LFM3 vs Qwen3.8-27B: 16-krotna różnica rozmiarów, która zmniejsza się do 9% w zakresie przestrzegania instrukcji

LFM3-1.7B ma 1,73 miliarda parametrów. Qwen3.8-27B ma 27,78 miliarda, plus enkoder wizyjny — 16,1 razy więcej wagi. Ustaw je w jednym wierszu benchmarku, a arytmetyka odmawia posłuszeństwa. W IFBench, który sprawdza, czy model przestrzega ograniczeń, na których nigdy nie był dostrajany, różnica między nimi wynosi niecałe dziewięć procent. W Terminal-Bench 2.1 to 5,6 razy. Dwa modele, jedna stała różnica rozmiaru i wynik, który waha się od „po co miałbyś w ogóle płacić za dużego” do „mały po prostu tego nie potrafi”, w zależności od tego, który wiersz czytasz.

To wahnięcie przesądza o całej decyzji. To nie jest opowieść o małym modelu doganiającym duży ani o dużym modelu marnowanym na drobne zadania. To opowieść o granicy zadania, która bardzo konsekwentnie przebiega między wykonywaniem instrukcji a realizacją planu — oraz o warunku licencyjnym, który po cichu zmienia kolejność w porównaniu cen dla każdego, kto pracuje w firmie powyżej pewnego progu przychodów.

Czym każde z nich właściwie jest

Liquid AI ogłosiła rodzinę LFM3 2026-10-27 — dzień przed napisaniem tego tekstu — jako sześć modeli z otwartymi wagami o klasie około 2B, odgałęzionych od wspólnego szkieletu LFM3-1.7B-Base. LFM3-1.7B to model tekstowy: trójhybrydowa architektura 24 warstw (13 bramkowanych krótkich konwolucji, 5 warstw uwagi z przesuwanym oknem o rozmiarze 256 tokenów i 6 warstw pełnej uwagi), wstępnie wytrenowana na 22 bilionach tokenów, z końcowym etapem mid-trainingu na 3,5 biliona tokenów, który obejmował ślady agentów i wywołania narzędzi. Wagi są dostępne na Hugging Face, Ollama udostępnia go jako lfm3:latest w ramach pobrania o rozmiarze 1,7 GB, a karta modelu samego dostawcy odradza kodowanie agentowe lub złożone wieloetapowe rozumowanie. To ostatnie zdanie ma większe znaczenie niż cokolwiek innego na karcie i wrócimy do niego.

Qwen3.8-27B nie jest nowością. Alibaba opublikowała jego wagi w połowie sierpnia 2026 na licencji Apache 2.0, więc miał dziesięć tygodni na zgromadzenie pobrań, kwantyzacji i rzeczywistych relacji użytkowników, których wydanie sprzed jednego dnia po prostu nie ma. To gęsty model 27,78B zbudowany na powtarzającym się bloku warstw Gated DeltaNet i Gated Attention, o głębokości 64 warstw, z natywnym wejściem obrazu i wideo oraz kontekstem 262 144 tokenów, który dzięki YaRN rozszerza się do 1M. Myślenie jest domyślnie włączone i można je dostrajać za pomocą ustawienia intensywności rozumowania.

Uczciwe ujęcie tego zestawienia jest asymetryczne w sposób, który ma znaczenie: jeden model ma tabelę benchmarków dostawcy i żadnych raportów z praktyki, drugi ma jedno i drugie. Wszystko poniżej dotyczące LFM3-1.7B traktuj jako twierdzenie o zestawie testów Liquid AI, a nie o Twoim obciążeniu roboczym.

Linia specyfikacji, w której mały model nie przegrywa

Zacznij od tych wymiarów, w których 16× parametrów nie daje absolutnie nic, ponieważ jest ich więcej, niż sugeruje różnica rozmiaru.

• Okno kontekstu — 262 144 tokeny natywnie w obu. LFM3-1.7B osiąga je podczas treningu pośredniego; Qwen3.8-27B oferuje je natywnie i rozszerza do 1M za pomocą YaRN.

• Języki — 16 zadeklarowanych dla LFM3-1.7B (w tym angielski, chiński, japoński, koreański, arabski i hindi); Qwen3.8-27B jest szeroko trenowany w wielu językach, bez podawania liczby w nagłówku.

