LFM2.5-24B-A2B vs Qwen3.8-27B: Um é um download, o outro é uma rubrica orçamentária

Comece pelo número que decide a maior parte disto. LFM2.5-24B-A2B é um arquivo que você coloca em uma máquina e mantém. Qwen3.8-27B é um modelo que você aluga por milhão de tokens. A Liquid AI anunciou o primeiro em 13 de outubro de 2026, com 24,0 bilhões de parâmetros totais, 2,45 bilhões ativos por token e um contexto de 131.072 tokens; a Alibaba publicou o segundo em 13 de agosto de 2026 como um modelo denso de visão e linguagem de 27 bilhões de parâmetros, com um contexto de 262.144 tokens. Ambos têm pesos abertos. Apenas um deles tem um preço publicado por token vinculado a um endpoint em funcionamento, e não é o menor.

Essa assimetria é a comparação. Tudo o que vem abaixo — capacidade, licença, contexto, modalidade — depende de se você está comprando hardware ou comprando tokens.

O que cada um é, e o que ele vê

LFM2.5-24B-A2B é um mixture-of-experts apenas de texto: 40 camadas divididas entre 30 blocos de convolução curta com duplo gate e 10 camadas de atenção com consultas agrupadas, 64 experts por bloco com roteamento top-4, um vocabulário de 128.000 tokens e 16 idiomas suportados. O post de lançamento da Liquid contabiliza o pré-treinamento em 33 trilhões de tokens; o model card do Hugging Face para o mesmo lançamento diz 36 trilhões. O pipeline de pós-treinamento termina em aprendizado por reforço agêntico dentro de harnesses reais, e a orientação do próprio fornecedor é combinar o modelo com recuperação ou busca na web em vez de pedir que ele responda a perguntas de conhecimento a partir dos pesos.

Qwen3.8-27B tem um formato completamente diferente, e o formato é o ponto principal. Trata-se de um design denso de atenção híbrida — 48 camadas de atenção linear Gated DeltaNet intercaladas com 16 camadas de atenção completa em 64 camadas, tamanho oculto de 5.120 e um vocabulário de 248.320 tokens — que é o que torna um contexto de 262K acessível em primeiro lugar. Ele recebe entrada de texto, imagem e vídeo e retorna texto. Essa espinha dorsal majoritariamente linear é herdada da mesma linhagem da qual uma versão comprimida como Ternary Bonsai 2 27B deriva, o que é um sinal útil sobre quanto do valor reside na arquitetura, e não na execução de treinamento.

A versão em uma linha: o modelo da Liquid encaminha e chama ferramentas dentro de um loop, e faz isso sem rede. O modelo da Qwen olha para coisas — capturas de tela, documentos, vídeo — e raciocina sobre elas com um comprimento de contexto cerca de duas vezes maior. Nenhum dos dois é uma versão inferior do outro; eles apontam para metades diferentes de um sistema em funcionamento.

O custo, calculado como um número real

É aqui que os dois deixam de ser comparáveis, por isso vale a pena fazer as contas em vez de trocar adjetivos.

No OrcaRouter, qwen/qwen3.8-27b é oferecido a $0,33 por milhão de tokens de entrada e $2,40 por milhão de tokens de saída, com um tempo p50 até o primeiro token de 3,45 segundos medido ao longo de sete dias. Uma carga de trabalho de 20 milhões de tokens de entrada e 2 milhões de tokens de saída por mês — uma ferramenta interna modesta — fica em $6,60 mais $4,80, ou cerca de $11,40. Nada para instalar, nada para manter aquecido, nenhuma depreciação de GPU.

O endpoint Console da Liquid custa $0,10 por milhão de entrada com uma taxa de cache de $0,05 e $1,00 por milhão de saída, com $2 de crédito inicial, o que faz a mesma carga de trabalho custar menos de $4. Mas esse endpoint não é realmente o produto. O produto são os pesos, e não há uma tabela de tamanho de arquivo publicada pelo fornecedor para o LFM2.5-24B-A2B citar — os repositórios de quantização são disponibilizados como irmãos no Hugging Face. O que o fornecedor publica é o formato da aposta: um MoE com 2,45B ativos que roda a 184 tokens por segundo em um Apple M5 Max e 114 em um AMD Ryzen AI Max+ 395, ambos relatados pelo fornecedor e não reproduzidos, e ambos sem sentido em uma GPU de datacenter executando muitas requisições simultâneas.

O ponto de equilíbrio não é uma contagem de tokens, é uma questão de utilização. Abaixo de uma carga pesada aproximadamente contínua, o endpoint cobrado por uso ganha em dinheiro e perde no piso de latência. Acima disso, o download ganha em dinheiro e perde em operações — agora você é dono de uma implantação, de suas atualizações e de sua história de failover. Essa é a decisão inteira, e ela não tem nada a ver com qual modelo tem a pontuação mais alta em uma tabela.

Contexto, licença e as duas coisas que realmente diferem

• Contexto — 131.072 tokens versus 262.144 tokens. A janela do Qwen é duas vezes mais longa no papel, e o design de atenção majoritariamente linear é o que permite arcar com isso em memória. A Liquid não publicou nenhum dado de recuperação de contexto longo para sua janela de 131K em nenhuma extensão, que é a única lacuna em seu lançamento que uma rodada de benchmark fecharia rapidamente.

• Licença — lfm1.0 versus Apache 2.0.O Apache 2.0 não tem gatilho de receita nem cláusula de campo de uso. A licença da Liquid é um instrumento próprio, com os seus próprios termos. Leia-a à luz dos números da sua empresa antes de uma implementação comercial e note que esta diferença não diminui à medida que os modelos se tornam maiores.

• Modalidade — somente texto versus texto, imagem e vídeo incluídos. Se a sua carga de trabalho envolve uma captura de tela, uma página digitalizada ou um quadro de vídeo, esta linha encerra a comparação por si só.

• Seguimento de instruções — IFEval 96.75 e IFBench 74.69.As linhas mais fortes da Liquid em sua própria tabela de lançamento, à frente de todas as colunas dela. Se a tarefa é "obedecer exatamente a este formato, todas as vezes", o LFM2.5-24B-A2B tem o melhor caso publicado.

• Conhecimento e codificação — GPQA Diamond 74,42 e SWE-Bench Verified 51,00 para o modelo da Liquid.A Liquid compara esses números com os 83,69 e 66,20 do Qwen3.6-35B-A3B e perde em ambos. Não existe nenhuma comparação com o Qwen3.8-27B nessa tabela, e ninguém colocou os dois modelos um contra o outro.

Onde cada um realmente pertence

Escolha o Qwen3.8-27B quando a entrada não for texto, quando os documentos forem longos ou quando você preferir ser cobrado em vez de operar algo você mesmo. Uma janela de 262K que aceita imagens e vídeo é um produto genuinamente diferente de uma janela de 131K que aceita texto, e a licença Apache 2.0 elimina uma conversa que a maioria das equipes, de outra forma, teria de ter. O tempo p50 de 3,45 segundos até o primeiro token é real e vale a pena medir em relação à sua própria tolerância antes de se comprometer — um modelo com essa capacidade na classe densa de 27B não é rápido, e nenhuma nota de arquitetura muda isso.

Escolha o LFM2.5-24B-A2B quando a máquina for a limitação. Um MoE com 2,45B ativos, contexto de 131K e um perfil de seguimento de instruções que supera tudo em sua própria tabela comparativa é algo e tanto para se ter rodando localmente, e a decisão da Liquid de treiná-lo dentro de harnesses de agentes em vez de contra um conjunto estático de chamadas de ferramentas aparece nas linhas que ele vence. O que ele não é: um analista de documentos ou uma base de conhecimento, e o fornecedor diz isso no mesmo documento que publica a tabela de benchmarks.

Se você quiser decidir com base na sua própria carga de trabalho, em vez de na tabela de qualquer um dos fornecedores, o caminho servido é o experimento barato: qwen/qwen3.8-27bestá em nosso catálogo pelo preço de tabela acima, com 0% de markup sobre a tarifa do provedor, e os tamanhos irmãos qwen/qwen3.8-flash e qwen/qwen3.8-maxficam ao lado dele atrás da mesma chave — assim você pode encontrar o ponto de custo-benefício que sua tarefa realmente precisa antes de decidir se vale a pena ter uma máquina. O LFM2.5-24B-A2B não está em nosso catálogo; o Console da própria Liquid e os pesos abertos são o caminho para ele, e nada aqui deve sugerir o contrário.

A questão que vai resolver isto em seis meses não é qual modelo vence. É se a camada de executor local se sustenta à medida que os comprimentos de contexto crescem — e, nesse ponto, a janela duas vezes mais longa da Qwen e a não medida da Liquid são os únicos dois pontos de dados que alguém tem.

Acompanhe interrupções e degradações de modelos ao vivo em nosso arquivo de incidentes e veja quais rotas fizeram failover de forma limpa.