Guides & Insights

LFM2.5-24B-A2B กับ Qwen3.8-27B: ตัวหนึ่งเป็นแค่การดาวน์โหลด อีกตัวเป็นรายการในงบประมาณ

ผู้เขียน

Alistair Wren

วันที่เผยแพร่

Oct 14, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

เริ่มจากตัวเลขที่กำหนดเกือบทั้งหมดของเรื่องนี้ LFM2.5-24B-A2B คือไฟล์ที่คุณวางไว้บนเครื่องและเก็บไว้ Qwen3.8-27B คือโมเดลที่คุณเช่าแบบคิดตามจำนวนล้านโทเคน Liquid AI ประกาศตัวแรกเมื่อวันที่ 13 ตุลาคม 2026 ด้วยพารามิเตอร์รวม 24.0 พันล้านตัว โดยมี 2.45B ที่ทำงานต่อโทเคน และบริบท 131,072 โทเคน; Alibaba เผยแพร่ตัวที่สองเมื่อวันที่ 13 สิงหาคม 2026 เป็นโมเดลภาพ-ภาษาแบบ dense ขนาด 27 พันล้านพารามิเตอร์ พร้อมบริบท 262,144 โทเคน ทั้งคู่เป็นโมเดลแบบเปิดน้ำหนัก มีเพียงตัวเดียวในนั้นที่มีราคาต่อโทเคนที่เผยแพร่ผูกกับ endpoint ที่ใช้งานได้ และมันไม่ใช่ตัวที่เล็กกว่า

ความไม่สมมาตรนั้นก็คือการเปรียบเทียบ ทุกสิ่งด้านล่างนี้ — ความสามารถ ใบอนุญาต บริบท รูปแบบการใช้งาน — ล้วนขึ้นอยู่กับว่าคุณกำลังซื้อฮาร์ดแวร์หรือซื้อโทเค็น

แต่ละอันคืออะไร และมันเห็นอะไร

LFM2.5-24B-A2B เป็นโมเดล mixture-of-experts แบบข้อความล้วน: มี 40 เลเยอร์ แบ่งเป็น 30 บล็อก short-convolution แบบ double-gated และ 10 เลเยอร์ grouped-query attention, มี experts 64 รายต่อบล็อกพร้อมการกำหนดเส้นทางแบบ top-4, คำศัพท์ขนาด 128,000 โทเคน และรองรับ 16 ภาษา โพสต์เปิดตัวของ Liquid ระบุว่าการฝึกก่อน (pre-training) อยู่ที่ 33 ล้านล้านโทเคน; การ์ดโมเดลบน Hugging Face สำหรับรุ่นเดียวกันระบุว่า 36 ล้านล้าน ไปป์ไลน์ขั้นหลังสิ้นสุดด้วย agentic reinforcement learning ภายในฮาร์เนสจริง และคำแนะนำของผู้ขายเองคือให้จับคู่โมเดลกับการดึงข้อมูลหรือการค้นเว็บ แทนที่จะให้โมเดลตอบคำถามด้านความรู้จาก weights

Qwen3.8-27B มีรูปร่างที่แตกต่างออกไปโดยสิ้นเชิง และรูปร่างนั้นเองคือประเด็นสำคัญ มันเป็นการออกแบบแบบ dense hybrid-attention — เลเยอร์ linear-attention ของ Gated DeltaNet จำนวน 48 ชั้น สลับกับเลเยอร์ full-attention จำนวน 16 ชั้น รวมเป็น 64 ชั้น ขนาด hidden 5,120 และคลังคำศัพท์ 248,320 โทเคน — ซึ่งเป็นสิ่งที่ทำให้บริบท 262K มีต้นทุนที่จ่ายไหวตั้งแต่แรก มันรับอินพุตเป็นข้อความ รูปภาพ และวิดีโอ แล้วส่งคืนข้อความ โครงกระดูกหลักที่เป็นเชิงเส้นเกือบทั้งหมดนั้นสืบทอดมาจากสายเดียวกับที่บิลด์แบบบีบอัดอย่าง Ternary Bonsai 2 27B ถูกพัฒนามา ซึ่งเป็นสัญญาณที่มีประโยชน์ว่าคุณค่ามากน้อยเพียงใดอยู่ที่สถาปัตยกรรม มากกว่าการรันฝึก

A headless-browser capture of OrcaRouter's own model page for qwen/qwen3.8-27b, showing the Qwen3.8 27B heading, the vision, tools, JSON and reasoning chips, Qwen as the vendor with a 2026-08-13 date, the 262K token context row listing text, image and video input, input pricing of 0.33 and output pricing of 2.40 per million tokens, and a p50 time to first token of 3.45 seconds over seven days.