• Modalność — tekst na wejściu, tekst na wyjściu dla LFM3-1.7B; tekst, obraz i wideo na wejściu, tekst na wyjściu dla Qwen3.8-27B. To jedyne miejsce, w którym 27B wykonuje kategorycznie inną pracę, a nie większą wersję tej samej pracy.

• Pamięć przy 4 bitach — około 1 GB dla LFM3-1.7B wobec około 14–16 GB dla Qwen3.8-27B.

• Pamięć w BF16 — 3,46 GB wobec około 56 GB, czyli różnica między laptopem a maszyną z wieloma GPU.

• Licencja — LFM Open License v1.0 wobec Apache 2.0. Zapamiętaj to.

Okno kontekstu 256K po obu stronach to naprawdę zaskakujący punkt. Długość kontekstu historycznie szła w parze z liczbą parametrów, a tutaj model, który można uruchomić w około gigabajcie, oferuje takie samo nominalne okno jak model wymagający stacji roboczej. Słowo „nominalne” odgrywa w tym zdaniu istotną rolę — okno 256K w modelu 1,7B jest użyteczne tylko wtedy, gdy model potrafi znajdować w nim rzeczy, i dokładnie to sprawdzają poniższe wiersze dotyczące długiego kontekstu.

Gdzie 16× parametrów daje dziewięć procent

Liquid przeprowadził zestaw testów obejmujący 27 wierszy i opublikował pełną tabelę, w tym kolumny, w których wygrywa konkurent. Oba modele podają IFBench, który jest najczystszym wierszem do bezpośredniego porównania w całym zestawieniu, ponieważ jest to pojedyncza wersja benchmarku podawana przez obu dostawców.

LFM3-1.7B uzyskuje wynik 73,03. Qwen3.8-27B uzyskuje 79,5. To 6,5 punktu, poniżej dziewięciu procent wyniku większego modelu — na modelu 16,1 razy mniejszym. W przypadku obciążenia, które polega głównie na „przyjęciu tego zabałaganionego wejścia, wyemitowaniu dokładnie tego kształtu JSON i nigdy niepsuciu schematu”, ta różnica jest bliska szumowi, a różnica we wdrożeniu to gigabajt kontra szesnaście.

Własna tabela Liquid przedstawia ten sam argument wobec bliższego konkurenta. W porównaniu z Qwen3.5-9B — modelem pięć razy większym niż LFM3-1.7B — mały model wygrywa w IFBench o 24 punkty (73,03 do 48,84), w IFStruct o 4,5 (93,72 do 89,20), a w Multi-IF o 4,7 (89,10 do 84,44). Cokolwiek jeszcze jest prawdą, przestrzeganie instrukcji nie jest zdolnością, która skaluje się płynnie wraz z liczbą parametrów, a dobrze wytrenowany model 1.7B może w tym pokonać przeciętny 9B.

Wiersze dotyczące długiego kontekstu są bardziej niejednoznaczne i warto przedstawić je wprost, zamiast zaokrąglać na korzyść Liquid. W AA-LCR LFM3-1.7B uzyskuje 52.83 — to realny wynik jak na swój rozmiar, mniej więcej na poziomie 52.67 modelu Qwen3.5-4B. W RULER 128K uzyskuje 65.56, znacznie wyprzedzając wynik 37.96 modelu MiniCPM5-2B, ale pozostając daleko za wynikiem 87.11 modelu Qwen3.5-9B. Zatem okno 256K nie jest ozdobnikiem, ale nie dorównuje też oknu większego modelu. Qwen3.8-27B w ogóle nie pojawia się w tej tabeli, co oznacza, że dla tej konkretnej pary nie ma porównywalnego wyniku w zakresie długiego kontekstu — istnieje jedynie silne przeświadczenie, że model 27B z natywnym oknem 262K pokona model 1.7B o tym samym nominalnym oknie.

Gdzie 16× liczby parametrów daje pięć i pół razy

Teraz wiersze, przed którymi ostrzegała karta modelu. Każdy z nich to wersja benchmarku raportowana przez obu dostawców, więc nie ma odejmowania między wersjami.

• Terminal-Bench 2.1 — 12,92 dla LFM3-1.7B wobec 73,0 dla Qwen3.8-27B. Różnica 5,6×.

