LFM3-Omni-2B vs Qwen3.8-Omni-Flash: มีเพียงตัวเดียวเท่านั้นที่พูดได้

ลองวางLFM3-Omni-2BและQwen3.8-Omni-Flashไว้ในห้องเดียวกัน แล้วความแตกต่างที่ชี้ขาดผลิตภัณฑ์ส่วนใหญ่ก็ไม่ได้อยู่บนตาราง benchmark ทั้งคู่รองรับเสียง ทั้งคู่รองรับวิดีโอ มีเพียงตัวเดียวเท่านั้นที่ตอบออกเสียงได้ โมเดลของ Alibaba ส่งคืนข้อความเพียงอย่างเดียว — เอกสารของมันเองระบุชัดเจนว่าการตอบกลับด้วยเสียงพูดต้องใช้โมเดลอื่นในตระกูล Qwen — ในขณะที่เช็กพอยต์ขนาด 2.17 พันล้านพารามิเตอร์ของ Liquid AI ส่งเสียงพูด 24 kHz ออกมาโดยตรง หรือสลับเสียงพูดและข้อความในคำตอบเดียว

ทุกอย่างอื่นเกี่ยวกับทั้งสองรุ่นนี้คือบทเรียนเรื่องขนาด Qwen3.8-Omni-Flash เป็นโมเดลแบบปิดบน API ของ Alibaba ตั้งแต่ 18 กันยายน 2026 สร้างบนสถาปัตยกรรม mixture of experts ขนาด 125 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานอยู่ราว 6 พันล้าน และมีคอนเท็กซ์ 1 ล้านโทเคน ส่วน LFM3-Omni-2B เป็นโมเดลแบบเปิดน้ำหนัก 2.17 พันล้านพารามิเตอร์ คอนเท็กซ์ 32K และถูกประกาศเมื่อ 27 ตุลาคม 2026 โดยเป็นหนึ่งในหกโมเดลในโพสต์ตระกูล LFM3 — โดยมีรีโพซิทอรีเปิดต่อสาธารณะตั้งแต่ 21 ตุลาคม และไม่มีโพสต์เปิดตัวของตัวเอง อันหนึ่งคุณเช่าใช้แบบคิดตามโทเคน อีกอันคุณดาวน์โหลดและจ่ายเป็นค่าฮาร์ดแวร์

ผลิตภัณฑ์ทั้งสองไม่ใช่ผลิตภัณฑ์เดียวกัน

ถ้าตัดให้เหลือเพียงแก่นว่าตัวไหนมีไว้ทำอะไร Qwen3.8-Omni-Flash คือเอนจินสำหรับทำความเข้าใจที่มีหน้าต่างขนาดมหาศาล: ถอดเสียง สรุป ให้เหตุผลครอบคลุมสื่อหลายชั่วโมง เรียกใช้เครื่องมือ และส่งคืนข้อความ ส่วน LFM3-Omni-2B คือจุดเชื่อมต่อสำหรับการสนทนาที่บังเอิญมองเห็นและได้ยินได้: มันรับคำถามด้วยเสียง มองไปที่เฟรมภาพ แล้วตอบกลับด้วยเสียง บนอุปกรณ์

ผลลัพธ์คือ การสร้างผู้ช่วยเสียงบน Qwen3.8-Omni-Flash หมายความว่าต้องสร้างอีกสองขั้นตอน — การรู้จำเสียงพูดขาเข้าและการสังเคราะห์เสียงขาออก — และต้องจ่ายสำหรับสามโมเดล ในขณะที่ Liquid คิดเงินคุณเพียงหนึ่งโมเดล การสร้างเครื่องวิเคราะห์การประชุมความยาวสองชั่วโมงบน LFM3-Omni-2B หมายความว่าต้องป้อนข้อมูลเป็นชิ้น ๆ เพราะหน้าต่าง 32K ไม่ใช่เสียงหนึ่งชั่วโมง และ Liquid ไม่ได้เปิดเผยอัตราการแปลงเสียงเป็นโทเคนที่จะช่วยให้คุณคำนวณขีดจำกัดได้ก่อนลอง

