LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Slechts één van hen kan spreken

Zet LFM3-Omni-2B en Qwen3.8-Omni-Flash in dezelfde ruimte en het verschil dat voor de meeste producten doorslaggevend is, staat niet op de benchmarktabel. Beide accepteren audio. Beide accepteren video. Slechts één van hen kan hardop antwoorden. Het model van Alibaba geeft alleen tekst terug en niets anders — de eigen documentatie ervan is expliciet dat gesproken antwoorden een ander model in de Qwen-lijn vereisen — terwijl de checkpoint van Liquid AI met 2,17 miljard parameters direct spraak van 24 kHz uitzendt, of spraak en tekst in één antwoord afwisselt.

Al het andere aan dit tweetal is een studie in schaal. Qwen3.8-Omni-Flash is sinds 18 september 2026 een gesloten model in de API van Alibaba, gebouwd op een mixture of experts met 125 miljard parameters, waarvan ongeveer 6 miljard actief, met een context van één miljoen tokens. LFM3-Omni-2B heeft open gewichten, 2,17 miljard parameters, 32K context, en werd op 27 oktober 2026 aangekondigd als een van de zes modellen in de LFM3-familiepost — de repository is openbaar sinds 21 oktober en er is geen eigen lanceringsbericht. Het ene huur je per token; het andere download je en betaal je in hardware.

De twee producten zijn niet hetzelfde product.

Teruggebracht tot waar elk voor dient, is {{1}}Qwen3.8-Omni-Flash{{/1}} een begripsmotor met een enorm venster: transcriberen, samenvatten, redeneren over uren aan media, tools aanroepen en tekst teruggeven. {{2}}LFM3-Omni-2B{{/2}} is een conversationeel eindpunt dat toevallig kan zien en horen: het neemt een vraag op via spraak, kijkt naar een frame en antwoordt met een stem, op een apparaat.

Het gevolg is dat het bouwen van een spraakassistent op Qwen3.8-Omni-Flash betekent dat je nog twee extra stadia moet bouwen — spraakherkenning aan de invoerkant, synthese aan de uitvoerkant — en voor drie modellen betaalt, terwijl Liquid je maar voor één model laat betalen. Een analysetool voor vergaderingen van twee uur bouwen op LFM3-Omni-2B betekent dat je het in stukken moet voeren, omdat een venster van 32K geen uur audio is en Liquid geen audio-naar-token-snelheid publiceert waarmee je de limiet zou kunnen berekenen voordat je het probeert.

Context is de grootste leemte op het blad

• Context — Qwen3.8-Omni-Flash 1M tokens, met een maximale invoer van ongeveer 991K en uitvoer tot 131K; LFM3-Omni-2B 32K tokens die invoer en uitvoer samen omvatten.

• Medialimieten — Alibaba documenteert tot drie uur audio en twee uur video in één verzoek, met audio-invoer in 113 talen en dialecten; Liquid documenteert 16 kHz mono-audio en video bemonsterd op 2 frames per seconde, 4 tot 384 frames.

• Uitvoer — alleen tekst tegenover tekst, 24 kHz-spraak, of afwisselend tekst en spraak.

• Schaal — een 125B mixture-of-experts met ongeveer 6B actief, gehost, tegenover 2,17B dense op een telefoon.

• Gewichten — gesloten tegenover open, onder de LFM Open License v1.0.

• Prijs — $0,15 per miljoen inputtokens, $0,016 voor gecachte tokens, $0,47 per miljoen outputtokens voor Qwen3.8-Omni-Flash; geen prijs per token voor LFM3-Omni-2B omdat er niets te meten valt.

De context van 1M is geen ornament op een specificatieblad. Het is het verschil tussen "vat deze vergadering samen" en "vat deze vergadering samen en beantwoord daarna vragen over het derde uur". Alibaba's presentatie bij de lancering was eerder een rekening dan een score: 98% goedkoper per uur audio-invoer dan Qwen3.5-Omni-Plus, 93% goedkoper per uur audio-video, cijfers die zijn afgeleid door een voorbeeld van twee minuten te prijzen en te vermenigvuldigen. De besparingen zijn reëel, en het is ook de eigen rekenkunde van een leverancier.

Wat het geld daadwerkelijk koopt

Bij $0.15 voor invoer en $0.47 voor uitvoer is een uur transcriptie zo goedkoop dat de meeste teams het niet meer in hun modellen meenemen. Dat is het punt van de prijsverlaging, en het is het sterkste argument om te huren: de marginale kosten van een verzoek liggen bijna op nul en de GPU's zijn van iemand anders.

LFM3-Omni-2B keert de curve om. De gewichten zijn gratis, de marginale kosten per verzoek zijn de batterij van je gebruiker, en de vaste kosten zijn de engineeringtijd om een model van 2,17B in een app te leveren. Als je al een mobiel team hebt, is dat geen groot getal. Als je dat niet hebt, is het het hele project.

