LFM3-1.7B-Base vs Qwen 3.8: Classe de peso errada, pergunta certa

A resposta honesta é que LFM3-1.7B-Base não compete com Qwen3.8-27B, e nunca foi feito para isso. Faça a pergunta da forma correta e três modelos Qwen diferentes surgem: o modelo de pesos abertos de visão e linguagem de 27B que a Alibaba publicou em agosto de 2026, o modelo hospedado Qwen3.8-Flash a US$ 0,15 por milhão de tokens de entrada e US$ 0,47 por milhão de saída, e o Qwen3.8-Max a US$ 2,00 e US$ 6,00. O novo checkpoint de 1,73B da Liquid é material bruto pré-treinado para um celular, um notebook ou uma execução de ajuste fino; a linha da Qwen é uma família de produtos acabados. A comparação útil não é quem pontua mais. É qual envelope de implantação você está realmente comprando.

Esse enquadramento também explica por que este confronto ainda não tem cobertura séria. Não há nada com que comparar: de um lado, uma tabela de fornecedor com 27 linhas; do outro, nenhuma avaliação publicada. Assim, este texto faz a comparação na única ordem que resiste ao contato com os fatos — o que cada lado entrega, quanto custa operá-lo e o que você tem permissão para fazer com ele.

Três Qwen 3.8s, três compras diferentes

Qwen3.8-27B é a opção de pesos abertos. A Alibaba o publicou em agosto de 2026 sob a licença Apache 2.0, e desde então ele acumulou mais de 7,5 milhões de downloads. É um modelo causal denso de 27B com um codificador de visão, 64 camadas em um layout 16 × (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN) e um contexto nativo de 262.144 tokens que, segundo a Alibaba, se estende a 1.000.000. Ele entende imagens e vídeo, tem controle de pensamento e mira explicitamente o trabalho agêntico de longo horizonte.

O Qwen3.8-Flash é o nível hospedado que a maioria das equipes vai cotar primeiro na prática. No catálogo do OrcaRouter ele é um modelo com contexto de 1M que aceita entrada de texto, imagem e vídeo, teto de saída de 131K e tarifas de $0.15 para entrada e $0.47 para saída por milhão de tokens. Sua página de modelo data a listagem em 26 de agosto de 2026 e registra 157 tokens de saída por segundo na semana anterior.

O Qwen3.8-Max é o topo de linha: US$ 2,00 de entrada e US$ 6,00 de saída por milhão de tokens, contexto de 1M e sem pesos abertos. É o nível que você usa quando a tarefa justifica um preço de fronteira, não o nível com o qual você compara um checkpoint base de 1,7B.

O que o LFM3-1.7B-Base realmente inclui

A Liquid criou o repositório LFM3-1.7B-Base em 26 de outubro de 2026 e anunciou a família no dia seguinte. O checkpoint é somente texto, com 1,73 bilhão de parâmetros, 24 camadas de convoluções curtas com gate e atenção completa ou com janela deslizante, contexto de 256 mil tokens, vocabulário de 128.000 tokens, 16 idiomas nomeados e aproximadamente 1 GB de uso de memória em precisão de 4 bits. Ele foi treinado com 22 trilhões de tokens; os últimos 3,5 trilhões são dados de treinamento intermediário que incluem traços agênticos e chamadas de ferramentas e carregam a extensão de contexto.

O que ele não traz é uma pontuação. O card base não tem tabela de avaliação, nem números de recuperação de contexto, nem comparação com qualquer outro modelo. Cada número no blog de lançamento da Liquid — a média de 49.37, LiveCodeBench v6 em 73.46, SWE-bench Verified em 43.40, GPQA Diamond em 63.37, IFEval em 96.66 — pertence ao LFM3-1.7B após ajuste fino supervisionado, aprendizado por reforço, destilação on-policy e RL agêntico. Esses são números reais e a Liquid os reporta honestamente como seus, mas eles descrevem o modelo finalizado, não o checkpoint base cujo nome está neste título.

A licença é a LFM Open License v1.0. Ela concede direitos comerciais apenas enquanto o licenciado permanecer abaixo de US$ 10 milhões em receita anual; acima desse limite, a obra não é licenciada ao abrigo do acordo e exige um acordo separado. Essa única cláusula removerá o LFM3-1.7B-Base de muitas listas de pré-seleção antes mesmo de alguém processar um token com ele.