บริบทคือช่องว่างที่กว้างที่สุดบนชีต

• บริบท — Qwen3.8-Omni-Flash 1M โทเค็น โดยมีอินพุตสูงสุดประมาณ 991K และเอาต์พุตได้ถึง 131K; LFM3-Omni-2B 32K โทเค็น ครอบคลุมทั้งอินพุตและเอาต์พุตรวมกัน

• ขีดจำกัดของสื่อ — Alibaba ระบุว่าสามารถรองรับเสียงได้สูงสุดสามชั่วโมงและวิดีโอสองชั่วโมงในคำขอเดียว โดยมีอินพุตเสียงใน 113 ภาษาและภาษาถิ่น; Liquid ระบุว่าเสียงโมโน 16 kHz และวิดีโอที่สุ่มตัวอย่างที่ 2 เฟรมต่อวินาที 4 ถึง 384 เฟรม

• เอาต์พุต — ข้อความเท่านั้นเมื่อเทียบกับข้อความ, เสียงพูด 24 kHz หรือข้อความและเสียงพูดแบบสลับกัน

• ขนาด — mixture of experts ขนาด 125B ที่มีพารามิเตอร์ทำงานประมาณ 6B ให้บริการแบบโฮสต์ เทียบกับโมเดล dense ขนาด 2.17B ที่รันบนโทรศัพท์

• เวท — แบบปิดเทียบกับแบบเปิด ภายใต้ LFM Open License v1.0

• ราคา — $0.15 ต่อหนึ่งล้านโทเค็นอินพุต, $0.016 สำหรับแคช, $0.47 ต่อหนึ่งล้านโทเค็นเอาต์พุต สำหรับ Qwen3.8-Omni-Flash; ไม่มีราคาต่อโทเค็นสำหรับ LFM3-Omni-2B เพราะไม่มีสิ่งใดต้องวัด

คอนเท็กซ์ 1M ไม่ใช่แค่ของประดับในสเปกชีต แต่เป็นความแตกต่างระหว่าง "สรุปการประชุมนี้" กับ "สรุปการประชุมนี้ แล้วตอบคำถามเกี่ยวกับชั่วโมงที่สาม" กรอบการเปิดตัวของ Alibaba เป็นเรื่องของใบเสร็จค่าใช้จ่ายมากกว่าคะแนนวัดประสิทธิภาพ โดยระบุว่าถูกกว่า 98% ต่อชั่วโมงของอินพุตเสียงเมื่อเทียบกับ Qwen3.5-Omni-Plus และถูกกว่า 93% ต่อชั่วโมงของเสียง-วิดีโอ ตัวเลขเหล่านี้ได้มาจากการคิดราคาจากตัวอย่างความยาวสองนาทีแล้วคูณออกมา การประหยัดนั้นมีจริง และในขณะเดียวกันก็เป็นการคำนวณของผู้ขายเอง

เงินซื้ออะไรได้จริง

ด้วยราคา $0.15 สำหรับอินพุต และ $0.47 สำหรับเอาต์พุต การถอดเสียงหนึ่งชั่วโมงนั้นถูกพอที่ทีมส่วนใหญ่จะเลิกคำนวณต้นทุนเรื่องนี้ นั่นคือจุดประสงค์ของการลดราคา และเป็นข้อโต้แย้งที่แข็งแกร่งที่สุดสำหรับการเช่า: ต้นทุนส่วนเพิ่มต่อคำขอใกล้ศูนย์ และมีคนอื่นเป็นเจ้าของ GPUs

LFM3-Omni-2B พลิกเส้นโค้งนี้ น้ำหนักโมเดลไม่มีค่าใช้จ่าย ต้นทุนส่วนเพิ่มต่อคำขอคือแบตเตอรี่ของผู้ใช้คุณ และต้นทุนคงที่คือเวลาทางวิศวกรรมในการนำโมเดลขนาด 2.17B ไปใส่ในแอป หากคุณมีทีมมือถืออยู่แล้ว นั่นไม่ใช่ตัวเลขที่สูง หากไม่มี นั่นคือทั้งโปรเจกต์

