LFM2.5-24B-A2B so với Qwen3.8-27B: Một cái là bản tải xuống, cái kia là một khoản mục chi phí

Hãy bắt đầu với con số quyết định phần lớn câu chuyện này. LFM2.5-24B-A2B là một tệp bạn cài lên một cỗ máy và giữ lại. Qwen3.8-27B là một mô hình bạn thuê theo từng triệu token. Liquid AI công bố mô hình đầu tiên vào ngày 13 tháng 10 năm 2026 với tổng 24,0 tỷ tham số, 2,45B tham số hoạt động mỗi token và ngữ cảnh 131.072 token; Alibaba công bố mô hình thứ hai vào ngày 13 tháng 8 năm 2026 dưới dạng mô hình ngôn ngữ - thị giác dày đặc 27 tỷ tham số với ngữ cảnh 262.144 token. Cả hai đều là mô hình trọng số mở. Chỉ một trong hai có mức giá trên mỗi token được công bố gắn với một endpoint đang hoạt động, và đó không phải là mô hình nhỏ hơn.

Sự bất đối xứng đó chính là phép so sánh. Mọi thứ bên dưới — năng lực, giấy phép, ngữ cảnh, phương thức — đều phụ thuộc vào việc bạn đang mua phần cứng hay mua token.

Mỗi cái là gì, và nó thấy được gì

LFM2.5-24B-A2B là một mixture-of-experts chỉ dành cho văn bản: 40 lớp được chia giữa 30 khối tích chập ngắn có cổng kép và 10 lớp attention truy vấn nhóm, 64 chuyên gia mỗi khối với định tuyến top-4, vốn từ 128.000 token và 16 ngôn ngữ được hỗ trợ. Bài đăng ra mắt của Liquid ghi tiền huấn luyện ở 33 nghìn tỷ token; thẻ mô hình trên Hugging Face cho cùng bản phát hành đó lại nói 36 nghìn tỷ. Quy trình hậu huấn luyện kết thúc bằng học tăng cường dạng tác tử bên trong các harness thực tế, và hướng dẫn của chính nhà cung cấp là ghép mô hình với truy xuất hoặc tìm kiếm web thay vì yêu cầu nó trả lời các câu hỏi kiến thức từ trọng số.

Qwen3.8-27B có một hình dạng hoàn toàn khác, và chính hình dạng đó mới là điểm mấu chốt. Đây là một thiết kế hybrid-attention dày đặc — 48 lớp linear-attention Gated DeltaNet xen kẽ với 16 lớp full-attention trên tổng 64 lớp, kích thước ẩn 5.120, và vốn từ 248.320 token — chính điều này khiến cho ngữ cảnh 262K trở nên khả thi ngay từ đầu. Nó nhận đầu vào văn bản, hình ảnh và video rồi trả về văn bản. Phần xương sống chủ yếu tuyến tính đó được kế thừa từ cùng dòng phát triển mà từ đó một bản nén như Ternary Bonsai 2 27B được dẫn xuất, đây là một tín hiệu hữu ích về việc có bao nhiêu giá trị nằm ở kiến trúc thay vì ở quá trình huấn luyện.

Phiên bản một dòng: mô hình của Liquid định tuyến và gọi các công cụ bên trong một vòng lặp, và làm điều đó mà không cần mạng. Mô hình của Qwen quan sát mọi thứ — ảnh chụp màn hình, tài liệu, video — và lý luận về chúng ở độ dài ngữ cảnh dài gấp đôi. Không cái nào là phiên bản kém hơn của cái kia; chúng nhắm vào hai nửa khác nhau của một hệ thống đang vận hành.

Chi phí, được tính như một con số thực tế

Đây là điểm mà hai thứ không còn có thể so sánh với nhau được nữa, nên đáng để làm phép tính thay vì trao đổi những lời lẽ hoa mỹ.

Trên OrcaRouter, qwen/qwen3.8-27b được cung cấp với mức $0,33 cho mỗi triệu token đầu vào và $2,40 cho mỗi triệu token đầu ra, với thời gian p50 đến token đầu tiên là 3,45 giây được đo trong bảy ngày. Một khối lượng công việc gồm 20 triệu token đầu vào và 2 triệu token đầu ra mỗi tháng — một công cụ nội bộ khiêm tốn — tốn $6,60 cộng $4,80, tức khoảng $11,40. Không cần cài đặt, không cần giữ ấm, không khấu hao GPU.

Endpoint Console của Liquid chạy $0.10 mỗi triệu token đầu vào với mức giá đã cache là $0.05 và $1.00 mỗi triệu token đầu ra, cùng $2 tín dụng khởi đầu, khiến cùng khối lượng công việc đó có giá dưới $4. Nhưng endpoint đó không thực sự là sản phẩm. Sản phẩm là các trọng số, và không có bảng kích thước tệp nào do nhà cung cấp công bố cho LFM2.5-24B-A2B để trích dẫn — các repo lượng tử hóa được phát hành như những repo anh em trên Hugging Face. Điều nhà cung cấp có công bố là hình hài của canh bạc: một MoE có 2,45B tham số hoạt động, chạy ở 184 token mỗi giây trên Apple M5 Max và 114 trên AMD Ryzen AI Max+ 395, đều do nhà cung cấp báo cáo và chưa được tái lập, và cả hai đều vô nghĩa trên một GPU trung tâm dữ liệu đang chạy nhiều yêu cầu đồng thời.

Điểm hòa vốn không phải là một con số token, mà là một câu hỏi về mức sử dụng. Dưới mức tải nặng liên tục xấp xỉ, endpoint tính phí theo mức dùng thắng về tiền mặt và thua về sàn độ trễ. Trên mức đó, bản tải về thắng về tiền mặt và thua về vận hành — bạn giờ phải sở hữu một triển khai, các bản nâng cấp của nó, và phương án chuyển đổi dự phòng của nó. Đó là toàn bộ quyết định, và nó không liên quan gì đến việc mô hình nào đạt điểm cao hơn trên một bảng.