• Humanity's Last Exam, bez narzędzi — 7,17 wobec 30,8. Różnica 4,3×.

• GPQA Diamond — 63,37 wobec 89,2. Różnica 1,4×.

• LiveCodeBench v6 — 73,46 w porównaniu do 90,3. Luka 1,2×.

To, w jakiej kolejności ułożona jest ta lista, jest samym wnioskiem. Najmniejsza różnica występuje w jednorazowym generowaniu kodu, gdzie LFM3-1.7B wypada około 19% poniżej modelu szesnaście razy większego. Największa jest w Terminal-Bench, gdzie zadanie nie polega na „pisaniu kodu”, lecz na „obsługiwaniu maszyny przez wiele kroków, poprawianiu własnych błędów i zatrzymaniu się, gdy zadanie jest wykonane”. To dokładnie ta umiejętność, której — jak głosi własna karta Liquid — modelowi brakuje, a liczby zgadzają się z kartą. W GPQA i HLE różnica dotyczy wiedzy, co jest najmniej zaskakującym wynikiem tutaj — model 1.7B wytrenowany na 22T tokenów po prostu widział mniej niż model 27B wytrenowany na większej liczbie tokenów, a żadna architektura tego nie zrekompensuje.

Jest jeden wiersz, który wskazuje w drugą stronę, i jest to najciekawsza liczba na obu kartach. W publicznym podziale AA-Omniscience LFM3-1.7B odnotowuje dokładność 7,07 i 92,93 wskaźnika niehalucynacji. Ta para oznacza, że model najczęściej odmawia odpowiedzi, zamiast odpowiadać błędnie. To najwyższa wartość niehalucynacji w tabeli porównawczej samego Liquid, wyższa niż w przypadku każdego wymienionego tam większego modelu. Wynik 30,8 Qwen3.8-27B w HLE to przeciwna postawa: wie więcej i śmiało to komunikuje.

Jeśli trybem awarii Twojego pipeline'u jest pewna siebie błędna wartość trafiająca do bazy danych, model, który w 93% przypadków wstrzymuje się od odpowiedzi, jest zaletą, a sufit dokładności jest ceną. Jeśli trybem awarii Twojego pipeline'u jest null tam, gdzie powinna być wartość, to samo zachowanie jest błędem. To najostrzejsza pojedyncza kwestia, od której zależy to porównanie, i żaden wynik zagregowany jej nie oddaje.

Trzy liczby, których nie wolno odejmować

Strony z bezpośrednim porównaniem tej pary będą kuszone, by zestawić każdy benchmark publikowany przez obu dostawców. Trzy z tych pozycji nie wytrzymują zetknięcia z metodologią.

SWE-bench. Liquid podaje dla LFM3-1.7B wynik 43,40 w SWE-bench Verified z harnessem OpenCode. Alibaba podaje dla Qwen3.8-27B wynik 61,7 w SWE-bench Pro. Inny benchmark, inny harness, inny rozkład zadań. Różnica 18 punktów między tymi dwiema liczbami nie jest miarą czegokolwiek. Jeśli chcesz z grubsza zobaczyć kształt tej luki, użyj Terminal-Bench 2.1, gdzie obie firmy podają tę samą wersję.

Dowolny indeks zbiorczy.Artificial Analysis ocenia Qwen3.8-27B na 33,7 w swoim Intelligence Index przy ustawieniu rozumowania xhigh. Według stanu na 2026-10-28 nie ma w ogóle żadnego wpisu LFM3 w Artificial Analysis. Wydanie sprzed jednego dnia nie przeszło niezależnej oceny, a uczciwym stwierdzeniem jest, że LFM3-1.7B ma zero niezależnie odtworzonych liczb. Każda liczba przypisywana mu w tym artykule — i wszędzie indziej w tym tygodniu — pochodzi z własnego zestawu testów Liquid AI na wybranych przez Liquid AI benchmarkach.

Ustawienia wysiłku rozumowania. Publikowane wyniki Qwen3.8-27B znacznie się zmieniają między trybami niskim, średnim, xhigh i bez rozumowania; indeks 33,7 to wartość dla xhigh, a wynik w trybie bez rozumowania jest istotnie niższy. Każde porównanie, które zestawia wynik Qwen z wynikiem LFM3 bez podania ustawienia wysiłku, porównuje model deliberujący z szybkim i nazywa tę różnicę architekturą.

