LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Tylko jeden z nich potrafi mówić

Postaw LFM3-Omni-2B i Qwen3.8-Omni-Flash w jednym pomieszczeniu, a różnica, która przesądza o większości produktów, nie będzie widoczna na arkuszu benchmarku. Oba obsługują dźwięk. Oba obsługują wideo. Tylko jeden z nich potrafi odpowiedzieć na głos. Model firmy Alibaba zwraca wyłącznie tekst — jego własna dokumentacja wprost stwierdza, że odpowiedzi głosowe wymagają innego modelu z linii Qwen — natomiast checkpoint Liquid AI z 2,17 mld parametrów bezpośrednio emituje mowę 24 kHz albo przeplata mowę i tekst w jednej odpowiedzi.

Wszystko inne w tej parze to studium skali. Qwen3.8-Omni-Flash to model zamknięty w API Alibaba od 18 września 2026 r., zbudowany na mieszaninie ekspertów o 125 miliardach parametrów, z około 6 miliardami aktywnych i kontekstem miliona tokenów. LFM3-Omni-2B ma otwarte wagi, 2,17 miliarda parametrów i kontekst 32K, a ogłoszono go 27 października 2026 r. jako jeden z sześciu modeli w poście o rodzinie LFM3 — jego repozytorium jest publiczne od 21 października i nie ma on własnego postu premierowego. Jednego wynajmujesz za tokeny; drugi pobierasz i płacisz za sprzęt.

Te dwa produkty nie są tym samym produktem.

Sprowadzając to do tego, do czego służy każdy z nich: Qwen3.8-Omni-Flash to silnik rozumienia z ogromnym oknem — transkrybuje, streszcza, rozumuje w oparciu o godziny multimediów, wywołuje narzędzia i zwraca tekst. LFM3-Omni-2B to konwersacyjny punkt końcowy, który niejako przy okazji widzi i słyszy: przyjmuje pytanie głosem, patrzy na kadr i odpowiada głosem, na urządzeniu.

Konsekwencją jest to, że zbudowanie asystenta głosowego na Qwen3.8-Omni-Flash oznacza zbudowanie dwóch dodatkowych etapów — rozpoznawania mowy na wejściu i syntezy na wyjściu — oraz płacenie za trzy modele, podczas gdy Liquid każe płacić za jeden. Zbudowanie analizatora dwugodzinnych spotkań na LFM3-Omni-2B oznacza podawanie danych w fragmentach, ponieważ okno 32K to nie godzina dźwięku, a Liquid nie publikuje współczynnika konwersji dźwięku na tokeny, który pozwoliłby obliczyć limit przed jego wypróbowaniem.

Kontekst to najszersza luka na arkuszu

• Kontekst — Qwen3.8-Omni-Flash: 1M tokenów, z maksymalnym wejściem około 991K i wyjściem do 131K; LFM3-Omni-2B: 32K tokenów obejmujących łącznie wejście i wyjście.

• Limity multimediów — Alibaba dokumentuje do trzech godzin audio i dwóch godzin wideo w jednym żądaniu, z wejściem audio w 113 językach i dialektach; Liquid dokumentuje 16 kHz mono audio i wideo próbkowane z szybkością 2 klatek na sekundę, od 4 do 384 klatek.

• Wyjście — wyłącznie tekst w zestawieniu z tekstem, mowa 24 kHz lub przeplatany tekst i mowa.

Skala — 125B mieszanka ekspertów z około 6B aktywnych, hostowana, w zestawieniu z 2,17B gęstym modelem działającym na telefonie.

• Wagi — zamknięte w przeciwieństwie do otwartych, na mocy LFM Open License v1.0.

• Cena — 0,15 USD za milion tokenów wejściowych, 0,016 USD za tokeny z pamięci podręcznej, 0,47 USD za milion tokenów wyjściowych w przypadku Qwen3.8-Omni-Flash; brak ceny za token dla LFM3-Omni-2B, ponieważ nie ma czego mierzyć.

Kontekst 1M nie jest ozdobą karty katalogowej. To różnica między „streść to spotkanie” a „streść to spotkanie, a potem odpowiedz na pytania dotyczące trzeciej godziny”. Sposób, w jaki Alibaba przedstawiła premierę, był rachunkiem, a nie wynikiem: o 98% taniej za godzinę wejścia audio niż Qwen3.5-Omni-Plus, o 93% taniej za godzinę audio-wideo — liczby uzyskane przez wycenę dwuminutowej próbki i pomnożenie. Oszczędności są realne, ale są też własną arytmetyką dostawcy.

Co pieniądze tak naprawdę kupują

Przy $0.15 za wejście i $0.47 za wyjście godzina transkrypcji jest tak tania, że większość zespołów przestaje modelować jej koszt. Na tym polega sens obniżki ceny i to najsilniejszy argument za wynajmem: koszt krańcowy żądania jest bliski zeru, a GPU należą do kogoś innego.

LFM3-Omni-2B odwraca krzywą. Wagi są darmowe, koszt krańcowy na żądanie to bateria Twojego użytkownika, a koszt stały to czas inżynierów potrzebny na wdrożenie modelu 2,17B w aplikacji. Jeśli masz już zespół mobilny, to nie jest duża liczba. Jeśli nie, to cały projekt.