Ngữ cảnh, giấy phép và hai điều thực sự khác biệt

• Ngữ cảnh — 131,072 token so với 262,144 token. Cửa sổ của Qwen dài gấp đôi trên giấy, và thiết kế attention gần như tuyến tính chính là lý do nó có thể đáp ứng điều đó về bộ nhớ. Liquid chưa công bố bất kỳ số liệu truy xuất ngữ cảnh dài nào cho cửa sổ 131K của mình ở bất kỳ độ dài nào, đó là khoảng trống duy nhất trong bản phát hành của nó mà một vòng đánh giá chuẩn sẽ nhanh chóng lấp đầy.

• Giấy phép — lfm1.0 so với Apache 2.0. Apache 2.0 không có cơ chế kích hoạt theo doanh thu và không có điều khoản giới hạn lĩnh vực sử dụng. Giấy phép của Liquid là một văn bản riêng với những điều khoản riêng. Hãy đối chiếu nó với các con số của công ty bạn trước khi triển khai thương mại, và lưu ý rằng sự khác biệt này không thu hẹp lại khi các mô hình trở nên lớn hơn.

• Phương thức — chỉ văn bản so với văn bản, hình ảnh và video đầu vào. Nếu khối lượng công việc của bạn liên quan đến ảnh chụp màn hình, một trang được quét hoặc một khung hình video, thì hàng này tự nó đã kết thúc việc so sánh.

• Tuân thủ chỉ dẫn — IFEval 96,75 và IFBench 74,69.Đây là những hàng mạnh nhất của Liquid trên bảng công bố khi ra mắt của chính mình, vượt trội so với mọi cột trong đó. Nếu yêu cầu là "tuân thủ chính xác định dạng này, mỗi lần", thì LFM2.5-24B-A2B có bằng chứng được công bố tốt hơn.

• Kiến thức và lập trình — GPQA Diamond 74.42 và SWE-Bench Verified 51.00 cho mô hình của Liquid.Liquid so sánh những điểm đó với 83.69 và 66.20 của Qwen3.6-35B-A3B và thua cả hai. Không hề có so sánh với Qwen3.8-27B trong bảng đó, và chưa ai cho hai mô hình chạy đối đầu với nhau.

Nơi mỗi thứ thực sự thuộc về

Hãy chọn Qwen3.8-27B khi đầu vào không phải văn bản, khi tài liệu dài, hoặc khi bạn muốn được tính phí thay vì phải tự vận hành một thứ gì đó. Cửa sổ 262K tiếp nhận hình ảnh và video là một sản phẩm thực sự khác biệt so với cửa sổ 131K chỉ tiếp nhận văn bản, và giấy phép Apache 2.0 xóa bỏ một cuộc thảo luận mà nếu không thì hầu hết các nhóm sẽ phải thực hiện. Thời gian đến token đầu tiên p50 là 3,45 giây là có thật và đáng để đo đối chiếu với ngưỡng chịu đựng của chính bạn trước khi cam kết — một mô hình có năng lực đến mức này trong lớp dense 27B không nhanh, và không có ghi chú kiến trúc nào thay đổi được điều đó.

Chọn LFM2.5-24B-A2B khi cỗ máy chính là giới hạn. Một MoE hoạt động 2,45B với ngữ cảnh 131K và hồ sơ tuân thủ chỉ dẫn vượt qua mọi thứ trong bảng so sánh của chính nó là một thứ rất đáng để chạy cục bộ, và quyết định của Liquid là huấn luyện nó bên trong các khung agent thay vì đối đầu với một tập gọi công cụ tĩnh thể hiện rõ ở những hàng mà nó thắng. Điều nó không phải là một công cụ phân tích tài liệu hay một cơ sở tri thức, và nhà cung cấp cũng nói điều đó trong chính tài liệu công bố bảng benchmark.

Nếu bạn muốn giải quyết điều đó trên khối lượng công việc của riêng mình thay vì dựa vào bảng của bất kỳ nhà cung cấp nào, thì phương án dùng dịch vụ sẵn có là thử nghiệm rẻ: qwen/qwen3.8-27b có trong danh mục của chúng tôi ở mức giá niêm yết nêu trên với 0% markup trên mức giá của nhà cung cấp, và các phiên bản cùng dòng qwen/qwen3.8-flash và qwen/qwen3.8-max nằm ngay cạnh nó sau cùng một key — nhờ đó bạn có thể tìm ra điểm cân bằng giá/hiệu năng mà tác vụ của bạn thực sự cần trước khi quyết định xem có đáng để sở hữu một chiếc máy hay không. LFM2.5-24B-A2B không có trong danh mục của chúng tôi; Console riêng của Liquid và các trọng số mở chính là con đường để có được nó, và không có gì ở đây nên ngụ ý điều ngược lại.

Câu hỏi sẽ định đoạt điều này trong sáu tháng tới không phải là mô hình nào sẽ thắng. Mà là liệu tầng local-executor có trụ vững khi độ dài ngữ cảnh tăng lên hay không — và ở điểm đó, cửa sổ dài gấp đôi của Qwen cùng cửa sổ chưa được đo của Liquid là hai điểm dữ liệu duy nhất mà bất kỳ ai có.

Theo dõi tình trạng ngừng hoạt động và suy giảm của mô hình theo thời gian thực trong kho lưu trữ sự cố của chúng tôi và xem những tuyến nào đã chuyển đổi dự phòng một cách suôn sẻ.