To, co by to rozstrzygnęło, jest proste: niezależne uruchomienie LFM3-1.7B na tych samych harnessach, przy podanym ustawieniu wysiłku, najlepiej po tym, jak społeczność miała kilka tygodni z wagami. Do tego czasu uczciwym podsumowaniem jest, że raportowana przez dostawcę różnica w podążaniu za instrukcjami jest niewielka, a raportowana przez dostawcę różnica w wieloetapowym wykonywaniu jest duża, i oba twierdzenia pochodzą od tej samej zainteresowanej strony.

Licencja jest rzeczywistą metką cenową.

Oto fragment, który odwraca zwykły wniosek z porównania małego z dużym.

LFM3-1.7B jest udostępniany na licencji LFM Open License v1.0. Wagi można bezpłatnie pobierać i uruchamiać, a komercyjne wykorzystanie jest wykluczone w przypadku podmiotów o rocznych przychodach wynoszących 10 mln USD lub więcej. Qwen3.8-27B jest udostępniany na licencji Apache 2.0 bez progu przychodowego, bez ograniczeń zakresu zastosowania i bez odrębnej umowy.

Zatem dla dwuosobowego startupu rachunek jest oczywisty: model, który mieści się w gigabajcie, nie kosztuje nic za token i działa na sprzęcie, który już masz, jest niemal jak darmowy obiad. Dla firmy z przychodami powyżej 10 mln USD — czyli większości firm z budżetem na produkcyjną inferencję, który warto optymalizować — tani model nie jest darmowy, a drogi jest jednoznacznie licencjonowany. Model, który wygląda na opcję budżetową, to ten, z którym wiąże się rozmowa prawna.

To nie jest argument przeciwko LFM3-1.7B. To argument za przeczytaniem licencji, zanim przeczytasz tabelę benchmarków, ponieważ licencja decyduje o tym, czy tabela benchmarków jest dla ciebie {{1}}w ogóle dostępna{{/1}}.

Czego potrzeba, aby faktycznie uruchomić każdy z nich

LFM3-1.7B to instalacja w jednej linii. Jest dostępny w bibliotece Ollama jako lfm3:latest i lfm3:1.7b — oba to pobranie o rozmiarze 1,7 GB z zadeklarowanym oknem kontekstu 256K — i działa w Transformers z dostrajaniem na jednej GPU. Wydanie na Hugging Face zawiera notebooki do SFT, DPO i GRPO, w tym gotowy przykład trenowania modelu, by wybierał właściwe narzędzie spośród 108 w aplikacji telefonicznej. Jeśli Twoim celem jest mały, wyspecjalizowany, dostrojony ekstraktor, który działa na tej samej maszynie co dane, to naprawdę krótka droga od pobrania do wdrożenia.

Qwen3.8-27B to projekt innego rodzaju. Przy około 56 GB w BF16 wymaga maszyny z wieloma GPU lub agresywnej kwantyzacji; w 4 bitach mieści się w 14–16 GB, czyli na pojedynczym GPU wysokiej klasy lub dobrze skonfigurowanym laptopie, przy czym pamięć podręczna KV dodatkowo zwiększa rzeczywiste zużycie pamięci. Działa w Transformers, vLLM, SGLang i TokenSpeed. Jeśli nie chcesz posiadać tego sprzętu, jest dostępny w hostingu — w OrcaRouter obsługuje go dwóch dostawców upstream: u pierwszego po 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, a u drugiego 0,40 USD / 4,21 USD.

Ta różnica między dwoma dostawcami warta jest chwili zastanowienia, bo to coś, co wychodzi na jaw tylko wtedy, gdy patrzy się na żywy katalog, a nie na komunikat prasowy. Te same wagi, to samo okno kontekstu, około 75% drożej na wyjściu u drugiego dostawcy. OrcaRouter przekazuje cennik dostawcy bez marży (0%), więc obie ceny są widoczne obok siebie, a automatyczne przełączanie awaryjne oznacza, że czkawka u dostawcy jest omijana, zamiast trafiać do Twoich użytkowników. Jeśli oceniasz Qwen3.8-27B jako ścieżkę eskalacji dla potoku, który zaczyna się na małym modelu, to jest ta odnoga, którą umieściłbyś za jednym kluczem.