To także miejsce, w którym router zyskuje swoje uzasadnienie, zamiast być tylko sloganem. Modele tekstowe z rodziny Qwen3.8 są już w katalogu OrcaRouter w cenie cennikowej z 0% marży, co oznacza, że obniżka ceny przez dostawcę jest u nas widoczna tego samego dnia, w którym wchodzi w życie; sam Qwen3.8-Omni-Flash nie znajduje się w katalogu, podobnie jak LFM3-Omni-2B. Katalog daje natomiast możliwość utrzymania hostowanej połowy rozwiązania hybrydowego — zadania wsadowego na długie audio, opcji awaryjnej, gdy telefon jest offline — za jednym kluczem i jedną fakturą, z automatycznym przełączaniem awaryjnym, jeśli dostawca ulegnie awarii.

Benchmarki: jedna wspólna liczba, dwa stanowiska testowe

RealWorldQA to jedyny benchmark raportowany przez obie karty, a różnica wynosi 21 punktów: Qwen3.8-Omni-Flash – 87,7, LFM3-Omni-2B – 66,54 w trybie wizyjnym i 64,68, gdy pytanie jest wypowiadane.

Nie odczytuj tego jako porażki w równych warunkach. Wynik 87,7 modelu Qwen został zmierzony przez Alibaba na modelu 125B z budżetem rozumowania; liczby Liquid zostały zmierzone przez Liquid przy użyciu dekodowania zachłannego i własnego szablonu czatu każdego modelu, a jego wariant głosowy przekazuje pytanie jako dźwięk, a nie jako tekst. Ta sama nazwa benchmarku, inne warunki, inne klasy modeli. Wniosek kierunkowy jest bezpieczny — model dwadzieścia razy większy, z włączonym myśleniem, powinien być lepszy w odpowiadaniu na pytania dotyczące obrazów — ale sama wielkość tej różnicy nie jest miarą niczego.

Pozostała część każdej karty nie jest udostępniana. Qwen3.8-Omni-Flash podaje wyniki LiveCodeBench v6 na poziomie 92,6, GPQA Diamond 91, SpotSoundBench 67,2, WildClawBench-MM 71,0 i OmniVideoBench 67,8. LFM3-Omni-2B podaje Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40 oraz wynik wywoływania narzędzi 52,20. Przecięcie tych list jest prawie puste, czego można oczekiwać po dwóch modelach stworzonych do różnych zadań — i co przypomina, że żaden z dostawców nie opublikował niezależnej ewaluacji.

Opóźnienie i podróż w obie strony, której nikt nie wycenia

Hostowany model omni ma sieciową podróż w obie strony przed każdą odpowiedzią i kolejkę za nią. W pracy wsadowej jest to niewidoczne. W rozmowie to różnica między produktem, który wydaje się żywy, a takim, który sprawia wrażenie wysyłania formularza.

Przewaga LFM3-Omni-2B jest tu strukturalna, a nie zmierzona: dźwięk nigdy nie opuszcza urządzenia, model ma 2,17 mld parametrów, a wyjściem są tokeny mowy generowane w tym samym przebiegu co tekst. Nie ma wywołania ASR, wywołania syntezy ani orkiestracji między nimi. To, czy przewyższa to odpowiednio rozbudowany hostowany endpoint pod względem opóźnienia mierzonego czasem zegarowym, jest pytaniem empirycznym, na które Liquid nie odpowiedział — nie publikuje żadnych danych o opóźnieniach i nie istnieje niezależny test.

Uczciwe stwierdzenie brzmi: ścieżka lokalna eliminuje trzy tryby awarii (przesyłanie, kolejkę, pobieranie) i dodaje jeden (telefon ulegający dławieniu termicznemu).

Kto powinien wybrać, które

Wybierz Qwen3.8-Omni-Flash, jeśli Twoje dane wejściowe są długie, wynikiem ma być tekst, a użytkownicy nie czekają na głos. Transkrypcja spotkań, monitoring mediów, analityka call center, wyszukiwanie wideo — wszystko, co korzysta z okna miliona tokenów i budżetu rozumowania — to klasa modeli stworzona właśnie do tego, a cena ułatwia decyzję. Zaakceptuj, że wynajmujesz, że wagi nigdy nie będą Twoje i że interfejs głosowy oznacza dodawanie modeli, a nie konfigurowanie jednego.

Wybierz LFM3-Omni-2B, jeśli interakcja odbywa się głosowo, a urządzenie jest produktem. Jest mniejszy, widzi mniej, pamięta 32K zamiast miliona, a jego licencja zawiera klauzulę przychodową, której nie ma Apache 2.0. W zamian jest jedynym z tych dwóch, który potrafi zakończyć zdanie głosem.

To jest cały kompromis i warto powiedzieć to wprost, ponieważ większość porównań tych dwóch modeli poświęca swą objętość na wyniki, o które tylko jeden z nich kiedykolwiek próbował walczyć. Jeśli twój produkt mówi, jeden z tych modeli został zbudowany dla ciebie, a drugi nie.