LFM3 vs Qwen3.8-27B: Ett 16× storleksgap som krymper till 9 % för instruktionsföljning

LFM3-1.7B har 1,73 miljarder parametrar. Qwen3.8-27B har 27,78 miljarder, plus en visionsencoder – 16,1 gånger så mycket vikt. Ställ dem på samma benchmarkrad och aritmetiken vägrar bete sig. På IFBench, som testar om en modell följer begränsningar som den aldrig har finjusterats på, är gapet mellan dem under nio procent. På Terminal-Bench 2.1 är det 5,6 gånger. Två modeller, en fast storleksskillnad och ett resultat som svänger från "varför skulle man någonsin betala för den stora" till "den lilla kan inte göra detta alls" beroende på vilken rad man läser.

Den svängningen är hela beslutet. Det här är inte en berättelse om en liten modell som kommer ikapp en stor, och inte heller en berättelse om en stor modell som slösas bort på småjobb. Det är en berättelse om en uppgiftsgräns som, mycket konsekvent, går mellan att följa en instruktion och att utföra en plan — och om ett licensvillkor som i tysthet kastar om prisjämförelsen för alla som arbetar på ett företag över en viss omsättningsnivå.

Vad var och en av dessa faktiskt är

Liquid AI tillkännagav LFM3-familjen den 2026-10-27– dagen innan detta skrevs – som sex modeller med öppna vikter i ungefär 2B-klassen, som härstammar från en gemensam LFM3-1.7B-Base-stomme. LFM3-1.7B är textmedlemmen: en tri-hybridarkitektur med 24 lager (13 gated short-konvolutioner, 5 attentionlager med glidande fönster och ett fönster på 256 token samt 6 full-attention-lager), förtränad på 22 biljoner token med en avslutande mid-training-omgång på 3,5 biljoner token som inkluderade agentspår och verktygsanrop. Vikterna finns på Hugging Face, Ollama levererar den som lfm3:latest med en nedladdning på 1,7 GB, och leverantörens eget modellkort avråder från agentisk kodning eller komplex flerstegsresonemang. Den sista meningen betyder mer än något annat på kortet, och vi återkommer till den.

Qwen3.8-27B är inte ny. Alibaba publicerade sina vikter i mitten av augusti 2026 under Apache 2.0, och den har haft tio veckor på sig att samla nedladdningar, kvantiseringar och verkliga användarrapporter som en endagsrelease helt enkelt inte har. Det är en tät modell på 27,78B byggd på ett upprepande block av Gated DeltaNet- och Gated Attention-lager, 64 lager djup, med inbyggd bild- och videoinmatning och en kontext på 262 144 token som utökas till 1M med YaRN. Tänkandet är på som standard och kan justeras via en inställning för resonemangsinsats.

Så den ärliga inramningen av den här parningen är asymmetrisk på ett sätt som spelar roll: den ena modellen har en leverantörsbenchmarktabell och inga fältrapporter, den andra har båda. Behandla allt nedan om LFM3-1.7B som ett påstående om Liquid AIs testsvit, inte om din arbetsbelastning.

Specifikationsraden där den lilla modellen inte förlorar

Börja med de dimensioner där 16× parametrarna inte ger något alls, eftersom det finns fler av dem än storleksskillnaden antyder.

• Kontextfönster — 262,144 tokens inbyggt på båda. LFM3-1.7B når det under mellanträningen; Qwen3.8-27B levereras med det inbyggt och utökar till 1M med YaRN.

• Språk — 16 deklarerade för LFM3-1.7B (inklusive engelska, kinesiska, japanska, koreanska, arabiska och hindi); Qwen3.8-27B är brett tränad över språk utan något angivet antal.

• Modalitet – text in, text ut för LFM3-1.7B; text, bild och video in, text ut för Qwen3.8-27B. Det här är det enda stället där 27B gör en kategoriskt annorlunda uppgift snarare än en större version av samma uppgift.

• Minne vid 4-bit — ungefär 1 GB för LFM3-1.7B mot ungefär 14–16 GB för Qwen3.8-27B.

• Minne vid BF16 – 3,46 GB mot ungefär 56 GB, vilket är skillnaden mellan en laptop och en multi-GPU-maskin.

• Licens — LFM Open License v1.0 kontra Apache 2.0. Håll den tanken.

Ett kontextfönster på 256K på båda sidor är den verkligt överraskande raden. Kontextlängd har historiskt följt parameterantalet, och här erbjuder en modell som du kan köra på omkring en gigabyte samma nominella fönster som en som kräver en arbetsstation. Ordet nominell gör verkligt arbete i den meningen – ett 256K-fönster på en 1,7B-modell är bara användbart om modellen kan hitta saker i det, vilket är precis vad raderna för lång kontext nedan testar.