นี่คือจุดที่เราเตอร์พิสูจน์คุณค่าของตัวเอง ไม่ใช่เป็นแค่คำโฆษณา โมเดลข้อความในตระกูล Qwen3.8 มีอยู่ในแคตตาล็อกของ OrcaRouter แล้วในราคาตามรายการโดยบวกเพิ่ม 0% ซึ่งหมายความว่าหากผู้ขายลดราคา ฝั่งเราจะมีผลในวันเดียวกับที่ประกาศ ส่วน Qwen3.8-Omni-Flash เองยังไม่มีในแคตตาล็อก และ LFM3-Omni-2B ก็เช่นกัน สิ่งที่แคตตาล็อกให้คุณได้คือความสามารถในการเก็บครึ่งที่เป็นโฮสต์ของระบบไฮบริด — งานแบตช์เสียงยาว, ตัวสำรองเมื่อโทรศัพท์ออฟไลน์ — ไว้หลังคีย์เดียวและใบแจ้งหนี้เดียว พร้อมการสลับอัตโนมัติหากผู้ให้บริการล่ม

เบนช์มาร์ก: ตัวเลขร่วมกันหนึ่งค่า, ฮาร์เนสสองชุด

RealWorldQA เป็น benchmark เดียวที่การ์ดทั้งสองรายงาน และช่องว่างอยู่ที่ 21 คะแนน: Qwen3.8-Omni-Flash อยู่ที่ 87.7 ส่วน LFM3-Omni-2B อยู่ที่ 66.54 ในโหมด vision และ 64.68 เมื่อคำถามถูกพูดออกมา

อย่าตีความสิ่งนี้ว่าเป็นความพ่ายแพ้แบบเทียบกันได้ตรงๆ ตัวเลข 87.7 ของ Qwen ถูกวัดโดย Alibaba บนโมเดลขนาด 125B ที่มีโควตาการใช้เหตุผล ส่วนตัวเลขของ Liquid ถูกวัดโดย Liquid ด้วยการถอดรหัสแบบ greedy และเทมเพลตแชทของแต่ละโมเดลเอง และเวอร์ชันเสียงของมันป้อนคำถามเป็นเสียงแทนข้อความ ชื่อ benchmark เดียวกัน แต่เงื่อนไขต่างกันและประเภทโมเดลต่างกัน ข้อสรุปเชิงทิศทางนั้นปลอดภัย — โมเดลที่ใหญ่กว่ายี่สิบเท่าและเปิดการคิดควรตอบคำถามจากภาพได้ดีกว่า — แต่ขนาดของความต่างไม่ใช่การวัดอะไรเลย

ส่วนที่เหลือของแต่ละการ์ดไม่ได้ถูกแชร์ร่วมกัน Qwen3.8-Omni-Flash รายงานผล LiveCodeBench v6 ที่ 92.6, GPQA Diamond ที่ 91, SpotSoundBench 67.2, WildClawBench-MM 71.0 และ OmniVideoBench 67.8 ส่วน LFM3-Omni-2B รายงานผล Daily-Omni 70.09, WorldSense 47.10, OmniBench 46.32, OmniBench speech 48.25, MMAR 51.40 และคะแนน tool-calling ที่ 52.20 รายการทั้งสองแทบไม่ทับซ้อนกัน ซึ่งเป็นสิ่งที่คาดได้จากโมเดลสองตัวที่สร้างขึ้นสำหรับงานต่างกัน — และเป็นเครื่องเตือนใจว่าผู้ขายทั้งสองรายยังไม่ได้เผยแพร่การประเมินผลที่เป็นอิสระ

