factor is: offline werking, een telefoon of laptop, een domeinspecifiek model dat je op één GPU wilt post-trainen, of een workload waarbij 256K context binnen een geheugenbeslag van 1 GB precies de reden is dat je geïnteresseerd bent. Accepteer dat je grondstof koopt, dat de licentie een omzetplafond heeft en dat er nog geen onafhankelijke evaluatie bestaat.

Kies Qwen3.8-27B wanneer de taak visie, agents met een lange horizon of code vereist die daadwerkelijk kan worden uitgerold, en je de hardware of het budget hebt om 27B parameters te serveren. Kies Qwen3.8-Flash wanneer je het grootste deel van dat productoppervlak wilt voor een vijfde van de prijs en de weights niet zelf hoeft te bezitten. Kies Qwen3.8-Max alleen wanneer de waarde per token van de taak boven de $6,00 aan output uitkomt.

De confrontatie in de titel is met opzet een mismatch — een voorgetrainde checkpoint van 1,7B tegen een afgerond visie-taalmodel van 27B — en de nuttige conclusie is niet dat de een beter is. Het is dat ze verschillende vragen beantwoorden: op hoe weinig hardware kan ik draaien, versus hoeveel capaciteit kan ik per token kopen. Liquid heeft een ongewoon gedetailleerd antwoord op de eerste geleverd. Alibaba verkoopt de tweede sinds augustus.