Där 16× parametrarna ger nio procent

Liquid körde en svit på 27 rader och publicerade hela tabellen, inklusive kolumnerna där en konkurrent vinner. Båda modellerna rapporterar IFBench, vilket är den renaste jämförelseraden på lika villkor i hela jämförelsen eftersom det är en enda benchmarkversion som rapporteras av båda leverantörerna.

LFM3-1.7B får 73,03 poäng. Qwen3.8-27B får 79,5 poäng. Det är 6,5 poäng, under nio procent av den större modellens poäng — på en modell som är 16,1 gånger mindre. För en arbetsbelastning som mestadels handlar om att ”ta den här röriga indatan, skriva ut exakt den här JSON-formen, aldrig bryta schemat” är den skillnaden nära nog brus, och skillnaden i driftsättning är en gigabyte mot sexton.

Liquids egen tabell visar samma sak mot en närmare konkurrent. Mot Qwen3.5-9B – en modell som är fem gånger så stor som LFM3-1.7B – vinner den lilla modellen IFBench med 24 poäng (73,03 mot 48,84), IFStruct med 4,5 (93,72 mot 89,20) och Multi-IF med 4,7 (89,10 mot 84,44). Vad som än annars är sant är instruktionsföljsamhet inte en förmåga som skalar smidigt med parameterantalet, och en vältränad 1,7B kan slå en medioker 9B på det.

Långkontextraderna är mer tvetydiga och förtjänar att sägas rakt ut snarare än att avrundas till Liquids fördel. På AA-LCR uppnår LFM3-1.7B 52,83 – ett verkligt resultat för sin storlek och ungefär i nivå med Qwen3.5-4B:s 52,67. På RULER 128K får den 65,56, klart före MiniCPM5-2B:s 37,96 men långt efter Qwen3.5-9B:s 87,11. Så 256K-fönstret är inte dekorativt, men det är inte heller likvärdigt med fönstret hos en större modell. Qwen3.8-27B förekommer inte alls i den tabellen, vilket innebär att det inte finns någon jämförbar långkontextsiffra för just den här kombinationen – bara en stark förhandsförmodan att en 27B med inbyggt 262K kommer att slå en 1,7B med samma nominella fönster.

Där 16× parametrarna ger fem och en halv gånger

Nu de rader som modellkortet varnade för. Var och en av dessa är en benchmarkversion som båda leverantörerna rapporterar, så ingen subtraktion mellan versioner sker.

• Terminal-Bench 2.1 — 12,92 för LFM3-1.7B mot 73,0 för Qwen3.8-27B. En 5,6× skillnad.

• Humanity's Last Exam, inga verktyg — 7,17 mot 30,8. En 4,3× skillnad.

• GPQA Diamond — 63,37 mot 89,2. En skillnad på 1,4×.

• LiveCodeBench v6 — 73,46 mot 90,3. En 1,2× skillnad.

Själva fyndet är ordningen i listan. Gapet är minst vid kodgenerering i ett enda försök, där LFM3-1.7B hamnar cirka 19 % under en modell som är sexton gånger så stor. Det är störst på Terminal-Bench, där uppgiften inte är att "skriva kod" utan att "manövrera en maskin genom många steg, återhämta sig från sina egna fel och sluta när jobbet är klart". Det är precis den förmåga som Liquid själva säger i sitt modellkort att modellen saknar, och siffrorna stämmer med kortet. På GPQA och HLE är gapet kunskap, vilket är det minst överraskande resultatet här — en 1,7B-modell tränad på 22T tokens har helt enkelt sett mindre än en 27B-modell tränad på mer, och ingen mängd arkitektur kompenserar för det.

Det finns en rad som pekar i motsatt riktning, och det är den mest intressanta siffran på något av korten. På den offentliga delningen av AA-Omniscience uppvisar LFM3-1.7B 7.07 i accuracy och 92.93 i icke-hallucination. Det paret innebär att modellen oftast avstår från att svara i stället för att svara fel. Det är den högsta siffran för icke-hallucination i Liquids egen jämförelsetabell, före alla större modeller som listas. Qwen3.8-27B:s 30.8 på HLE är den motsatta hållningen: den vet mer och håller fast vid det.

