LFM3-1.7B-Base vs Qwen 3.8: niewłaściwa klasa wagowa, właściwe pytanie

Szczera odpowiedź jest taka, że LFM3-1.7B-Base nie konkuruje z Qwen3.8-27B, a nigdy nie miał nim być. Zadaj pytanie właściwie, a pojawią się trzy różne modele Qwen: model wizyjno-językowy 27B z otwartymi wagami, który Alibaba opublikowała w sierpniu 2026, hostowany Qwen3.8-Flash po $0.15 za milion tokenów wejściowych i $0.47 za milion wyjściowych oraz Qwen3.8-Max po $2.00 i $6.00. Nowy checkpoint Liquid o 1.73B to surowy, wstępnie wytrenowany materiał na telefon, laptopa lub przebieg dostrajania; linia Qwen to rodzina gotowych produktów. Przydatne porównanie nie polega na tym, kto wypada lepiej. Chodzi o to, jaki zakres wdrożenia faktycznie kupujesz.

Taki sposób ujęcia wyjaśnia też, dlaczego ten pojedynek nie doczekał się jeszcze poważnego omówienia. Nie ma do czego porównywać: jedna strona ma tabelę dostawcy z 27 wierszami, druga nie ma żadnej opublikowanej oceny. Dlatego ten tekst przeprowadza porównanie w jedynym porządku, który wytrzymuje zderzenie z faktami — co każda ze stron dostarcza, ile kosztuje jej uruchomienie i co wolno ci z tym zrobić.

Trzy Qwen 3.8, trzy różne zakupy

Qwen3.8-27B to opcja z otwartymi wagami. Alibaba opublikowała go w sierpniu 2026 r. na licencji Apache 2.0 i od tego czasu zgromadził ponad 7,5 mln pobrań. To gęsty model przyczynowy o 27 mld parametrów z enkoderem wizyjnym, 64 warstwami w układzie 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN) oraz natywnym kontekstem 262 144 tokenów, który według Alibaby można rozszerzyć do 1 000 000. Rozumie obrazy i wideo, ma kontrolę procesu myślenia i wprost jest ukierunkowany na długoterminową pracę agentową.

Qwen3.8-Flash to hostowana warstwa, którą większość zespołów wyceni w pierwszej kolejności. W katalogu OrcaRouter jest to model z kontekstem 1M obsługujący dane wejściowe tekstowe, obrazowe i wideo, z limitem wyjścia 131K oraz stawkami 0,15 USD za wejście i 0,47 USD za wyjście za milion tokenów. Jego strona modelu datuje wpis na 26 sierpnia 2026 r. i odnotowuje 157 tokenów wyjściowych na sekundę w ciągu poprzedniego tygodnia.

Qwen3.8-Max to najwyższa półka: 2,00 USD za tokeny wejściowe i 6,00 USD za tokeny wyjściowe na milion, kontekst 1M i brak otwartych wag. To poziom, po który sięgasz, gdy zadanie uzasadnia cenę klasy frontier, a nie ten, z którym porównujesz bazowy checkpoint 1,7B.

Z czym tak naprawdę jest dostarczany LFM3-1.7B-Base

Liquid utworzył repozytorium LFM3-1.7B-Base 26 października 2026 r., a następnego dnia ogłosił rodzinę modeli. Checkpoint jest wyłącznie tekstowy, ma 1,73 mld parametrów, 24 warstwy bramkowanych krótkich konwolucji oraz pełnej uwagi lub uwagi z przesuwnym oknem, a także kontekst 256 tys. tokenów, słownik 128 000 tokenów, 16 nazwanych języków i zużycie pamięci około 1 GB przy precyzji 4-bitowej. Wytrenowano go na 22 bilionach tokenów; ostatnie 3,5 biliona to dane mid-training, które obejmują ślady agentowe i wywołania narzędzi oraz zawierają rozszerzenie kontekstu.

To, czego nie dostarcza, to wynik. Karta bazowa nie zawiera tabeli ewaluacji, liczb dotyczących wyszukiwania kontekstu ani porównania z jakimkolwiek innym modelem. Każda liczba w blogu premierowym Liquid — średnia 49,37, LiveCodeBench v6 na poziomie 73,46, SWE-bench Verified na poziomie 43,40, GPQA Diamond na poziomie 63,37, IFEval na poziomie 96,66 — należy do LFM3-1.7B po nadzorowanym dostrajaniu, uczeniu ze wzmocnieniem, destylacji on-policy i agentowym RL. To są prawdziwe liczby i Liquid uczciwie podaje je jako własne, ale opisują one ukończony model, a nie bazowy checkpoint, którego nazwa znajduje się w tym tytule.

Licencja to LFM Open License v1.0. Przyznaje prawa komercyjne tylko dopóty, dopóki licencjobiorca pozostaje poniżej 10 milionów dolarów rocznego przychodu; powyżej tego progu utwór nie jest licencjonowany na mocy umowy i wymaga odrębnej umowy. Ta pojedyncza klauzula usunie LFM3-1.7B-Base z wielu list skróconych, zanim ktokolwiek przepuści przez niego choćby jeden token.