Dit is ook waar een router zijn bestaansrecht verdient in plaats van een slogan te zijn. {{1}}De tekstmodellen van de Qwen3.8-familie staan al in de catalogus van OrcaRouter tegen lijstprijs met 0% markup, wat betekent dat een prijsverlaging van een leverancier op dezelfde dag dat die ingaat aan onze kant live is; Qwen3.8-Omni-Flash zelf staat niet in de catalogus, en LFM3-Omni-2B ook niet.{{/1}} Wat de catalogus je wel biedt, is de mogelijkheid om de gehoste helft van een hybride — de batchtaak voor lange audio, de fallback wanneer een telefoon offline is — achter één sleutel en één factuur te houden, met automatische failover als een provider uitvalt.

Benchmarks: één gemeenschappelijk getal, twee testharnassen

RealWorldQA is de enige benchmark die beide kaarten rapporteren, en het verschil is 21 punten: Qwen3.8-Omni-Flash op 87,7, LFM3-Omni-2B op 66,54 in vision-modus en 64,68 wanneer de vraag gesproken wordt.

Vat dat niet op als een nederlaag onder gelijke omstandigheden. Qwens 87,7 werd door Alibaba gemeten op een 125B-model met een redeneerbudget; Liquids cijfers werden door Liquid gemeten met greedy decoding en de eigen chat-template van elk model, en de gesproken variant ervan voert de vraag als audio in plaats van als tekst in. Dezelfde benchmarknaam, andere omstandigheden, andere modelklassen. De conclusie over de richting is veilig — een model dat twintig keer groter is, met redeneren ingeschakeld, zou beter moeten zijn in visuele vraagbeantwoording — maar de omvang van het verschil is geen maat voor iets.

De rest van elke kaart is niet gedeeld. Qwen3.8-Omni-Flash rapporteert LiveCodeBench v6 op 92,6, GPQA Diamond op 91, SpotSoundBench 67,2, WildClawBench-MM 71,0 en OmniVideoBench 67,8. LFM3-Omni-2B rapporteert Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40 en een tool-calling-score van 52,20. De overlap tussen die lijsten is vrijwel leeg, wat je zou verwachten van twee modellen die voor verschillende taken zijn gebouwd — en een herinnering dat geen van beide leveranciers een onafhankelijke evaluatie heeft gepubliceerd.

Latentie, en de round trip die niemand doorberekent

Een gehost omni-model heeft vóór elk antwoord een netwerkrondreis en erachter een wachtrij. Voor batchwerk is dat onzichtbaar. Voor een gesprek is het het verschil tussen een product dat levend aanvoelt en een dat aanvoelt als het indienen van een formulier.

Het voordeel van LFM3-Omni-2B zit hier in de structuur, niet in metingen: de audio verlaat het apparaat nooit, het model telt 2,17 miljard parameters en de uitvoer bestaat uit spraaktokens die in dezelfde doorgang als de tekst worden gegenereerd. Er is geen ASR-aanroep, geen synthese-aanroep en geen orkestratie daartussen. Of dat een goed uitgerust gehost endpoint qua wall-clocklatentie verslaat, is een empirische vraag die Liquid niet heeft beantwoord — het publiceert geen latentiecijfers en er is geen onafhankelijke test.

De eerlijke constatering is dat het lokale pad drie faalmodi wegneemt (uploaden, wachtrij, downloaden) en er één toevoegt (een telefoon die thermisch wordt afgeknepen).

Wie moet welke kiezen

Kies Qwen3.8-Omni-Flash als je invoer lang is, je uitvoer tekst is en je gebruikers niet op een stem wachten. Transcriptie van vergaderingen, mediamonitoring, callcenteranalyses, zoeken in video's, alles wat baat heeft bij een contextvenster van een miljoen tokens en een redeneerbudget — dit is de modelklasse die daarvoor is gebouwd, en de prijs maakt de beslissing makkelijk. Accepteer dat je huurt, dat de gewichten nooit van jou zullen zijn en dat een gesproken interface betekent dat je modellen toevoegt in plaats van er één te configureren.

Kies LFM3-Omni-2B als de interactie gesproken is en het apparaat het product is. Het is kleiner, het ziet minder, het onthoudt 32K in plaats van een miljoen, en de licentie bevat een omzetclausule die Apache 2.0 niet heeft. In ruil daarvoor is het de enige van deze twee die een zin met een stem kan beëindigen.

Dat is de hele afweging, en het is de moeite waard om dat ronduit te zeggen, want de meeste vergelijkingen van deze twee modellen besteden hun lengte aan scores die slechts één van beide ooit probeerde te winnen. Als jouw product praat, is een van deze modellen voor jou gebouwd en het andere niet.