Om felmoden i din pipeline är att ett självsäkert felaktigt värde hamnar i en databas, är en modell som avstår 93 % av tiden en funktion och noggrannhetstaket priset. Om felmoden i din pipeline är en null där ett värde borde finnas, är samma beteende buggen. Detta är det enskilt skarpaste som den här matchningen hänger på, och ingen aggregerad poäng fångar det.

Tre tal du inte får subtrahera

Jämförelsesidor för det här paret kommer att frestas att rada upp varje benchmark som de två leverantörerna publicerar. Tre av dessa rader överlever inte mötet med metoden.

SWE-bench. Liquid rapporterar LFM3-1.7B på 43,40 på SWE-bench Verified med OpenCode-harnesset. Alibaba rapporterar Qwen3.8-27B på 61,7 på SWE-bench Pro. Olika benchmark, olika harness, olika uppgiftsfördelning. Skillnaden på 18 punkter mellan dessa två siffror är inte ett mått på någonting. Om du vill ha en grov bild av gapet, använd Terminal-Bench 2.1, där båda rapporterar samma version.

Alla sammanställda index. Artificial Analysis poängsätter Qwen3.8-27B till 33,7 på sitt Intelligence Index vid resonemangsinställningen xhigh. Per 2026-10-28 finns det ingen LFM3-post hos Artificial Analysis över huvud taget. Ett släpp som är en dag gammalt har inte genomgått oberoende utvärdering, och det ärliga påståendet är att LFM3-1.7B har noll oberoende reproducerade siffror. Varje siffra som tillskrivs den i den här artikeln – och överallt annars den här veckan – härstammar från Liquid AIs egen testsvit på de benchmarkar som Liquid AI har valt.

Inställningar för resonemangsansträngning. Qwen3.8-27B:s publicerade poäng varierar betydligt mellan lägena låg, medel, xhigh och icke-resonerande; 33,7-indexet är siffran för xhigh, och siffran för icke-resonerande är väsentligt lägre. En jämförelse som ställer en Qwen-siffra mot en LFM3-siffra utan att ange ansträngningsinställningen jämför en resonerande modell med en snabb och kallar skillnaden för arkitektur.

Det som skulle avgöra saken är enkelt: en oberoende körning av LFM3-1.7B på samma testramverk, med en angiven insatsnivå, helst efter att communityn har haft några veckor med vikterna. Fram till dess är den rättvisa sammanfattningen att den leverantörsrapporterade skillnaden i instruktionsföljning är liten och den leverantörsrapporterade skillnaden i utförande i flera steg är stor, och båda påståendena kommer från samma part med egenintresse.

Licensen är den egentliga prislappen.

Här är delen som vänder på den vanliga slutsatsen i en jämförelse mellan små och stora.

LFM3-1.7B levereras under LFM Open License v1.0. Vikterna är fria att ladda ner och fria att köra, och kommersiell användning är utesluten för enheter med en årlig omsättning på 10 miljoner dollar eller mer. Qwen3.8-27B levereras under Apache 2.0 utan intäktsutlösare, utan begränsning av användningsområde och utan separat avtal.

Så för en startup med två personer är kalkylen uppenbar: en modell som får plats i en gigabyte, inte kostar något per token och körs på hårdvara du redan äger är i praktiken en gratis lunch. För ett företag med över 10 miljoner dollar i intäkter – det vill säga de flesta företag med en produktionsbudget för inferens som är värd att optimera – är den billiga modellen inte gratis, och den dyra är otvetydigt licensierad. Modellen som ser ut som budgetalternativet är den som har den juridiska diskussionen på köpet.

Det är inte ett argument mot LFM3-1.7B. Det är ett argument för att läsa licensen innan du läser benchmarktabellen, eftersom licensen avgör om benchmarktabellen ens är tillgänglig för dig.

Vad som krävs för att faktiskt köra var och en

LFM3-1.7B är en installation på en enda rad. Den finns i Ollama-biblioteket som lfm3:latest och lfm3:1.7b, båda är en nedladdning på 1,7 GB med ett deklarerat kontextfönster på 256K, och den körs i Transformers med finjustering på en enda GPU. Hugging Face-utgåvan innehåller notebookar för SFT, DPO och GRPO, inklusive ett genomarbetat exempel på att träna modellen att välja rätt verktyg bland 108 i en telefonapp. Om målet är en liten, specialiserad, finjusterad extraktor som finns på samma maskin som data, är detta en riktigt kort väg från nedladdning till driftsättning.

