LFM3-Omni-2B vs Qwen3.8-Omni-Flash: Bara en av dem kan tala

Sätt LFM3-Omni-2B och Qwen3.8-Omni-Flash i samma rum, och den skillnad som avgör de flesta produktval finns inte på benchmark-arket. Båda tar emot ljud. Båda tar emot video. Bara en av dem kan svara med tal. Alibabas modell returnerar text och inget annat – dess egen dokumentation är tydlig med att talade svar kräver en annan modell i Qwen-serien – medan Liquid AIs checkpoint på 2,17 miljarder parametrar avger tal med 24 kHz direkt, eller varvar tal och text i ett enda svar.

Allt annat med paret är en studie i skala. Qwen3.8-Omni-Flash är en sluten modell på Alibabas API sedan 18 september 2026, byggd på en mixture-of-experts-modell med 125 miljarder parametrar och cirka 6 miljarder aktiva, med en kontext på en miljon token. LFM3-Omni-2B har öppna vikter, 2,17 miljarder parametrar, 32K kontext och annonserades den 27 oktober 2026 som en av sex modeller i inlägget om LFM3-familjen – med sitt repo offentligt sedan 21 oktober och utan ett eget lanseringsinlägg. Den ena hyr du per token; den andra laddar du ner och betalar för i hårdvara.

De två produkterna är inte samma produkt.

Qwen3.8-Omni-Flash är, renodlat till vad var och en är till för, en förståelsemotor med ett enormt fönster: transkribera, sammanfatta, resonera över timmar av media, anropa verktyg och lämna tillbaka text. LFM3-Omni-2B är en samtalsbaserad slutpunkt som råkar kunna se och höra: den tar emot en fråga via röst, tittar på en bildruta och svarar med röst, på en enhet.

Konsekvensen är att om du bygger en röstassistent på Qwen3.8-Omni-Flash innebär det att bygga två ytterligare steg – taligenkänning på vägen in, syntes på vägen ut – och att betala för tre modeller där Liquid tar betalt för en. Att bygga en mötesanalysator för två timmar på LFM3-Omni-2B innebär att mata in det i delar, eftersom ett 32K-fönster inte är en timmes ljud och Liquid inte publicerar någon kvot för ljud-till-token som skulle låta dig beräkna gränsen innan du provar.

Kontext är det största gapet på bladet

• Kontext — Qwen3.8-Omni-Flash 1 miljon token, med en maximal indata på cirka 991K och utdata på upp till 131K; LFM3-Omni-2B 32K token som omfattar indata och utdata tillsammans.

• Mediagränser – Alibaba dokumenterar upp till tre timmars ljud och två timmars video i en enda begäran, med ljudinmatning på 113 språk och dialekter; Liquid dokumenterar 16 kHz mono-ljud och video som samplas med 2 bildrutor per sekund, 4 till 384 bildrutor.

• Utdata – endast text mot text, 24 kHz-tal eller växelvis text och tal.

• Skala – en 125B blandning av experter med cirka 6B aktiva, hostad, mot 2,17B tät som körs på en telefon.

• Vikter — slutna kontra öppna, under LFM Open License v1.0.

• Pris — $0.15 per miljon indatatokens, $0.016 cachade, $0.47 per miljon utdatatokens för Qwen3.8-Omni-Flash; inget pris per token för LFM3-Omni-2B eftersom det inte finns något att mäta.

1M-kontexten är inte en prydnad på ett datablad. Det är skillnaden mellan ”sammanfatta det här mötet” och ”sammanfatta det här mötet och svara sedan på frågor om den tredje timmen”. Alibabas lansering ramades in som en faktura snarare än en poängsumma: 98 % billigare per timme ljudinmatning än Qwen3.5-Omni-Plus, 93 % billigare per timme ljudvideo, siffror framräknade genom att prissätta ett tvåminutersprov och multiplicera. Besparingarna är verkliga, och de är också leverantörens egen aritmetik.

Vad pengarna faktiskt köper

Med $0,15 in och $0,47 ut är en timmes transkribering billig nog att de flesta team slutar räkna på den. Det är själva poängen med prissänkningen, och det starkaste argumentet för att hyra: marginalkostnaden för ett anrop är nära noll och någon annan äger GPU:erna.

LFM3-Omni-2B vänder på kurvan. Vikterna är gratis, marginalkostnaden per förfrågan är användarens batteri, och den fasta kostnaden är ingenjörstiden för att få ut en 2,17B-modell i en app. Om du redan har ett mobilteam är det inte en stor siffra. Om du inte har det är det hela projektet.

