LFM3 vs Qwen3.8-27B: 16-кратный разрыв в размере, сокращающийся до 9 % при следовании инструкциям

LFM3-1.7B содержит 1,73 млрд параметров. Qwen3.8-27B содержит 27,78 млрд, плюс визуальный энкодер — в 16,1 раза больше веса. Поставьте их на одну строку бенчмарка, и арифметика отказывается вести себя предсказуемо. На IFBench, который проверяет, соблюдает ли модель ограничения, на которых её никогда не дообучали, разрыв между ними меньше девяти процентов. На Terminal-Bench 2.1 он составляет 5,6 раза. Две модели, одна фиксированная разница в размере, и результат, который колеблется от «зачем вообще платить за большую» до «маленькая вообще не может этого сделать», в зависимости от строки, которую вы читаете.

Этот сдвиг и есть всё решение. Это не история о том, как небольшая модель догоняет большую, и не история о том, как большая модель тратится впустую на мелкие задачи. Это история о границе задач, которая очень последовательно проходит между следованием инструкции и выполнением плана — и о лицензионном условии, которое незаметно меняет порядок сравнения цен для всех, кто работает в компании с выручкой выше определённого уровня.

Что каждое из них представляет собой на самом деле

Liquid AI анонсировала семейство LFM3 2026-10-27 — за день до того, как был написан этот текст, — как шесть моделей с открытыми весами класса примерно 2B, ответвлённых от общего базового каркаса LFM3-1.7B-Base. LFM3-1.7B — текстовая версия: три-гибридная архитектура из 24 слоёв (13 стробированных коротких свёрток, 5 слоёв внимания со скользящим окном размером 256 токенов и 6 слоёв полного внимания), предварительно обученная на 22 трлн токенов с финальным этапом промежуточного обучения на 3,5 трлн токенов, включавшим трассировки агентов и вызовы инструментов. Веса выложены на Hugging Face, Ollama поставляет её как lfm3:latest с загрузкой в 1,7 ГБ, а карточка модели от самого производителя не рекомендует использовать её для агентного программирования или сложных многошаговых рассуждений. Это последнее предложение важнее всего остального в карточке, и мы к нему ещё вернёмся.

Qwen3.8-27B — не новинка. Alibaba опубликовала его веса в середине августа 2026 года под лицензией Apache 2.0, и у него было десять недель, чтобы накопить загрузки, квантованные варианты и реальные отзывы пользователей, которых у релиза возрастом в один день просто нет. Это плотная модель на 27.78B параметров, построенная на повторяющемся блоке слоёв Gated DeltaNet и Gated Attention, глубиной 64 слоя, с нативным вводом изображений и видео и контекстом на 262 144 токена, который расширяется до 1M с помощью YaRN. Режим размышления включён по умолчанию и настраивается через параметр усилия рассуждения.

Итак, честная формулировка этого сопоставления асимметрична, и это существенно: у одной модели есть таблица вендорских бенчмарков и нет отчётов с реальной эксплуатации, у другой есть и то, и другое. Всё нижесказанное о LFM3-1.7B следует воспринимать как утверждение о тестовом наборе Liquid AI, а не о вашей рабочей нагрузке.

Строка спецификации, в которой небольшая модель не проигрывает.

Начните с измерений, где 16-кратное увеличение числа параметров не даёт совершенно ничего, потому что таких измерений больше, чем можно предположить по разнице в размерах.

• Контекстное окно — 262 144 токена нативно у обоих. LFM3-1.7B достигает его в ходе среднего этапа обучения; Qwen3.8-27B поставляется с ним нативно и расширяется до 1M с помощью YaRN.

• Языки — для LFM3-1.7B заявлено {{1}}16{{/1}} (включая английский, китайский, японский, корейский, арабский и хинди); Qwen3.8-27B обучена на широком наборе языков без указания конкретного числа.

Модальность — текст на входе, текст на выходе для LFM3-1.7B; текст, изображение и видео на входе, текст на выходе для Qwen3.8-27B. Это единственное место, где 27B выполняет качественно иную задачу, а не просто увеличенную версию той же самой задачи.

• Память при 4-битном квантовании — примерно 1 ГБ для LFM3-1.7B против примерно 14–16 ГБ для Qwen3.8-27B.

• Память в BF16 — 3,46 ГБ против примерно 56 ГБ, а это разница между ноутбуком и системой с несколькими GPU.

• Лицензия — LFM Open License v1.0 против Apache 2.0. Запомните это.

