LFM2.5-24B-A2B vs Qwen3.8-27B: jeden jest do pobrania, drugi to pozycja w budżecie

Zacznij od liczby, która decyduje o większości tego. LFM2.5-24B-A2B to plik, który umieszczasz na maszynie i zachowujesz. Qwen3.8-27B to model, który wynajmujesz za miliony tokenów. Liquid AI ogłosiła pierwszy 13 października 2026 r. z 24,0 mld parametrów łącznie, 2,45 mld aktywnych na token i kontekstem 131 072 tokenów; A​libaba opublikowała drugi 13 sierpnia 2026 r. jako gęsty model wizyjno-językowy o 27 mld parametrów z kontekstem 262 144 tokenów. Oba mają otwarte wagi. Tylko jeden z nich ma opublikowaną cenę za token przypisaną do działającego punktu końcowego, i nie jest to mniejszy z nich.

Ta asymetria to porównanie. Wszystko poniżej — możliwości, licencja, kontekst, modalność — zależy od tego, czy kupujesz sprzęt, czy tokeny.

Czym każde z nich jest i co widzi

LFM2.5-24B-A2B to model tylko tekstowy typu mixture-of-experts: 40 warstw podzielonych między 30 podwójnie bramkowanych bloków krótkiej konwolucji i 10 warstw uwagi z grupowanymi zapytaniami, 64 ekspertów na blok z routingiem top-4, słownik 128 000 tokenów i 16 obsługiwanych języków. Wpis Liquid ogłaszający premierę podaje, że wstępne trenowanie objęło 33 biliony tokenów; karta modelu na Hugging Face dla tego samego wydania mówi o 36 bilionach. Pipeline dostrajania kończy się agentowym uczeniem ze wzmocnieniem w rzeczywistych harnessach, a własne wytyczne dostawcy zalecają łączenie modelu z wyszukiwaniem informacji lub wyszukiwaniem w sieci, zamiast prosić go o odpowiadanie na pytania wiedzowe na podstawie wag.

Qwen3.8-27B ma zupełnie inny kształt, a ten kształt jest tu sednem. To gęsta konstrukcja z hybrydową uwagą — 48 warstw liniowej uwagi Gated DeltaNet przeplatanych z 16 warstwami pełnej uwagi w 64 warstwach, rozmiar ukryty 5 120 i słownik 248 320 tokenów — co w ogóle czyni kontekst 262K osiągalnym. Przyjmuje na wejściu tekst, obraz i wideo, a zwraca tekst. Ten w większości liniowy szkielet został odziedziczony z tej samej linii rozwojowej, z której wywodzi się skompresowana wersja, taka jak Ternary Bonsai 2 27B, co jest użytecznym sygnałem, jak duża część wartości tkwi w architekturze, a nie w przebiegu treningu.

Wersja w jednej linii: model Liquid trasuje i wywołuje narzędzia w pętli, i robi to bez sieci. Model Qwen przygląda się rzeczom — zrzutom ekranu, dokumentom, wideo — i rozumuje o nich przy długości kontekstu około dwukrotnie większej. Żaden z nich nie jest słabszą wersją drugiego; są skierowane na różne połowy działającego systemu.

Koszt, wyliczony jako konkretna liczba

W tym miejscu te dwie rzeczy przestają być w ogóle porównywalne, więc warto raczej przeprowadzić obliczenia niż przerzucać się przymiotnikami.

W OrcaRouter qwen/qwen3.8-27b jest udostępniany w cenie 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, przy p50 czasu do pierwszego tokenu wynoszącym 3,45 sekundy mierzonym przez siedem dni. Obciążenie wynoszące 20 milionów tokenów wejściowych i 2 miliony tokenów wyjściowych miesięcznie — skromne narzędzie wewnętrzne — daje 6,60 USD plus 4,80 USD, czyli około 11,40 USD. Niczego nie trzeba instalować, niczego nie trzeba utrzymywać w gotowości, żadnej amortyzacji GPU.

Endpoint Console firmy Liquid działa w cenie 0,10 USD za milion tokenów wejściowych ze stawką 0,05 USD dla pamięci podręcznej oraz 1,00 USD za milion tokenów wyjściowych, z 2 USD początkowego kredytu, co wycenia to samo obciążenie na poniżej 4 USD. Ale ten endpoint nie jest tak naprawdę produktem. Produktem są wagi, a dla LFM2.5-24B-A2B nie ma opublikowanej przez dostawcę tabeli rozmiarów plików, którą można by przytoczyć — repozytoria kwantyzacji ukazują się jako pokrewne w serwisie Hugging Face. Dostawca publikuje natomiast kształt zakładu: MoE z 2,45B aktywnych parametrów, który działa z prędkością 184 tokenów na sekundę na Apple M5 Max i 114 na AMD Ryzen AI Max+ 395, oba wyniki deklarowane przez dostawcę i niepowtórzone, i oba bez znaczenia na GPU w centrum danych obsługującym wiele równoczesnych żądań.

Próg opłacalności to nie liczba tokenów, lecz kwestia wykorzystania. Poniżej poziomu mniej więcej ciągłego, wysokiego obciążenia endpoint rozliczany za użycie wygrywa pod względem kosztów, a przegrywa pod względem minimalnego poziomu opóźnień. Powyżej tego progu rozwiązanie do pobrania wygrywa pod względem kosztów, a przegrywa operacyjnie — od teraz odpowiadasz za wdrożenie, jego aktualizacje i całą kwestię przełączania awaryjnego. To cała decyzja i nie ma ona nic wspólnego z tym, który model uzyskuje lepszy wynik w tabeli.

Kontekst, licencja i dwie rzeczy, które faktycznie się różnią

• Kontekst — 131 072 tokeny versus 262 144 tokeny. Okno Qwena jest na papierze dwukrotnie dłuższe, a przeważnie liniowa architektura uwagi sprawia, że pod względem pamięci może sobie na to pozwolić. Liquid nie opublikował żadnych danych dotyczących wyszukiwania w długim kontekście dla swojego okna 131K przy żadnej długości, co jest jedyną luką w jego premierze, którą runda benchmarków szybko by zapełniła.

• Licencja — lfm1.0 versus Apache 2.0. Apache 2.0 nie ma progu przychodowego ani klauzuli dotyczącej dziedziny użycia. Licencja Liquid to odrębny instrument z własnymi warunkami. Porównaj ją z liczbami swojej firmy przed komercyjnym wdrożeniem i pamiętaj, że ta różnica nie maleje wraz ze wzrostem rozmiarów modeli.

• Modalność — tylko tekst kontra tekst, obraz i wideo włącznie. Jeśli Twoje zadania obejmują zrzut ekranu, zeskanowaną stronę lub klatkę wideo, ten wiersz sam rozstrzyga porównanie.

• Stosowanie się do instrukcji — IFEval 96,75 i IFBench 74,69.Najmocniejsze wiersze Liquid w jej własnej tabeli premierowej, wyprzedzające każdą kolumnę w niej. Jeśli zadaniem jest „dokładnie stosować się do tego formatu za każdym razem”, LFM2.5-24B-A2B ma lepszy opublikowany przypadek.

• Wiedza i kodowanie — GPQA Diamond 74.42 i SWE-Bench Verified 51.00 dla modelu Liquid. Liquid porównuje je z wynikami Qwen3.6-35B-A3B — 83.69 i 66.20 — i przegrywa w obu przypadkach. W tej tabeli nie ma w ogóle porównania z Qwen3.8-27B, a nikt nie zestawił tych dwóch modeli ze sobą.

Gdzie tak naprawdę należy każde z nich

Wybierz Qwen3.8-27B, gdy dane wejściowe nie są tekstem, gdy dokumenty są długie lub gdy chcesz być rozliczany, a nie obsługiwać coś samodzielnie. Okno 262K przyjmujące obrazy i wideo to naprawdę inny produkt niż okno 131K przyjmujące tekst, a licencja Apache 2.0 usuwa rozmowę, którą większość zespołów musiałaby w przeciwnym razie odbyć. Czas do pierwszego tokena p50 wynoszący 3,45 sekundy jest realny i warto go zmierzyć względem własnej tolerancji, zanim się zdecydujesz — model o takiej zdolności w gęstej klasie 27B nie jest szybki i żadna uwaga dotycząca architektury tego nie zmienia.

Wybierz LFM2.5-24B-A2B, gdy ograniczeniem jest maszyna. MoE z 2,45B aktywnymi parametrami, kontekstem 131K i profilem przestrzegania instrukcji, który bije wszystko w swojej własnej tabeli porównawczej, to coś, co warto mieć uruchomione lokalnie, a decyzję Liquid, by trenować go wewnątrz środowisk agentowych, a nie względem statycznego zestawu wywołań narzędzi, widać w wierszach, które wygrywa. Nie jest natomiast analitykiem dokumentów ani bazą wiedzy, a producent mówi o tym w tym samym dokumencie, w którym publikuje tabelę benchmarków.

Jeśli chcesz rozstrzygnąć to na podstawie własnego obciążenia, a nie na tabeli któregokolwiek z dostawców, wariant serwowany to tani eksperyment: qwen/qwen3.8-27b jest w naszym katalogu w podanej wyżej cenie katalogowej, z marżą 0% na stawkę dostawcy, a pokrewne rozmiary qwen/qwen3.8-flash i qwen/qwen3.8-max są obok niego pod tym samym kluczem — dzięki temu możesz znaleźć punkt cenowo-wydajnościowy, którego faktycznie potrzebuje Twoje zadanie, zanim zdecydujesz, czy warto posiadać maszynę. LFM2.5-24B-A2B nie ma w naszym katalogu; własny Console Liquid i otwarte wagi to droga do niego, a nic tutaj nie powinno sugerować inaczej.

Pytanie, które za sześć miesięcy to rozstrzygnie, nie brzmi: który model wygra. Brzmi: czy warstwa lokalnego wykonawcy wytrzyma w miarę wzrostu długości kontekstu — a co do tego, dwa razy dłuższe okno Q​wena i niemierzone okno Liquid to jedyne dwa punkty danych, jakie ktokolwiek ma.

Śledź na bieżąco awarie i degradacje modeli w naszym archiwum incydentów i sprawdź, które trasy przełączyły się bezproblemowo.