LFM2.5-24B-A2B против Qwen3.8-27B: одно скачивается, другое — статья расходов

Начните с числа, которое определяет большую часть этого. LFM2.5-24B-A2B — это файл, который вы кладёте на машину и храните. Qwen3.8-27B — это модель, которую вы арендуете по миллиону токенов. Liquid AI анонсировала первую 13 октября 2026 года: 24,0 млрд общих параметров, 2,45 млрд активных параметров на токен и контекст 131 072 токена; A​libaba опубликовала вторую 13 августа 2026 года как плотную визуально-языковую модель на 27 млрд параметров с контекстом 262 144 токена. Обе имеют открытые веса. Только у одной из них опубликована цена за токен, привязанная к работающему эндпоинту, и это не меньшая из них.

Эта асимметрия и есть сравнение. Всё, что ниже — возможности, лицензия, контекст, модальность — зависит от того, покупаете вы оборудование или покупаете токены.

Что представляет собой каждый из них и что он видит

LFM2.5-24B-A2B — это текстовый Mixture-of-Experts: 40 слоёв, разделённых между 30 блоками коротких свёрток с двойным стробированием и 10 слоями группового внимания с запросами, 64 эксперта на блок с маршрутизацией top-4, словарь на 128 000 токенов и 16 поддерживаемых языков. В анонсе Liquid указано, что предобучение выполнено на 33 триллионах токенов; в карточке модели Hugging Face для того же релиза говорится о 36 триллионах. Пайплайн постобучения завершается агентным обучением с подкреплением внутри реальных сред, и рекомендация самого вендора — сочетать модель с поиском по базе или веб-поиском, а не просить её отвечать на вопросы о знаниях из весов.

Qwen3.8-27B — это совершенно другая форма, и форма здесь важна. Это плотная гибридная архитектура внимания — 48 слоёв линейного внимания Gated DeltaNet, чередующихся с 16 слоями полного внимания, всего 64 слоя, размер скрытого слоя 5 120 и словарь на 248 320 токенов — именно это и делает контекст в 262K доступным в первую очередь. Модель принимает на вход текст, изображения и видео и возвращает текст. Этот преимущественно линейный каркас унаследован от той же линии, от которой происходит такая сжатая сборка, как Ternary Bonsai 2 27B, что служит полезным сигналом о том, насколько большая часть ценности заключена в архитектуре, а не в процессе обучения.

Версия в одну строку: модель Liquid маршрутизирует и вызывает инструменты внутри цикла и делает это без сети. Модель Qwen смотрит на вещи — скриншоты, документы, видео — и рассуждает о них при длине контекста примерно вдвое большей. Ни одна не является урезанной версией другой; они направлены на разные половины работающей системы.

Стоимость, представленная в виде конкретного числа

Тут эти двое вообще перестают быть сопоставимыми, поэтому стоит заняться арифметикой, а не обмениваться эпитетами.

На OrcaRouter qwen/qwen3.8-27b обслуживается по цене $0.33 за миллион входных токенов и $2.40 за миллион выходных токенов, при p50 времени до первого токена 3.45 секунды, измеренном за семь дней. Нагрузка в 20 миллионов входных и 2 миллиона выходных токенов в месяц — скромный внутренний инструмент — обходится в $6.60 плюс $4.80, или около $11.40. Ничего не нужно устанавливать, ничего не нужно держать в прогреве, никакой амортизации GPU.

Консольный эндпоинт Liquid работает по цене $0,10 за миллион входных токенов со ставкой $0,05 для кэшированных и $1,00 за миллион выходных токенов, при стартовом кредите в $2, что оценивает ту же рабочую нагрузку менее чем в $4. Но этот эндпоинт — не совсем продукт. Продукт — это веса, а опубликованной вендором таблицы размеров файлов для LFM2.5-24B-A2B, которую можно было бы привести, не существует — репозитории с квантованными версиями публикуются как соседние на Hugging Face. А что вендор действительно публикует, так это очертания ставки: MoE с 2,45 млрд активных параметров, которая выдаёт 184 токена в секунду на Apple M5 Max и 114 на AMD Ryzen AI Max+ 395, причём оба показателя заявлены вендором и не воспроизведены, и оба не имеют смысла на GPU датацентра, обрабатывающем множество одновременных запросов.

Порог безубыточности — это не количество токенов, а вопрос загрузки. Ниже примерно непрерывной высокой нагрузки тарифицируемый endpoint выигрывает по деньгам и проигрывает по нижней границе задержки. Выше неё скачиваемая версия выигрывает по деньгам и проигрывает по эксплуатации — теперь вы отвечаете за развёртывание, его обновления и обеспечение отказоустойчивости. Вот и всё решение, и оно никак не связано с тем, какая модель набирает больше баллов в таблице.

Контекст, лицензия и две вещи, которые действительно различаются

• Контекст — 131,072 токена против 262,144 токенов. Окно Qwen на бумаге вдвое длиннее, и именно преимущественно линейная архитектура внимания позволяет ей позволить такое с точки зрения памяти. Liquid не опубликовала ни одной цифры по извлечению в длинном контексте для своего окна в 131K ни на какой длине, и это тот единственный пробел в её релизе, который быстро закрыл бы один раунд бенчмарков.

• Лицензия — lfm1.0 против Apache 2.0.В Apache 2.0 нет триггера по выручке и нет пункта об ограничении области использования. Лицензия Liquid — это отдельный инструмент с собственными условиями. Сверьте её с показателями вашей компании перед коммерческим запуском и учтите, что эта разница не уменьшается по мере роста моделей.

• Модальность — только текст против текста, изображений и видео. Если ваша задача включает скриншот, отсканированную страницу или кадр из видео, эта строка сама по себе завершает сравнение.

• Следование инструкциям — IFEval 96,75 и IFBench 74,69.Самые сильные строки Liquid в его собственной таблице запуска — впереди каждого столбца в ней. Если задача — «точно соблюдать этот формат, каждый раз», у LFM2.5-24B-A2B более весомый опубликованный аргумент.

• Знания и программирование — GPQA Diamond 74,42 и SWE-Bench Verified 51,00 у модели Liquid. Liquid сравнивает эти показатели с 83,69 и 66,20 у Qwen3.6-35B-A3B и проигрывает по обоим. Сравнения с Qwen3.8-27B в той таблице нет вообще, и никто не запускал эти две модели друг против друга.

Где на самом деле место каждому из них

Выбирайте Qwen3.8-27B, когда входные данные — не текст, когда документы длинные или когда вы предпочитаете платить по счетам, а не разворачивать что-то самостоятельно. Окно в 262K, принимающее изображения и видео, — это действительно другой продукт по сравнению с окном в 131K, принимающим текст, а лицензия Apache 2.0 избавляет от разговора, который большинству команд иначе пришлось бы вести. p50-время до первого токена в 3,45 секунды — это реальность, и его стоит измерить относительно вашей собственной терпимости, прежде чем на что-то решаться: модель с такими возможностями в классе плотных 27B не быстра, и никакая заметка об архитектуре этого не меняет.

Выбирайте LFM2.5-24B-A2B, когда ограничивающим фактором является машина. MoE с 2,45 млрд активных параметров, контекстом 131K и профилем следования инструкциям, который обходит всё в собственной сравнительной таблице, — это серьёзное приобретение для локального запуска, а решение Liquid обучать её внутри агентных обвязок, а не на статичном наборе для вызова инструментов, проявляется в тех строках, где она побеждает. Чего у неё нет — так это роли аналитика документов или базы знаний, и вендор говорит об этом в том же документе, где публикует таблицу бенчмарков.

Если вы хотите проверить это на собственной рабочей нагрузке, а не на стендах того или иного поставщика, то вариант с обслуживанием — это недорогой эксперимент: qwen/qwen3.8-27b есть в нашем каталоге по указанной выше прайсовой цене с 0% наценки к тарифу провайдера, а модели того же семейства qwen/qwen3.8-flash и qwen/qwen3.8-max стоят рядом с ней и доступны по тому же ключу — так вы сможете найти точку соотношения цена/производительность, которая действительно нужна вашей задаче, прежде чем решать, стоит ли владеть собственной машиной. LFM2.5-24B-A2B нет в нашем каталоге; путь к ней — собственная Console от Liquid и открытые веса, и ничто здесь не должно подразумевать обратное.

Вопрос, который решит это через полгода, — не в том, какая модель победит. Он в том, устоит ли уровень локальных исполнителей по мере роста длины контекста, — и тут вдвое более длинное окно Qwen и неизмеренное окно Liquid — единственные две точки данных, которые у кого-либо есть.

Отслеживайте отключения и деградации моделей в реальном времени в нашем архиве инцидентов и узнайте, какие маршруты переключились без сбоев.