Окно контекста в 256K с обеих сторон — это действительно неожиданный момент. Длина контекста исторически коррелировала с числом параметров, а здесь модель, которую можно запустить примерно на гигабайте, предлагает то же номинальное окно, что и модель, требующая рабочей станции. Слово «номинальное» здесь несёт реальную нагрузку: окно в 256K у модели с 1,7 млрд параметров полезно, только если модель умеет находить в нём нужное, — и именно это проверяют строки для длинного контекста ниже.

Где 16-кратное увеличение числа параметров даёт девять процентов

Liquid провела тестирование по набору из 27 строк и опубликовала полную таблицу, включая столбцы, где побеждает конкурент. Обе модели сообщают результаты по IFBench, что является самой чистой сопоставимой строкой во всём сравнении, поскольку это единственная версия бенчмарка, указанная обоими поставщиками.

LFM3-1.7B набирает 73,03. Qwen3.8-27B набирает 79,5. Это 6,5 балла, менее девяти процентов от результата более крупной модели — на модели в 16,1 раза меньшей. Для рабочей нагрузки, которая в основном состоит в том, чтобы «взять этот грязный ввод, выдать эту точную JSON-структуру, никогда не нарушать схему», этот разрыв почти что шум, а разница при развёртывании — гигабайт против шестнадцати.

Собственная таблица Liquid подтверждает тот же тезис на примере более близкого конкурента. В сравнении с Qwen3.5-9B — моделью, которая в пять раз крупнее LFM3-1.7B, — маленькая модель опережает её по IFBench на 24 пункта (73,03 против 48,84), по IFStruct — на 4,5 (93,72 против 89,20) и по Multi-IF — на 4,7 (89,10 против 84,44). Как бы то ни было, следование инструкциям — не та способность, которая плавно масштабируется с числом параметров, и хорошо обученная модель на 1,7B может превзойти посредственную на 9B в этом.

Строки, касающиеся длинного контекста, более неоднозначны, и о них стоит сказать прямо, а не округлять в пользу Liquid. В AA-LCR LFM3-1.7B показывает 52,83 — реальный результат для своего размера и примерно на уровне Qwen3.5-4B с 52,67. В RULER 128K он набирает 65,56 — заметно впереди MiniCPM5-2B с 37,96, но далеко позади Qwen3.5-9B с 87,11. Так что окно в 256K не декоративное, но и не равно окну более крупной модели. Qwen3.8-27B в этой таблице вообще отсутствует, а значит, для этой конкретной пары нет сопоставимого числа по длинному контексту — есть только сильное априорное основание полагать, что 27B с нативным 262K превзойдёт 1.7B с таким же номинальным окном.

Где 16-кратное увеличение числа параметров даёт в пять с половиной раз

Теперь строки, о которых предупреждала карточка модели. Каждая из них — это версия бенчмарка, которую указывают оба вендора, так что никакого вычитания между версиями не происходит.

• Terminal-Bench 2.1 — 12.92 у LFM3-1.7B против 73.0 у Qwen3.8-27B. Разрыв в 5.6×.

• Humanity's Last Exam, без инструментов — 7,17 против 30,8. Разрыв в 4,3 раза.

• GPQA Diamond — 63,37 против 89,2. Разрыв в 1,4×.

• LiveCodeBench v6 — 73,46 против 90,3. Разрыв в 1,2×.

Порядок в этом списке — и есть главный вывод. Разрыв минимален в одношаговой генерации кода, где LFM3-1.7B отстаёт примерно на 19% от модели, которая в шестнадцать раз больше. Он максимален на Terminal-Bench, где задача не «написать код», а «управлять машиной на протяжении многих шагов, исправлять собственные ошибки и останавливаться, когда работа выполнена». Именно этой способности, как указано в карточке самой Liquid, модели не хватает, и цифры согласуются с карточкой. На GPQA и HLE разрыв обусловлен знаниями — это наименее удивительный результат здесь: модель на 1.7B, обученная на 22T токенов, просто видела меньше, чем модель на 27B, обученная на большем объёме, и никакое количество архитектурных улучшений этого не компенсирует.

Есть одна строка, которая указывает в другую сторону, и это самое интересное число на обеих карточках. В публичном сплите AA-Omniscience LFM3-1.7B показывает точность 7.07 и 92.93 по показателю отсутствия галлюцинаций. Эта пара показателей означает, что модель в основном отказывается отвечать, а не отвечает неправильно. Это самый высокий показатель отсутствия галлюцинаций в собственной сравнительной таблице Liquid — выше, чем у всех перечисленных более крупных моделей. 30.8 у Qwen3.8-27B на HLE — это противоположная установка: модель знает больше и уверенно берётся за ответ.

