LFM2.5-24B-A2B vs Qwen3.8-27B: Den ena är en nedladdning, den andra en radpost

Börja med talet som avgör det mesta av detta. LFM2.5-24B-A2B är en fil som du lägger på en maskin och behåller. Qwen3.8-27B är en modell som du hyr per miljon tokens. Liquid AI tillkännagav den första den 13 oktober 2026 med 24,0 miljarder parametrar totalt, 2,45 B aktiva per token och en kontext på 131 072 token; Alibaba publicerade den andra den 13 augusti 2026 som en dense vision-language-modell med 27 miljarder parametrar och en kontext på 262 144 token. Båda har öppna vikter. Endast en av dem har ett publicerat pris per token kopplat till en fungerande endpoint, och det är inte den mindre.

Den asymmetrin är jämförelsen. Allt nedan — kapacitet, licens, kontext, modalitet — hänger på om du köper hårdvara eller köper tokens.

Vad var och en är, och vad den ser

LFM2.5-24B-A2B är en mixture-of-experts-modell enbart för text: 40 lager uppdelade mellan 30 dubbelgrindade kortkonvolutionsblock och 10 grouped-query-attention-lager, 64 experter per block med top-4-routing, ett tokenordförråd på 128 000 token och 16 språk som stöds. Liquids lanseringsinlägg anger förträningen till 33 biljoner token; Hugging Face-modellkortet för samma släpp anger 36 biljoner. Efterträningspipelinen avslutas med agentisk förstärkningsinlärning i riktiga harnesses, och leverantörens egen rekommendation är att kombinera modellen med retrieval eller webbsökning i stället för att be den svara på kunskapsfrågor utifrån vikterna.

Qwen3.8-27B har en helt annan form, och formen är själva poängen. Det är en tät design med hybriduppmärksamhet – 48 Gated DeltaNet-lager med linjär attention, sammanflätade med 16 lager med full attention i totalt 64 lager, dold storlek 5 120 och ett ordförråd på 248 320 tokens – vilket är det som över huvud taget gör en kontext på 262K möjlig. Den tar text-, bild- och videoindata och returnerar text. Den mestadels linjära stommen ärvs från samma härstamning som ett komprimerat bygge som Ternary Bonsai 2 27B härstammar från, vilket är en användbar signal om hur mycket av värdet som ligger i arkitekturen snarare än i träningskörningen.

Enradsversionen: Liquids modell dirigerar och anropar verktyg i en loop, och gör det utan nätverk. Qwens modell tittar på saker — skärmbilder, dokument, video — och resonerar om dem vid en kontextlängd som är ungefär dubbelt så lång. Ingen av dem är en sämre version av den andra; de är riktade mot olika halvor av ett fungerande system.

Kostnaden, uträknad som ett faktiskt tal

Det är här de två inte längre är jämförbara över huvud taget, så det är värt att räkna i stället för att byta adjektiv.

På OrcaRouter qwen/qwen3.8-27b serveras till $0,33 per miljon input-tokens och $2,40 per miljon output-tokens, med en p50-tid till första token på 3,45 sekunder mätt över sju dagar. En arbetsbelastning på 20 miljoner input- och 2 miljoner output-tokens i månaden – ett anspråkslöst internt verktyg – landar på $6,60 plus $4,80, eller cirka $11,40. Inget att installera, inget att hålla varmt, ingen GPU-avskrivning.

Liquids Console-endpoint kostar $0,10 per miljon input med ett cachat pris på $0,05 och $1,00 per miljon output, med $2 i startkredit, vilket prissätter samma arbetsbelastning till under $4. Men den endpointen är egentligen inte produkten. Produkten är vikterna, och det finns ingen leverantörspublicerad tabell över filstorlekar för LFM2.5-24B-A2B att hänvisa till – kvantiseringsrepona levereras som syskon på Hugging Face. Det leverantören faktiskt publicerar är vadets form: en MoE med 2,45B aktiva parametrar som kör i 184 tokens per sekund på en Apple M5 Max och 114 på en AMD Ryzen AI Max+ 395, båda rapporterade av leverantören och inte reproducerade, och båda meningslösa på en datacenter-GPU som kör många samtidiga förfrågningar.