Qwen3.8-27B är ett annat slags projekt. Vid cirka 56 GB i BF16 kräver det en multi-GPU-maskin eller aggressiv kvantisering; i 4-bit får det plats i 14–16 GB, vilket är en högpresterande enskild GPU eller en välutrustad bärbar dator, medan KV-cachen pressar upp den faktiska minnesanvändningen ännu mer. Det körs i Transformers, vLLM, SGLang och TokenSpeed. Om du inte vill äga den hårdvaran finns den som hostad lösning – på OrcaRouter betjänas den av två uppströmsleverantörer, till $0.33 per miljon indatatoken och $2.40 per miljon utdatatoken från den första och $0.40 / $4.21 från den andra.

Den där spridningen mellan två leverantörer är värd att stanna upp vid, eftersom det är sådant som bara dyker upp när man tittar på en levande katalog i stället för ett pressmeddelande. Samma vikter, samma kontextfönster, ungefär 75 % dyrare på utdata från den andra leverantören. OrcaRouter för vidare leverantörens listpris med 0 % påslag, så båda priserna syns sida vid sida, och automatisk redundansväxling innebär att en tillfällig störning hos en leverantör kringgås i stället för att bli synlig för dina användare. Om du utvärderar Qwen3.8-27B som eskaleringsväg för en pipeline som börjar med en liten modell, är det den delen du skulle lägga bakom en enda nyckel.

För att vara tydlig med den andra halvan: OrcaRouter serverar inte LFM3-1.7B. Det är en nedladdning av vikter, och att köra den är din egen endpoint på din egen hårdvara. Anledningen att överhuvudtaget nämna oss i den här artikeln är eskaleringsbenet, inte den lilla modellen.

Vem ska välja vilken

Beslutet hänger egentligen inte på benchmarktabellen. Det hänger på två frågor som du kan besvara innan du kör något.

Välj LFM3-1.7B om arbetet sker i en enda tur och är schemabundet — utvinning, klassificering, routning, strukturerad utdata, verktygsval på enheten — och data inte får lämna enheten. Det är också rätt val om du tänker finjustera, eftersom en 1,7B-modell med en inbyggd SFT/DPO/GRPO-väg och en budget för en enda GPU är ett helgprojekt snarare än ett kvartal. Fönstret på 256K, de 16 språken och beteendet att avstå från att svara pekar alla på samma användningsfall: en smal, högvolym- och integritetskänslig komponent där ett felaktigt svar är värre än inget svar, och där ditt företag ligger under intäktslinjen.

Välj Qwen3.8-27B om modellen måste planera. Flerstegsagenter, terminalarbete, långsiktig kodning, allt där modellen måste återhämta sig från sina egna misstag över ett dussin verktygsanrop – gapet på 5,6× i Terminal-Bench är inte ett inställningsproblem, det är modellkortet som talar om sanningen för dig. Det är också rätt val när du behöver kunskap snarare än format, när du behöver bild- eller videoinmatning, och när Apache 2.0 är ett krav snarare än en preferens.

Och välj båda om det ärliga svaret är att din pipeline har två halvor. Mönstret som passar den här kombinationen är ett billigt, lokalt, schemabundet första pass med en eskaleringsväg till 27B när det första passet avböjer — vilket är precis vad en modell som avstår 93 % av tiden är byggd för att signalera. Den arkitekturen använder varje modells bästa rad och ingen av modellernas sämsta.

Vad skulle ändra det här svaret?

Två saker, och båda är värda att hålla koll på snarare än att gissa.

Det första är en oberoende utvärdering av LFM3-1.7B. Alla kapacitetspåståenden ovan vilar på Liquid AIs egen svit, och Base-checkpointen i den här familjen levererades helt utan någon benchmarktabell – vilket säger dig att familjens siffror är en berättelse om efterträning, inte en arkitekturhistoria. En neutral körning på IFBench och Terminal-Bench skulle antingen bekräfta den uppdelning som den här artikeln beskriver eller lösa upp den.

Den andra är huruvida Liquid levererar en större textmodell på den här stommen. Hela jämförelsen ramas in av en 16× skillnad i parametrar, och resultatet för instruktionsföljning tyder på att träningsreceptet gör mer arbete än parameterantalet. Om en medelstor LFM3 lanseras är den intressanta frågan inte längre ”kan en 1.7B följa instruktioner” – det kan den redan – utan ”vad gör det här receptet med fyra miljarder parametrar”.

Tills ett av dessa inträffar är den användbara sammanfattningen snävare än en resultattavla: LFM3-1.7B är en genuint bra instruktionsföljare som inte kan planera, och Qwen3.8-27B är en genuint bra planerare med en licens som du kan bygga ett företag på. Att välja mellan dem är inte en fråga om benchmarks. Det är en fråga om vilken av de två meningarna som beskriver din arbetsbelastning.