Если режим отказа вашего пайплайна — это уверенно неверное значение, попадающее в базу данных, то модель, которая воздерживается от ответа в 93% случаев, — это преимущество, а потолок точности — плата за это. Если режим отказа вашего пайплайна — это null там, где должно быть значение, то такое же поведение — это баг. Это самое острое, на чём держится это противостояние, и никакая агрегированная оценка этого не отражает.

Три числа, которые нельзя вычитать

На страницах очного сравнения этой пары возникнет соблазн выстроить в один ряд все бенчмарки, которые публикуют оба вендора. Три из этих строк не выдерживают соприкосновения с методологией.

SWE-bench. Liquid сообщает, что LFM3-1.7B набирает 43.40 на SWE-bench Verified с харнессом OpenCode. Alibaba сообщает, что Qwen3.8-27B набирает 61.7 на SWE-bench Pro. Разные бенчмарки, разные харнессы, разное распределение задач. Разница в 18 пунктов между этими двумя числами ничего не измеряет. Если хотите примерно оценить масштаб разрыва, используйте Terminal-Bench 2.1, где обе стороны сообщают результаты для одной и той же версии.

Любой агрегированный индекс.Artificial Analysis присваивает Qwen3.8-27B оценку 33,7 в своём Intelligence Index при настройке рассуждений xhigh. По состоянию на 2026-10-28 записи LFM3 в Artificial Analysis нет вообще. Релиз, которому всего один день, ещё не прошёл независимую оценку, и честно говоря, у LFM3-1.7B нет ни одного независимо воспроизведённого показателя. Каждая цифра, приписываемая ему в этой статье — и везде ещё на этой неделе — происходит из собственного набора тестов Liquid AI на выбранных Liquid AI бенчмарках.

Настройки интенсивности рассуждений. Опубликованные оценки Qwen3.8-27B существенно различаются между режимами low, medium, xhigh и без рассуждений; индекс 33,7 — это показатель для xhigh, а значение в режиме без рассуждений заметно ниже. Любое сравнение, в котором число Qwen сопоставляется с числом LFM3 без указания настройки интенсивности, сравнивает рассуждающую модель с быстрой и называет разницу архитектурой.

What would settle this is straightforward: an independent run of LFM3-1.7B on the same harnesses, at a stated effort setting, ideally after the community has had a few weeks with the weights. Until then, the fair summary is that the vendor-reported gap on instruction following is small and the vendor-reported gap on multi-step execution is large, and both claims come from the same interested party.

Лицензия — это и есть настоящая цена.

Вот та часть, которая переворачивает обычный вывод сравнения малого с большим.

LFM3-1.7B поставляется под лицензией LFM Open License v1.0. Веса можно свободно скачать и свободно запускать, а коммерческое использование исключено для организаций с годовым доходом 10 млн долларов США и более. Qwen3.8-27B поставляется под Apache 2.0 без порога по доходу, без ограничений по области применения и без отдельного соглашения.

Так что для стартапа из двух человек арифметика очевидна: модель, которая помещается в гигабайт, ничего не стоит за токен и работает на оборудовании, которое у вас уже есть, — это почти что бесплатный обед. Для компании с выручкой более $10 млн — то есть для большинства компаний с бюджетом на инференс в продакшене, который имеет смысл оптимизировать, — дешёвая модель не бесплатна, а дорогая однозначно лицензирована. Модель, которая выглядит как бюджетный вариант, — это та, к которой прилагается разговор с юристами.

Это не аргумент против LFM3-1.7B. Это аргумент в пользу того, чтобы прочитать лицензию до того, как вы прочтёте таблицу бенчмарков, потому что лицензия определяет, доступна ли вам вообще эта таблица бенчмарков.

Что нужно, чтобы реально запустить каждый из них

LFM3-1.7B устанавливается одной строкой. Он доступен в библиотеке Ollama как lfm3:latest и lfm3:1.7b — обе версии скачиваются объёмом 1,7 ГБ с заявленным контекстным окном 256K — и работает в Transformers с дообучением на одном GPU. Релиз на Hugging Face включает ноутбуки для SFT, DPO и GRPO, в том числе проработанный пример обучения модели выбору нужного инструмента из 108 в мобильном приложении. Если ваша цель — небольшой специализированный дообученный экстрактор, работающий на той же машине, что и данные, то это действительно короткий путь от загрузки до развёртывания.