ความหน่วง และการไปกลับที่ไม่มีใครคิดราคา

โมเดล omni แบบโฮสต์ต้องมีการส่งข้อมูลไปกลับผ่านเครือข่ายหนึ่งรอบก่อนจะได้ทุกคำตอบ และมีคิวรออยู่เบื้องหลัง สำหรับงานแบบแบตช์ ความหน่วงนี้มองไม่เห็น แต่สำหรับการสนทนา มันคือความแตกต่างระหว่างผลิตภัณฑ์ที่ให้ความรู้สึกมีชีวิตกับผลิตภัณฑ์ที่ให้ความรู้สึกเหมือนกำลังส่งแบบฟอร์ม

ข้อได้เปรียบของ LFM3-Omni-2B ในที่นี้เป็นเชิงโครงสร้างมากกว่าที่วัดได้: เสียงไม่เคยออกจากอุปกรณ์ โมเดลมีขนาด 2.17B และเอาต์พุตเป็นโทเคนเสียงพูดที่สร้างขึ้นในรอบการประมวลผลเดียวกับข้อความ ไม่มีการเรียก ASR ไม่มีการเรียกสังเคราะห์เสียง และไม่มีการประสานงานระหว่างกัน ส่วนว่าสิ่งนี้จะเอาชนะปลายทางที่โฮสต์ซึ่งจัดสรรทรัพยากรไว้อย่างดีในแง่ความหน่วงตามเวลาจริงได้หรือไม่ เป็นคำถามเชิงประจักษ์ที่ Liquid ยังไม่ได้ตอบ — บริษัทไม่เผยแพร่ตัวเลขความหน่วง และไม่มีการทดสอบที่เป็นอิสระ

พูดตามตรงก็คือ เส้นทางในเครื่องช่วยกำจัดโหมดความล้มเหลวสามแบบ (การอัปโหลด, คิว, การดาวน์โหลด) และเพิ่มเข้ามาหนึ่งแบบ (โทรศัพท์ที่กำลังถูกจำกัดความร้อน)

ใครควรเลือกอันไหน

เลือก Qwen3.8-Omni-Flash หากอินพุตของคุณยาว เอาต์พุตเป็นข้อความ และผู้ใช้ของคุณไม่ได้รอฟังเสียง การถอดเสียงการประชุม การติดตามสื่อ การวิเคราะห์คอลเซ็นเตอร์ การค้นหาวิดีโอ อะไรก็ตามที่ได้ประโยชน์จากหน้าต่างหนึ่งล้านโทเค็นและงบประมาณการให้เหตุผล — นี่คือคลาสของโมเดลที่สร้างมาเพื่อสิ่งนี้ และราคาทำให้การตัดสินใจเป็นเรื่องง่าย ยอมรับว่าคุณกำลังเช่า น้ำหนักโมเดลจะไม่มีวันเป็นของคุณ และอินเทอร์เฟซแบบเสียงหมายถึงการเพิ่มโมเดล ไม่ใช่การกำหนดค่าโมเดลเดียว

เลือก LFM3-Omni-2B หากการโต้ตอบเป็นแบบพูดและอุปกรณ์คือผลิตภัณฑ์ มันเล็กกว่า มองเห็นได้น้อยกว่า จำได้ 32K แทนที่จะเป็นหนึ่งล้าน และสัญญาอนุญาตของมันมีข้อกำหนดเกี่ยวกับรายได้ที่ Apache 2.0 ไม่มี แลกกับการที่มันเป็นเพียงตัวเดียวในสองตัวนี้ที่สามารถจบประโยคด้วยเสียงได้

นี่คือข้อแลกเปลี่ยนทั้งหมด และคุ้มค่าที่จะพูดให้ตรงไปตรงมา เพราะการเปรียบเทียบโมเดลสองตัวนี้ส่วนใหญ่ใช้เนื้อที่ไปกับคะแนนที่โมเดลเพียงตัวเดียวเท่านั้นที่พยายามจะชนะมาตลอด หากผลิตภัณฑ์ของคุณต้องพูดคุย โมเดลหนึ่งในสองตัวนี้ถูกสร้างมาเพื่อคุณ ส่วนอีกตัวไม่ได้เป็นเช่นนั้น