เวอร์ชันหนึ่งบรรทัด: โมเดลของ Liquid จะจัดเส้นทางและเรียกใช้เครื่องมือภายในลูป โดยไม่ต้องใช้เครือข่าย ส่วนโมเดลของ Qwen จะมองดูสิ่งต่างๆ — ภาพหน้าจอ เอกสาร วิดีโอ — และให้เหตุผลเกี่ยวกับสิ่งเหล่านั้นด้วยความยาวคอนเท็กซ์ที่ยาวกว่าประมาณสองเท่า ไม่มีอันใดเป็นเวอร์ชันที่ด้อยกว่าของอีกอัน ทั้งสองถูกมุ่งไปที่คนละครึ่งของระบบที่ทำงานอยู่

ต้นทุน ซึ่งคำนวณออกมาเป็นตัวเลขจริง

นี่คือจุดที่ทั้งสองเริ่มเทียบกันไม่ได้เลย ดังนั้นจึงคุ้มค่าที่จะลงมือคิดคำนวณให้เป็นตัวเลข มากกว่าจะมาแลกคำคุณศัพท์กันไปมา

บน OrcaRouter qwen/qwen3.8-27bให้บริการในราคา $0.33 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ $2.40 ต่อโทเค็นเอาต์พุตหนึ่งล้านโทเค็น โดยมีค่า p50 ของเวลาถึงโทเค็นแรกที่ 3.45 วินาที วัดในช่วงเจ็ดวัน ปริมาณงาน 20 ล้านโทเค็นอินพุตและ 2 ล้านโทเค็นเอาต์พุตต่อเดือน — เครื่องมือภายในขนาดเล็ก — คิดเป็น $6.60 บวก $4.80 หรือประมาณ $11.40 ไม่มีอะไรต้องติดตั้ง ไม่มีอะไรต้องดูแลให้พร้อมใช้งาน ไม่มีค่าเสื่อมราคาของ GPU

เอนด์พอยต์ Console ของ Liquid คิดราคา$0.10 ต่ออินพุตหนึ่งล้านโดยมีอัตราแคชที่ $0.05 และ$1.00 ต่อเอาต์พุตหนึ่งล้าน พร้อมเครดิตเริ่มต้น $2 ซึ่งคิดราคาภาระงานเดียวกันได้ต่ำกว่า $4 แต่เอนด์พอยต์นั้นไม่ใช่ตัวผลิตภัณฑ์จริง ๆ ผลิตภัณฑ์คือเวต และไม่มีตารางขนาดไฟล์ที่ผู้ขายเผยแพร่สำหรับ LFM2.5-24B-A2B ให้อ้างอิงได้ — รีโพ quantization มาพร้อมกันแบบพี่น้องบน Hugging Face สิ่งที่ผู้ขายเผยแพร่คือรูปร่างของการเดิมพัน: MoE ที่มีพารามิเตอร์ทำงาน 2.45B ตัว ซึ่งรันได้ 184 โทเคนต่อวินาทีบน Apple M5 Max และ 114 บน AMD Ryzen AI Max+ 395 ทั้งคู่เป็นตัวเลขที่ผู้ขายรายงานและยังไม่มีใครทำซ้ำได้ และทั้งคู่ไม่มีความหมายบน GPU ในดาต้าเซ็นเตอร์ที่รันคำขอพร้อมกันจำนวนมาก

A generated two-column scoreboard titled LFM2.5-24B-A2B vs Qwen3.8-27B, the scoreboard. The left column reads total parameters 24.0B, active per token 2.45B, context 131,072 tokens, input text only, licence lfm1.0 and served at 0.10 dollars in and 1.00 dollar out on the vendor Console. The right column reads total parameters 27B dense all active, context 262,144 tokens, input text image and video, licence Apache 2.0 and served at 0.33 dollars in and 2.40 dollars out on OrcaRouter, above a footer reading Liquid figures vendor-reported, 2026-10-13; Qwen price per OrcaRouter list; the two have never been benchmarked against each other.