Det är också här en router förtjänar sin plats i stället för att vara en slogan. Qwen3.8-familjens textmodeller finns redan i OrcaRouters katalog till listpris med 0 % påslag, vilket innebär att en leverantörs prissänkning slår igenom hos oss samma dag som den sker; Qwen3.8-Omni-Flash finns inte i katalogen, och det gör inte LFM3-Omni-2B heller. Det katalogen däremot ger dig är möjligheten att hålla den hostade halvan av en hybrid — batchjobbet för långt ljud, reservlösningen när en telefon är offline — bakom en nyckel och en faktura, med automatisk failover om en leverantör går ner.

Benchmarks: ett gemensamt nummer, två testramverk

RealWorldQA är det enda benchmark som båda korten rapporterar, och gapet är 21 poäng: Qwen3.8-Omni-Flash på 87,7, LFM3-Omni-2B på 66,54 i bildläge och 64,68 när frågan läses upp.

Tolka inte det som ett nederlag under jämförbara förutsättningar. Qwens 87,7 mättes av Alibaba på en 125B-modell med en resonemangsbudget; Liquids siffror mättes av Liquid med girig avkodning och varje modells egen chattmall, och dess talade variant matar in frågan som ljud i stället för text. Samma benchmarknamn, olika förutsättningar, olika modellklasser. Den riktningsgivande slutsatsen är säker – en modell som är tjugo gånger större, med tänkande aktiverat, bör vara bättre på visuellt frågebesvarande – men magnituden är inte ett mått på någonting.

Resten av varje kort är inte delat. Qwen3.8-Omni-Flash rapporterar LiveCodeBench v6 på 92,6, GPQA Diamond på 91, SpotSoundBench 67,2, WildClawBench-MM 71,0 och OmniVideoBench 67,8. LFM3-Omni-2B rapporterar Daily-Omni 70,09, WorldSense 47,10, OmniBench 46,32, OmniBench speech 48,25, MMAR 51,40 och en poäng för verktygsanrop på 52,20. Överlappningen mellan dessa listor är i stort sett obefintlig, vilket är vad man kan förvänta sig av två modeller byggda för olika uppgifter – och en påminnelse om att ingen av leverantörerna har publicerat en oberoende utvärdering.

Latens, och den rundtur ingen prissätter

En hostad omnimodell har en nätverksrundtur framför varje svar och en kö bakom sig. För batcharbete är det osynligt. För en konversation är det skillnaden mellan en produkt som känns levande och en som känns som en formulärsinlämning.

LFM3-Omni-2B:s fördel här är strukturell snarare än uppmätt: ljudet lämnar aldrig enheten, modellen är 2,17B och utdata är tal-tokens som genereras i samma pass som texten. Det finns inget ASR-anrop, inget syntesanrop och ingen orkestrering mellan dem. Huruvida det slår en väl dimensionerad hostad slutpunkt i väggklocklatens är en empirisk fråga som Liquid inte har besvarat – de publicerar inga latenssiffror, och det finns inget oberoende test.

Den ärliga formuleringen är att den lokala vägen tar bort tre felmoder (uppladdning, kö, nedladdning) och lägger till en (en telefon som termiskt stryps).

Vem ska välja vilken

Välj Qwen3.8-Omni-Flash om din indata är lång, din utdata är text och dina användare inte väntar på en röst. Mötestranskribering, mediebevakning, callcenteranalys, videosökning, allt som drar nytta av ett fönster på en miljon tokens och en resonemangsbudget – det här är modellklassen som är byggd för det, och priset gör beslutet enkelt. Acceptera att du hyr, att vikterna aldrig kommer att bli dina och att ett talat gränssnitt innebär att lägga till modeller i stället för att konfigurera en.

Välj LFM3-Omni-2B om interaktionen är talad och enheten är produkten. Den är mindre, ser mindre, minns 32K i stället för en miljon, och dess licens har en intäktsklausul som Apache 2.0 inte har. I gengäld är den den enda av dessa två som kan avsluta en mening med en röst.

Det är hela avvägningen, och det är värt att säga rakt ut, eftersom de flesta jämförelser av dessa två modeller ägnar sin längd åt poäng som bara en av dem någonsin försökte vinna. Om din produkt pratar var en av dessa modeller byggd för dig, och den andra inte.