Por que a lacuna do benchmark não pode ser fechada com aritmética

A tentação é comparar os números do fornecedor do Qwen3.8-27B com os números do fornecedor da Liquid e declarar um vencedor. Resista a ela, porque as duas tabelas não medem as mesmas coisas. A Qwen relata SWE-bench Pro 61,7, Terminal Bench 2.1 em 73,0, LiveCodeBench v6 em 90,3, GPQA Diamond 89,2 e HLE 30,8. A Liquid relata SWE-bench Verified 43,40, LiveCodeBench v6 73,46, GPQA Diamond 63,37 e HLE sem ferramentas em 7,17. SWE-bench Pro e SWE-bench Verified são benchmarks diferentes, com dificuldades diferentes; as contagens de parâmetros diferem por um fator de 16; e uma coluna descreve um modelo de chat pós-treinado, enquanto a outra descreve um checkpoint base que não foi pós-treinado de forma alguma.

Há um número que vale a pena tomar emprestado de fora de ambos os fornecedores. A página de modelo do OrcaRouter para o Qwen3.8-27B lista um Artificial Analysis Intelligence Index de 33,7 e uma pontuação AA Coding de 68,1, avaliados em 14 de agosto de 2026. Esse é um placar independente, e ele existe para o Qwen. Em 28 de outubro de 2026, não conseguimos encontrar nenhuma entrada do LFM3 no Artificial Analysis, portanto não há contrapeso independente do outro lado. Qualquer pessoa que apresente hoje um veredito de capacidade comparativa direta para esses dois modelos está ou comparando tabelas de fornecedores em harnesses incompatíveis ou inventando um número.

O envelope de implantação, lado a lado

• Parâmetros — LFM3-1.7B-Base: 1,73B, somente texto, 24 camadas. Qwen3.8-27B: 27B denso com um codificador de visão, 64 camadas.

• Contexto — LFM3-1.7B-Base: 256K tokens. Qwen3.8-27B: 262.144 nativos, extensível a 1M; Qwen3.8-Flash e Qwen3.8-Max: 1M.

• Modalidade de entrada — LFM3-1.7B-Base: texto. Qwen3.8-27B, Qwen3.8-Flash e Qwen3.8-Max: texto, imagem e vídeo.

• Pesos — LFM3-1.7B-Base: download em BF16 com código de modelagem personalizado e trust_remote_code. Qwen3.8-27B: pesos Apache-2.0 que são executados no Transformers, vLLM, SGLang e TokenSpeed.

• Piso de memória — LFM3-1.7B-Base: cerca de 1 GB em 4 bits, segundo a Liquid. Qwen3.8-27B: aproximadamente 55 GB em BF16, portanto, uma máquina com várias GPUs ou quantização agressiva.

• Licença — LFM3-1.7B-Base: LFM Open License v1.0, uso comercial para receita anual inferior a US$ 10 milhões. Qwen3.8-27B: Apache 2.0, sem condição de receita.

• Preço listado — LFM3-1.7B-Base: nenhum preço por token publicado para versão hospedada. Qwen3.8-27B no OrcaRouter: US$ 0,33 de entrada / US$ 2,40 de saída por milhão de tokens; Qwen3.8-Flash: US$ 0,15 / US$ 0,47; Qwen3.8-Max: US$ 2,00 / US$ 6,00.

• Velocidade observada — LFM3-1.7B-Base: sem medição independente. Qwen3.8-27B no OrcaRouter: 91 tokens de saída por segundo nos últimos sete dias; Qwen3.8-Flash: 157 tokens por segundo.

A aritmética que decide isso

Considere uma carga de trabalho de 100 milhões de tokens de saída por mês. No Qwen3.8-Flash, isso custa US$ 47. No Qwen3.8-27B via OrcaRouter, custa US$ 240. No Qwen3.8-Max, custa US$ 600. Os tokens de entrada são mais baratos em todos os níveis, então uma combinação realista fica em algum ponto abaixo desses valores, mas a saída domina a conta e a classificação não muda.

Agora compare essas contas com executar o LFM3-1.7B-Base por conta própria. Em 4 bits, ele cabe em cerca de um gigabyte, o que significa hardware que você talvez já tenha: um laptop, um celular recente, uma única GPU pequena. O custo marginal por token é a eletricidade e nada mais, e o modelo nunca sai do dispositivo. Faça a mesma conta com o Qwen3.8-27B e o cenário se inverte: 100 milhões de tokens de saída por mês a US$ 2,40 por milhão dá US$ 240, que é aproximadamente o que custa alugar uma GPU da classe de 24 GB por um mês a cerca de US$ 0,35 por hora. A auto-hospedagem do 27B só começa a superar o preço do serviço hospedado em algum ponto acima de 100 milhões de tokens de saída por mês — e esse cálculo ignora o tempo de engenharia, o download de 55 GB e o fato de que um modelo de 27B precisa de consideravelmente mais de 24 GB quando você leva em conta o cache KV.

A versão prática: abaixo de aproximadamente 100 milhões de tokens de saída por mês, as camadas hospedadas do Qwen3.8 vencem em custo total e simplicidade operacional. Se sua carga de trabalho for pequena o suficiente para caber em um celular, o LFM3-1.7B-Base vence porque o medidor nunca começa. A diferença entre essas duas posições é onde a maioria das implantações reais se encontra, e é uma questão de volume e privacidade, não de pontuações de benchmark.

Onde o OrcaRouter se encaixa, e onde não

Todas as três camadas do Qwen 3.8 já estão no catálogo do OrcaRouter, incluindo o Qwen3.8-27B auto-hospedado em nossa própria infraestrutura, a US$ 0,33 de entrada e US$ 2,40 de saída por milhão de tokens, com contexto de 262K, tempo até o primeiro token (p50) de 2,37 segundos e 91 tokens de saída por segundo medidos na semana anterior. Rotear as três camadas por trás de uma única chave compatível com OpenAI é o ponto: um padrão barato no Qwen3.8-Flash, um caminho de escalonamento para o Qwen3.8-27B ou o Qwen3.8-Max quando a tarefa exigir, e failover automático se um upstream degradar. Como repassamos os preços de lista dos provedores com 0% de acréscimo, uma mudança de preço do fornecedor aparece na sua fatura no mesmo dia, e não depois de um ciclo de reprecificação.

O LFM3-1.7B-Base não está no nosso catálogo, e não vamos fingir o contrário. Se o checkpoint da Liquid é a resposta certa para sua carga de trabalho, a rota hoje é a própria API e o playground do fornecedor ou um download auto-hospedado. O que um roteador ainda pode fazer é manter essa decisão reversível: colocar o modelo pequeno atrás da mesma interface das camadas hospedadas, rotear por tarefa ou por custo e mover o tráfego de volta para um modelo hospedado quando o caminho auto-hospedado apresentar problemas.

Escolha pela função, não pela pontuação.

Escolha o LFM3-1.7B-Base quando a restrição for o dispositivo: operação offline, um telefone ou laptop, um modelo específico de domínio que você pretende pós-treinar em uma única GPU, ou uma carga de trabalho em que contexto de 256K em uma pegada de 1 GB seja o motivo inteiro do seu interesse. Aceite que você está comprando matéria-prima, que a licença tem um teto de receita e que ainda não existe avaliação independente.

Escolha o Qwen3.8-27B quando a tarefa exigir visão, agentes de horizonte longo ou código que ele realmente consiga entregar, e você tiver o hardware ou o orçamento para servir 27 bilhões de parâmetros. Escolha o Qwen3.8-Flash quando quiser a maior parte dessa superfície de produto por um quinto do preço e não precisar ser dono dos pesos. Escolha o Qwen3.8-Max somente quando o valor por token da tarefa superar US$ 6,00 de saída.

O confronto no título é um descompasso por design — um checkpoint pré-treinado de 1,7B contra um modelo visão-linguagem finalizado de 27B — e a conclusão útil não é que um seja melhor. É que eles respondem a perguntas diferentes: com quão pouco hardware consigo rodar, versus quanta capacidade consigo comprar por token. A Liquid lançou uma resposta incomumente detalhada para a primeira. A Alibaba vem vendendo a segunda desde agosto.