จุดคุ้มทุนไม่ใช่จำนวนโทเคน แต่เป็นคำถามเรื่องอัตราการใช้งาน หากการใช้งานต่ำกว่าระดับภาระงานหนักต่อเนื่องโดยประมาณ ปลายทางแบบคิดค่าตามการใช้งานจะชนะในแง่ค่าใช้จ่าย แต่แพ้ในแง่พื้นความหน่วง เหนือจุดนั้นขึ้นไป การดาวน์โหลดจะชนะในแง่ค่าใช้จ่าย แต่แพ้ในแง่การดำเนินงาน — ตอนนี้คุณต้องเป็นเจ้าของการติดตั้งใช้งาน การอัปเกรดของมัน และแนวทางรับมือเมื่อระบบล่ม นั่นคือการตัดสินใจทั้งหมด และมันไม่เกี่ยวเลยว่าโมเดลไหนจะทำคะแนนได้สูงกว่าในตาราง

บริบท ใบอนุญาต และสองสิ่งที่แตกต่างกันจริง ๆ

• บริบท — 131,072 โทเคน เทียบกับ 262,144 โทเคน ในทางทฤษฎี หน้าต่างของ Qwen ยาวกว่าเป็นสองเท่า และการออกแบบ attention แบบเชิงเส้นเป็นส่วนใหญ่คือเหตุผลที่ทำให้มันรองรับขนาดนั้นได้ในหน่วยความจำ Liquid ยังไม่ได้เผยแพร่ตัวเลขการดึงข้อมูลบริบทยาวสำหรับหน้าต่าง 131K ของตนที่ความยาวใด ๆ ซึ่งเป็นช่องว่างเพียงจุดเดียวในการเปิดตัวของมันที่การทดสอบ benchmark สักรอบน่าจะปิดได้อย่างรวดเร็ว

• สัญญาอนุญาต — lfm1.0 เทียบกับ Apache 2.0 Apache 2.0 ไม่มีเงื่อนไขที่อิงกับรายได้ และไม่มีข้อกำหนดเรื่องขอบเขตการใช้งาน สัญญาอนุญาตของ Liquid เป็นเอกสารเฉพาะของบริษัทเองที่มีข้อกำหนดของตัวเอง ควรอ่านเทียบกับตัวเลขของบริษัทคุณก่อนการเปิดตัวเชิงพาณิชย์ และพึงทราบว่าความแตกต่างนี้ไม่ได้ลดน้อยลงเมื่อโมเดลมีขนาดใหญ่ขึ้น

• รูปแบบข้อมูล (Modality) — เฉพาะข้อความ เทียบกับข้อความ รูปภาพ และวิดีโอ หากงานของคุณเกี่ยวข้องกับภาพหน้าจอ หน้าที่สแกน หรือเฟรมวิดีโอ แถวนี้ก็จบการเปรียบเทียบได้ในตัวมันเอง

• การทำตามคำสั่ง — IFEval 96.75 และ IFBench 74.69แถวที่แข็งแกร่งที่สุดของ Liquid บนตารางเปิดตัวของตัวเอง นำหน้าทุกคอลัมน์ในตารางนั้น หากหน้าที่คือ "ทำตามรูปแบบนี้อย่างเคร่งครัด ทุกครั้ง" LFM2.5-24B-A2B มีกรณีที่เผยแพร่แล้วดีกว่า

• ความรู้และการเขียนโค้ด — GPQA Diamond 74.42 และ SWE-Bench Verified 51.00 สำหรับโมเดลของ Liquid Liquid เปรียบเทียบสิ่งเหล่านั้นกับ 83.69 และ 66.20 ของ Qwen3.6-35B-A3B และแพ้ทั้งสองรายการ ไม่มีการเปรียบเทียบ Qwen3.8-27B ในตารางนั้นเลย และยังไม่มีใครนำสองโมเดลนี้มาทดสอบกันแบบตัวต่อตัว

A generated cost card titled Download or line item, with three rows reading 20M input plus 2M output tokens a month on qwen/qwen3.8-27b at 0.33 and 2.40 dollars per million: about 11.40 dollars, The same workload on Liquid's Console endpoint at 0.10 and 1.00 dollars per million: under 4 dollars, and Below continuous heavy load the endpoint wins; above it you own a deployment, above a footer reading Prices per each vendor's current published list; token volumes are illustrative.