Dlaczego luki benchmarkowej nie można zamknąć za pomocą arytmetyki

Kusi, by zestawić liczby dostawcy Qwen3.8-27B z liczbami dostawcy Liquid i ogłosić zwycięzcę. Warto się temu oprzeć, ponieważ te dwie tabele nie mierzą tych samych rzeczy. Qwen podaje SWE-bench Pro 61,7, Terminal Bench 2.1 na poziomie 73,0, LiveCodeBench v6 na poziomie 90,3, GPQA Diamond 89,2 i HLE 30,8. Liquid podaje SWE-bench Verified 43,40, LiveCodeBench v6 73,46, GPQA Diamond 63,37 oraz HLE bez narzędzi na poziomie 7,17. SWE-bench Pro i SWE-bench Verified to różne benchmarki o różnym poziomie trudności; liczby parametrów różnią się 16-krotnie; a jedna kolumna opisuje model czatu po post-trainingu, podczas gdy druga opisuje bazowy checkpoint, który w ogóle nie przeszedł post-trainingu.

Jest jedna liczba warta zapożyczenia spoza obu dostawców. Strona modelu Qwen3.8-27B w OrcaRouter podaje Artificial Analysis Intelligence Index na poziomie 33,7 oraz wynik AA Coding 68,1, ocenione 14 sierpnia 2026 r. To niezależna tablica wyników i istnieje ona dla Qwen. Na dzień 28 października 2026 r. nie udało nam się znaleźć żadnego wpisu LFM3 w Artificial Analysis, więc po drugiej stronie nie ma niezależnej przeciwwagi. Każdy, kto dziś przedstawia werdykt o możliwościach tych dwóch modeli w bezpośrednim porównaniu, albo porównuje tabele dostawców z niekompatybilnych zestawów testowych, albo wymyśla liczbę.

Koperta wdrożeniowa — obok siebie

• Parametry — LFM3-1.7B-Base: 1,73 mld, tylko tekst, 24 warstwy. Qwen3.8-27B: 27 mld, model gęsty z enkoderem wizyjnym, 64 warstwy.

• Kontekst — LFM3-1.7B-Base: 256K tokenów. Qwen3.8-27B: 262,144 natywnie, z możliwością rozszerzenia do 1M; Qwen3.8-Flash i Qwen3.8-Max: 1M.

• Modalność wejściowa — LFM3-1.7B-Base: tekst. Qwen3.8-27B, Qwen3.8-Flash i Qwen3.8-Max: tekst, obraz i wideo.

• Wagi — LFM3-1.7B-Base: pobieranie w formacie BF16 z własnym kodem modelowania i trust_remote_code. Qwen3.8-27B: wagi Apache-2.0, które działają w Transformers, vLLM, SGLang i TokenSpeed.

• Minimalne zapotrzebowanie pamięci — LFM3-1.7B-Base: około 1 GB w 4-bit, według Liquid. Qwen3.8-27B: około 55 GB w BF16, więc potrzebny jest serwer z wieloma GPU lub agresywna kwantyzacja.

• Licencja — LFM3-1.7B-Base: LFM Open License v1.0, użycie komercyjne poniżej 10 mln USD rocznego przychodu. Qwen3.8-27B: Apache 2.0, bez warunku dotyczącego przychodu.

• Cena katalogowa — LFM3-1.7B-Base: nie opublikowano ceny hostowanej za token. Qwen3.8-27B w OrcaRouter: 0,33 USD za wejście / 2,40 USD za wyjście za milion tokenów; Qwen3.8-Flash: 0,15 / 0,47 USD; Qwen3.8-Max: 2,00 / 6,00 USD.

• Zaobserwowana prędkość — LFM3-1.7B-Base: brak niezależnego pomiaru. Qwen3.8-27B w OrcaRouter: 91 tokenów wyjściowych na sekundę w ciągu ostatnich siedmiu dni; Qwen3.8-Flash: 157 tokenów na sekundę.

Arytmetyka, która o tym decyduje

Przyjmijmy obciążenie na poziomie 100 milionów tokenów wyjściowych miesięcznie. W przypadku Qwen3.8-Flash kosztuje to 47 USD. W przypadku Qwen3.8-27B przez OrcaRouter kosztuje to 240 USD. W przypadku Qwen3.8-Max kosztuje to 600 USD. Tokeny wejściowe są tańsze na każdym poziomie, więc realistyczna kombinacja plasuje się gdzieś poniżej tych kwot, ale to tokeny wyjściowe dominują w rachunku i ranking się nie zmienia.