Qwen3.8-27B — проект иного рода. При размере около 56 ГБ в BF16 ему требуется система с несколькими GPU или агрессивное квантование; в 4-битном виде он помещается в 14–16 ГБ, что соответствует одному GPU высокого класса или хорошо укомплектованному ноутбуку, причём KV-кэш ещё больше увеличивает реальное потребление памяти. Он работает в Transformers, vLLM, SGLang и TokenSpeed. Если вы не хотите владеть таким оборудованием, он доступен в хостинге — на OrcaRouter его обслуживают два вышестоящих провайдера: $0.33 за миллион входных и $2.40 за миллион выходных токенов у первого и $0.40 / $4.21 у второго.

На этот разброс между двумя провайдерами стоит обратить внимание, потому что такое проявляется только при взгляде на живой каталог, а не на пресс-релиз. Те же веса, то же контекстное окно, но вывод у второго провайдера примерно на 75% дороже. OrcaRouter передаёт цену из прайс-листа провайдера без наценки — 0%, поэтому обе цены видны рядом, а автоматическое переключение при сбое означает, что сбой у провайдера обходится стороной, а не всплывает у ваших пользователей. Если вы рассматриваете Qwen3.8-27B как путь эскалации для конвейера, который начинается с малой модели, это то звено, которое стоит поставить за одним ключом.

Чтобы внести ясность относительно второй половины: OrcaRouter не предоставляет LFM3-1.7B. Это скачивание весов, а запуск — это ваш собственный эндпоинт на вашем собственном оборудовании. Причина, по которой нас вообще упоминают в этой статье, — этап эскалации, а не маленькая модель.

Кто должен выбирать

Решение на самом деле зависит не от таблицы бенчмарков. Оно зависит от двух вопросов, на которые вы можете ответить до того, как что-либо запустите.

Выбирайте LFM3-1.7B, если работа выполняется за один ход и привязана к схеме — извлечение, классификация, маршрутизация, структурированный вывод, выбор инструментов на устройстве — и данные не могут покинуть устройство. Это также верный выбор, если вы планируете дообучение: модель на 1,7 млрд параметров с готовым путём SFT/DPO/GRPO и бюджетом в одну GPU — это проект на выходные, а не на квартал. Окно в 256K, 16 языков и поведение отказа от ответа — всё указывает на один и тот же сценарий: узкий, высоконагруженный компонент, чувствительный к приватности, где неверный ответ хуже, чем отсутствие ответа, и где ваша компания находится ниже линии выручки.

Выбирайте Qwen3.8-27B, если модель должна планировать. Многошаговые агенты, работа в терминале, долгосрочное программирование — всё, где модель должна исправляться после собственных ошибок на протяжении десятка вызовов инструментов: разрыв в 5,6× по Terminal-Bench — это не проблема тонкой настройки, это карточка модели, которая говорит вам правду. Этот вариант также будет правильным выбором, когда вам нужны знания, а не формат, когда требуется ввод изображений или видео и когда Apache 2.0 — это требование, а не предпочтение.

И выберите оба, если честный ответ состоит в том, что ваш пайплайн делится на две половины. Паттерн, подходящий для этой пары, — это дешёвый локальный первый проход с привязкой к схеме и путём эскалации к 27B, когда первый проход отказывается, — и именно на такой сигнал рассчитана модель, которая воздерживается в 93% случаев. Такая архитектура использует лучшую строку каждой модели и не использует худшую строку ни одной из моделей.

Что изменило бы этот ответ?

Две вещи, и за обеими стоит наблюдать, а не гадать.

Первое — независимая оценка LFM3-1.7B. Все приведённые выше заявления о возможностях опираются на собственный набор тестов Liquid AI, а Base-чекпоинт этого семейства вышел вообще без таблицы бенчмарков — что говорит о том, что цифры семейства отражают посттренировку, а не архитектуру. Нейтральный прогон на IFBench и Terminal-Bench либо подтвердил бы разделение, о котором говорит эта статья, либо рассеял бы его.

Второй вопрос — выпустит ли Liquid более крупную текстовую модель на этой базе. Всё сравнение строится вокруг 16-кратного разрыва в числе параметров, и результат по следованию инструкциям позволяет предположить, что рецепт обучения делает больше работы, чем количество параметров. Если появится LFM3 среднего размера, интересный вопрос перестанет быть «может ли модель на 1,7 млрд следовать инструкциям» — она уже может — и станет «что этот рецепт делает с четырьмя миллиардами параметров».

Пока не произошло ни одного из этих событий, полезное резюме ýже, чем табло со счётом: LFM3-1.7B — действительно хороший исполнитель инструкций, который не умеет планировать, а Qwen3.8-27B — действительно хороший планировщик с лицензией, на которой можно построить компанию. Выбор между ними — не вопрос бенчмарка. Это вопрос о том, какое из этих двух предложений описывает вашу рабочую нагрузку.