Mówiąc wprost o drugiej połowie: OrcaRouter nie udostępnia LFM3-1.7B. To pobranie wag, a jego uruchomienie oznacza własny endpoint na własnym sprzęcie. Powodem, dla którego w ogóle wspominamy o nas w tym artykule, jest ścieżka eskalacji, a nie mały model.

Kto powinien wybrać, które

Decyzja tak naprawdę nie zależy od tabeli benchmarków. Zależy od dwóch pytań, na które możesz odpowiedzieć, zanim cokolwiek uruchomisz.

Wybierz LFM3-1.7B, jeśli praca jest jednorundowa i ograniczona schematem — ekstrakcja, klasyfikacja, routing, strukturyzowane dane wyjściowe, wybór narzędzi na urządzeniu — a dane nie mogą opuścić urządzenia. To również właściwy wybór, jeśli zamierzasz dostrajać model, ponieważ model 1.7B z dołączoną ścieżką SFT/DPO/GRPO i budżetem na jedną GPU to projekt weekendowy, a nie kwartalny. Okno 256K, 16 języków i zachowanie polegające na powstrzymywaniu się od odpowiedzi wskazują na ten sam przypadek użycia: wąski, o dużym wolumenie, wrażliwy na prywatność komponent, w którym błędna odpowiedź jest gorsza niż brak odpowiedzi, i w którym Twoja firma znajduje się poniżej linii przychodowej.

Wybierz Qwen3.8-27B, jeśli model musi planować. Agenty wieloetapowe, praca w terminalu, długoterminowe kodowanie, cokolwiek, gdzie model musi podnosić się po własnych błędach w kilkunastu wywołaniach narzędzi — luka 5,6× w Terminal-Bench to nie problem strojenia, to karta modelu mówiąca ci prawdę. To także właściwy wybór, gdy potrzebujesz wiedzy, a nie formatu, gdy potrzebujesz wejścia wizyjnego lub wideo oraz gdy Apache 2.0 jest wymogiem, a nie preferencją.

I wybierz oba, jeśli uczciwa odpowiedź brzmi, że twój pipeline ma dwie połowy. Wzorzec, który pasuje do tej pary, to tani, lokalny, ograniczony schematem pierwszy przebieg ze ścieżką eskalacji do 27B, gdy pierwszy przebieg odmówi — co jest dokładnie tym, co ma sygnalizować model wstrzymujący się 93% czasu. Ta architektura wykorzystuje najlepszy wiersz każdego modelu i najgorszego wiersza żadnego z nich.

Co zmieniłoby tę odpowiedź?

To dwie rzeczy i obie warto obserwować, a nie zgadywać.

Pierwszą rzeczą jest niezależna ewaluacja LFM3-1.7B. Wszystkie powyższe twierdzenia o możliwościach opierają się na własnym zestawie testów Liquid AI, a checkpoint Base w tej rodzinie ukazał się zupełnie bez tabeli benchmarków — co mówi ci, że liczby tej rodziny to historia treningu po wstępnym, a nie historia architektury. Neutralny przebieg na IFBench i Terminal-Bench albo potwierdziłby podział opisywany w tym artykule, albo by go rozmył.

Drugą kwestią jest, czy Liquid wypuszcza większy model tekstowy na tym szkielecie. Całe porównanie rozgrywa się w kontekście 16× różnicy w liczbie parametrów, a wynik w zakresie podążania za instrukcjami sugeruje, że receptura treningowa wykonuje więcej pracy niż sama liczba parametrów. Jeśli pojawi się średniej wielkości LFM3, ciekawe pytanie przestanie brzmieć „czy model 1.7B potrafi podążać za instrukcjami” — już potrafi — i stanie się „co ta receptura robi z czterema miliardami parametrów”.

Dopóki jedno z nich nie nastąpi, użyteczne podsumowanie jest węższe niż tabela wyników: LFM3-1.7B to naprawdę dobry model wykonujący instrukcje, który nie potrafi planować, a Qwen3.8-27B to naprawdę dobry planista z licencją, na której można oprzeć firmę. Wybór między nimi nie jest kwestią benchmarku. To kwestia tego, które z tych dwóch zdań opisuje Twoje obciążenie pracą.