Teraz porównaj te rachunki z samodzielnym uruchomieniem LFM3-1.7B-Base. W wersji 4-bitowej mieści się w około gigabajcie, co oznacza sprzęt, który możesz już mieć: laptopa, nowy telefon, pojedynczy mały GPU. Krańcowy koszt na token to prąd i nic więcej, a model nigdy nie opuszcza urządzenia. Zrób tę samą arytmetykę dla Qwen3.8-27B, a obraz się odwraca: 100 milionów tokenów wyjściowych miesięcznie przy $2.40 za milion to $240, co jest w przybliżeniu tym, ile kosztuje wynajęty GPU klasy 24 GB na miesiąc przy około $0.35 za godzinę. Samodzielny hosting modelu 27B zaczyna przebijać cenę usługi hostowanej dopiero gdzieś powyżej 100 milionów tokenów wyjściowych miesięcznie — a ta kalkulacja pomija czas pracy inżynierów, pobieranie 55 GB i fakt, że model 27B potrzebuje znacznie więcej niż 24 GB, gdy uwzględni się KV cache.

Wersja praktyczna: poniżej około 100 milionów tokenów wyjściowych miesięcznie hostowane warianty Qwen3.8 wygrywają pod względem całkowitego kosztu i prostoty operacyjnej. Jeśli Twoje obciążenie jest wystarczająco małe, by zmieścić się na telefonie, LFM3-1.7B-Base wygrywa, ponieważ licznik nigdy nie zaczyna naliczać. Przestrzeń między tymi dwoma podejściami to miejsce, w którym mieści się większość rzeczywistych wdrożeń, i jest to kwestia wolumenu i prywatności, a nie wyników benchmarków.

Gdzie OrcaRouter pasuje, a gdzie nie

Wszystkie trzy poziomy Qwen 3.8 są już dziś w katalogu OrcaRouter, w tym Qwen3.8-27B hostowany samodzielnie na naszej infrastrukturze za 0,33 USD za tokeny wejściowe i 2,40 USD za tokeny wyjściowe na milion tokenów, z kontekstem 262K, medianą czasu do pierwszego tokena (p50) wynoszącą 2,37 sekundy oraz 91 tokenami wyjściowymi na sekundę mierzonymi w poprzednim tygodniu. Cała trójka za jednym kluczem zgodnym z OpenAI to sedno: tani domyślny model Qwen3.8-Flash, ścieżka eskalacji do Qwen3.8-27B lub Qwen3.8-Max, gdy zadanie tego wymaga, oraz automatyczne przełączanie awaryjne, jeśli jeden z dostawców upstream zacznie działać gorzej. Ponieważ przekazujemy ceny katalogowe dostawców bez marży (0%), zmiana ceny przez dostawcę trafia na Twój rachunek tego samego dnia, a nie po cyklu aktualizacji cen.

LFM3-1.7B-Base nie znajduje się w naszym katalogu i nie zamierzamy udawać, że jest inaczej. Jeśli checkpoint Liquid jest właściwym rozwiązaniem dla Twojego obciążenia, obecnie pozostaje własne API i playground dostawcy albo pobranie do hostowania we własnym zakresie. Router nadal może jednak sprawić, że ta decyzja pozostanie odwracalna: umieścić mały model za tym samym interfejsem co hostowane warstwy, kierować ruch według zadania lub kosztu i przenosić ruch z powrotem do hostowanego modelu, gdy ścieżka self-hosted zacznie działać nieprawidłowo.

Wybieraj według pracy, nie według wyniku

Wybierz LFM3-1.7B-Base, gdy ograniczeniem jest urządzenie: praca offline, telefon lub laptop, model dziedzinowy, który zamierzasz dotrenować na jednym GPU, albo obciążenie, w którym kontekst 256K przy rozmiarze 1 GB jest całym powodem, dla którego się tym interesujesz. Zaakceptuj, że kupujesz surowiec, że licencja ma pułap przychodów i że nie istnieje jeszcze żadna niezależna ocena.

Wybierz Qwen3.8-27B, gdy zadanie wymaga funkcji wizyjnych, agentów o długim horyzoncie działania lub kodu, który faktycznie da się wdrożyć, a dysponujesz sprzętem lub budżetem pozwalającym obsłużyć 27 mld parametrów. Wybierz Qwen3.8-Flash, gdy chcesz uzyskać większość tego zakresu funkcji produktu za jedną piątą ceny i nie musisz posiadać wag modelu. Wybierz Qwen3.8-Max tylko wtedy, gdy wartość zadania w przeliczeniu na token przekracza $6.00 za wynik.

Starcie w tytule to celowe niedopasowanie — wstępnie wytrenowany checkpoint 1,7B przeciwko gotowemu modelowi wizyjno-językowemu 27B — a użyteczny wniosek nie jest taki, że jeden jest lepszy. Chodzi o to, że odpowiadają na różne pytania: na jak mało sprzętu mogę działać versus ile możliwości mogę kupić na token. Liquid dostarczył niezwykle szczegółową odpowiedź na pierwsze. Alibaba sprzedaje drugą od sierpnia.