Brytpunkten är inte en tokenräkning, utan en fråga om utnyttjandegrad. Under ungefär kontinuerlig tung belastning vinner den mätarstyrda slutpunkten på kostnad och förlorar på latensgolvet. Över den vinner nedladdningen på kostnad och förlorar på drift — du äger nu en driftsättning, dess uppgraderingar och dess failover-berättelse. Det är hela beslutet, och det har inget att göra med vilken modell som får högre poäng i en tabell.

Kontext, licens och de två saker som faktiskt skiljer sig åt

• Kontext — 131 072 tokens kontra 262 144 tokens. Qwens fönster är dubbelt så långt på papper, och den mestadels linjära attention-designen är anledningen till att den har råd med det minnesmässigt. Liquid har inte publicerat några siffror för långkontextsretrieval för sitt 131K-fönster oavsett längd, vilket är den enda luckan i sin lansering som en benchmarkomgång snabbt skulle täppa till.

• Licens — lfm1.0 kontra Apache 2.0. Apache 2.0 har ingen intäktsutlösare och ingen klausul om användningsområde. Liquids licens är ett eget instrument med egna villkor. Läs den mot ditt företags siffror innan en kommersiell lansering, och notera att denna skillnad inte minskar i takt med att modellerna blir större.

• Modalitet – endast text kontra text, bild och video som indata. Om din arbetsbelastning innefattar en skärmbild, en skannad sida eller en videobildruta, avslutar den här raden jämförelsen på egen hand.

• Instruktionsföljning — IFEval 96,75 och IFBench 74,69.Liquids starkaste rader i dess egen lanseringstabell, bättre än varje kolumn i den. Om uppgiften är att ”följa detta format exakt, varje gång”, har LFM2.5-24B-A2B det bättre publicerade argumentet.

• Kunskap och kodning – GPQA Diamond 74,42 och SWE-Bench Verified 51,00 för Liquids modell. Liquid jämför dessa med Qwen3.6-35B-A3B:s 83,69 och 66,20 och förlorar i båda. Ingen jämförelse med Qwen3.8-27B finns överhuvudtaget i den tabellen, och ingen har kört de två modellerna mot varandra.

Där var och en faktiskt hör hemma

Välj Qwen3.8-27B när indata inte är text, när dokumenten är långa, eller när du vill bli fakturerad i stället för att driva något själv. Ett fönster på 262K som tar bilder och video är en helt annan produkt än ett fönster på 131K som tar text, och Apache 2.0-licensen tar bort ett samtal som de flesta team annars skulle behöva ha. p50-tiden på 3,45 sekunder till första token är verklig och värd att mäta mot din egen tolerans innan du bestämmer dig – en modell med den här förmågan i 27B dense-klassen är inte snabb, och ingen arkitekturnotering ändrar på det.

Välj LFM2.5-24B-A2B när maskinen är begränsningen. En MoE med 2,45B aktiva parametrar, 131K kontext och en instruktionsföljsamhetsprofil som slår allt i sin egen jämförelsetabell är en stark sak att ha körande lokalt, och Liquids beslut att träna den inuti agentramverk i stället för mot en statisk uppsättning verktygsanrop syns i de rader den vinner. Vad den inte är är en dokumentanalytiker eller en kunskapsbas, och leverantören säger det själv i samma dokument som publicerar benchmarktabellen.

Om du vill avgöra saken utifrån din egen arbetsbelastning i stället för utifrån någon av leverantörernas tabell, är det serverade benet det billiga experimentet: qwen/qwen3.8-27b finns i vår katalog till listpriset ovan med 0 % påslag på leverantörens pris, och syskonstorlekarna qwen/qwen3.8-flash och qwen/qwen3.8-max ligger bredvid den bakom samma nyckel – så att du kan hitta den pris-prestanda-punkt som din uppgift faktiskt behöver innan du bestämmer om det är värt att äga en maskin. LFM2.5-24B-A2B finns inte i vår katalog; Liquids egen Console och de öppna vikterna är vägen dit, och inget här bör antyda något annat.

Frågan som avgör detta om sex månader är inte vilken modell som vinner. Det är huruvida local-executor-nivån står sig när kontextlängderna växer – och i den frågan är Qwens dubbelt så långa fönster och Liquids omätta fönster de enda två datapunkterna någon har.

Följ modellavbrott och försämringar i realtid i vårt incidentarkiv och se vilka rutter som har växlat över utan problem.