ที่ซึ่งแต่ละสิ่งควรอยู่จริง ๆ

เลือก Qwen3.8-27B เมื่ออินพุตไม่ใช่ข้อความ เมื่อเอกสารยาว หรือเมื่อคุณต้องการจ่ายตามการใช้งานมากกว่าที่จะต้องเป็นผู้ดำเนินการเอง หน้าต่าง 262K ที่รับภาพและวิดีโอเป็นผลิตภัณฑ์ที่แตกต่างอย่างแท้จริงจากหน้าต่าง 131K ที่รับข้อความ และสัญญาอนุญาต Apache 2.0 ตัดบทสนทนาที่ทีมส่วนใหญ่จะต้องมีออกไป เวลา p50 3.45 วินาทีถึงโทเคนแรกนั้นเป็นเรื่องจริงและควรค่าแก่การวัดเทียบกับความอดทนของคุณก่อนตัดสินใจ — โมเดลที่ความสามารถระดับนี้ในคลาส dense 27B ไม่ได้เร็ว และไม่มีบันทึกสถาปัตยกรรมใดเปลี่ยนสิ่งนั้นได้

เลือก LFM2.5-24B-A2B เมื่อเครื่องคือข้อจำกัด MoE ที่มีพารามิเตอร์ทำงาน 2.45B พร้อมคอนเท็กซ์ 131K และโปรไฟล์การทำตามคำสั่งที่เอาชนะทุกอย่างในตารางเปรียบเทียบของตัวเอง ถือเป็นของแข็งแกร่งที่น่ามีไว้รันในเครื่อง และการตัดสินใจของ Liquid ที่จะฝึกมันภายใน agent harness แทนที่จะฝึกกับชุด tool-calling แบบคงที่นั้นปรากฏให้เห็นในแถวที่มันชนะ สิ่งที่มันไม่ใช่คือนักวิเคราะห์เอกสารหรือฐานความรู้ และผู้ขายก็ระบุไว้เช่นนั้นในเอกสารฉบับเดียวกับที่เผยแพร่ตาราง benchmark

หากคุณต้องการหาข้อสรุปจากเวิร์กโหลดของคุณเอง แทนที่จะดูจากตารางเปรียบเทียบของผู้ให้บริการรายใดรายหนึ่ง เส้นทางแบบให้บริการสำเร็จรูปคือการทดลองที่ประหยัดที่สุด: qwen/qwen3.8-27bอยู่ในแค็ตตาล็อกของเราที่ราคาตามรายการด้านบน โดยบวกเพิ่ม 0% จากอัตราของผู้ให้บริการ และขนาดพี่น้องอย่าง qwen/qwen3.8-flashและ qwen/qwen3.8-maxก็วางเคียงข้างกันภายใต้คีย์เดียวกัน — คุณจึงหาจุดสมดุลระหว่างราคากับประสิทธิภาพที่งานของคุณต้องการจริง ๆ ได้ ก่อนจะตัดสินใจว่าคุ้มค่าที่จะมีเครื่องเป็นของตัวเองหรือไม่ LFM2.5-24B-A2B ไม่ได้อยู่ในแค็ตตาล็อกของเรา คอนโซลของ Liquid เองและน้ำหนักแบบเปิดคือช่องทางที่จะเข้าถึงมัน และไม่มีสิ่งใดในนี้ที่ควรสื่อเป็นอย่างอื่น

คำถามที่จะชี้ขาดเรื่องนี้ในอีกหกเดือนไม่ใช่ว่ารุ่นไหนจะชนะ แต่คือระดับ local-executor จะยังยืนไหวหรือไม่เมื่อความยาวบริบทเพิ่มขึ้น — และในเรื่องนั้น หน้าต่างที่ยาวเป็นสองเท่าของ Qwen กับหน้าต่างที่ยังไม่ได้วัดของ Liquid คือจุดข้อมูลเพียงสองจุดเดียวที่ใคร ๆ มี

ติดตามการขัดข้องและการเสื่อมประสิทธิภาพของโมเดลแบบเรียลไทม์ในคลังเหตุการณ์ของเรา และดูว่าเส้นทางใดมีการสลับไปยังระบบสำรองได้อย่างราบรื่น

LFM2.5-24B-A2B กับ Qwen3.8-27B: ตัวหนึ่งเป็นแค่การดาวน์โหลด อีกตัวเป็นรายการในงบประมาณ

แต่ละอันคืออะไร และมันเห็นอะไร

ต้นทุน ซึ่งคำนวณออกมาเป็นตัวเลขจริง

บริบท ใบอนุญาต และสองสิ่งที่แตกต่างกันจริง ๆ

ที่ซึ่งแต่ละสิ่งควรอยู่จริง ๆ

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล