LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Apenas Um Deles Consegue Falar

Coloque LFM3-Omni-2B e Qwen3.8-Omni-Flash na mesma sala e a diferença que decide a maioria dos produtos não está na tabela de benchmarks. Ambos aceitam áudio. Ambos aceitam vídeo. Apenas um deles pode responder em voz alta. O modelo da Alibaba retorna texto e nada mais — sua própria documentação deixa explícito que respostas faladas exigem um modelo diferente na linha Qwen — enquanto o checkpoint de 2,17 bilhões de parâmetros da Liquid AI emite fala em 24 kHz diretamente, ou intercala fala e texto em uma única resposta.

Tudo o mais nesse par é um estudo em escala. O Qwen3.8-Omni-Flash é um modelo fechado na API da Alibaba desde 18 de setembro de 2026, construído sobre uma mistura de especialistas de 125 bilhões de parâmetros, com cerca de 6 bilhões ativos e um contexto de um milhão de tokens. O LFM3-Omni-2B tem pesos abertos, 2,17 bilhões de parâmetros, 32K de contexto, e foi anunciado em 27 de outubro de 2026 como um de seis modelos na publicação da família LFM3 — com seu repositório público desde 21 de outubro e sem um anúncio de lançamento próprio. Um você aluga por token; o outro você baixa e paga em hardware.

Os dois produtos não são o mesmo produto.

Em termos do que cada um serve, o Qwen3.8-Omni-Flash é um mecanismo de compreensão com uma janela enorme: transcreve, resume, raciocina sobre horas de mídia, chama ferramentas e devolve texto. O LFM3-Omni-2B é um endpoint conversacional que, por acaso, vê e ouve: recebe uma pergunta por voz, olha para um quadro e responde por voz, em um dispositivo.

A consequência é que construir um assistente de voz com o Qwen3.8-Omni-Flash significa construir mais duas etapas — reconhecimento de fala na entrada, síntese na saída — e pagar por três modelos onde a Liquid cobra por um. Construir um analisador de reuniões de duas horas com o LFM3-Omni-2B significa alimentá-lo em blocos, porque uma janela de 32K não equivale a uma hora de áudio e a Liquid não publica uma taxa de conversão de áudio para tokens que permita calcular o limite antes de testá-lo.

O contexto é a maior lacuna da folha.

• Contexto — Qwen3.8-Omni-Flash: 1M tokens, com entrada máxima de cerca de 991K e saída de até 131K; LFM3-Omni-2B: 32K tokens abrangendo entrada e saída em conjunto.

• Limites de mídia — O Alibaba documenta até três horas de áudio e duas horas de vídeo em uma única solicitação, com entrada de áudio em 113 idiomas e dialetos; o Liquid documenta áudio mono de 16 kHz e vídeo amostrado a 2 quadros por segundo, de 4 a 384 quadros.

• Saída — somente texto em resposta a texto, fala de 24 kHz ou texto e fala intercalados.

• Escala — uma mistura de especialistas de 125B com cerca de 6B ativos, hospedada, contra 2,17B denso rodando em um celular.

• Pesos — fechados em contraste com abertos, sob a LFM Open License v1.0.

• Preço — $0,15 por milhão de tokens de entrada, $0,016 em cache, $0,47 por milhão de saída para o Qwen3.8-Omni-Flash; sem preço por token para o LFM3-Omni-2B porque não há nada a medir.

O contexto de 1M não é um enfeite de ficha técnica. É a diferença entre "resumir esta reunião" e "resumir esta reunião e depois responder a perguntas sobre a terceira hora". O enquadramento de lançamento da Alibaba foi mais uma conta do que uma pontuação: 98% mais barato por hora de entrada de áudio do que o Qwen3.5-Omni-Plus, 93% mais barato por hora de áudio e vídeo, números obtidos ao precificar uma amostra de dois minutos e multiplicar. As economias são reais e também são a aritmética do próprio fornecedor.

O que o dinheiro realmente compra

A US$ 0,15 de entrada e US$ 0,47 de saída, uma hora de transcrição é barata o suficiente para que a maioria das equipes pare de modelá-la. É esse o propósito do corte de preço, e é o argumento mais forte para alugar: o custo marginal de uma solicitação é quase zero e as GPUs são de outra pessoa.

O LFM3-Omni-2B inverte a curva. Os pesos são gratuitos, o custo marginal por requisição é a bateria do seu usuário, e o custo fixo é o tempo de engenharia para levar um modelo de 2,17B para um app. Se você já tem uma equipe mobile, esse não é um número grande. Se não tem, é o projeto inteiro.

É também aqui que um roteador justifica o seu lugar, em vez de ser apenas um slogan. Os modelos de texto da família Qwen3.8 já estão no catálogo da OrcaRouter pelo preço de tabela, com 0% de markup, o que significa que um corte de preço do fornecedor fica ativo do nosso lado no mesmo dia em que chega; o próprio Qwen3.8-Omni-Flash não está no catálogo, e o LFM3-Omni-2B também não. O que o catálogo oferece é a capacidade de manter a parte hospedada de uma solução híbrida — a tarefa em lote de áudio longo, o fallback quando um telefone está offline — atrás de uma única chave e de uma única fatura, com failover automático caso um provedor fique indisponível.

Benchmarks: um número em comum, dois harnesses

RealWorldQA é o único benchmark que ambos os cartões reportam, e a diferença é de 21 pontos: Qwen3.8-Omni-Flash com 87,7, LFM3-Omni-2B com 66,54 no modo visão e 64,68 quando a pergunta é falada.

Não leia isso como uma derrota em condições iguais. O 87,7 do Qwen foi medido pela Alibaba em um modelo de 125B com um orçamento de raciocínio; os números do Liquid foram medidos pela Liquid com decodificação gulosa e o próprio template de chat de cada modelo, e sua variante falada recebe a pergunta como áudio, em vez de texto. Mesmo nome de benchmark, condições diferentes, classes de modelo diferentes. A conclusão direcional é segura — um modelo vinte vezes maior, com raciocínio ativado, deveria ser melhor em responder a perguntas visuais —, mas a magnitude não é uma medição de nada.

O restante de cada cartão não é compartilhado. O Qwen3.8-Omni-Flash reporta LiveCodeBench v6 com 92,6, GPQA Diamond com 91, SpotSoundBench 67,2, WildClawBench-MM 71,0 e OmniVideoBench 67,8. O LFM3-Omni-2B reporta Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40 e uma pontuação de chamada de ferramentas de 52,20. A sobreposição entre essas listas é quase vazia, o que é o que se esperaria de dois modelos construídos para tarefas diferentes — e um lembrete de que nenhum dos fornecedores publicou uma avaliação independente.

Latência, e a ida e volta que ninguém precifica

Um modelo omni hospedado tem uma ida e volta pela rede antes de cada resposta e uma fila atrás dela. Para trabalho em lote, isso é invisível. Para uma conversa, é a diferença entre um produto que parece vivo e um que parece o envio de um formulário.

A vantagem do LFM3-Omni-2B aqui é estrutural, e não medida: o áudio nunca sai do dispositivo, o modelo tem 2,17B e a saída são tokens de fala gerados na mesma passada que o texto. Não há chamada de ASR, nem chamada de síntese, nem orquestração entre elas. Se isso supera um endpoint hospedado bem provisionado em latência de relógio de parede é uma questão empírica que a Liquid não respondeu — ela não publica números de latência, e não há teste independente.

A afirmação honesta é que o caminho local elimina três modos de falha (upload, fila, download) e acrescenta um (um telefone com throttling térmico).

Quem deve escolher qual?

Escolha o Qwen3.8-Omni-Flash se sua entrada for longa, sua saída for texto e seus usuários não estiverem esperando uma voz. Transcrição de reuniões, monitoramento de mídia, análise de centrais de atendimento, busca em vídeos, qualquer coisa que se beneficie de uma janela de um milhão de tokens e de um orçamento de raciocínio — esta é a classe de modelo feita para isso, e o preço torna a decisão fácil. Aceite que você está alugando, que os pesos nunca serão seus e que uma interface de voz significa adicionar modelos em vez de configurar um.

Escolha o LFM3-Omni-2B se a interação for falada e o dispositivo for o produto. Ele é menor, vê menos, lembra 32K em vez de um milhão, e sua licença tem uma cláusula de receita que a Apache 2.0 não tem. Em troca, é o único destes dois que consegue terminar uma frase com voz.

É esse o trade-off inteiro, e vale dizer isso com clareza, porque a maioria das comparações entre esses dois modelos gasta seu espaço com pontuações que só um deles sequer tentava alcançar. Se o seu produto fala, um desses modelos foi feito para você e o outro não.