LFM3-Omni-2B so với Qwen3.8-Omni-Flash: Chỉ Một Trong Hai Có Thể Nói

Đặt LFM3-Omni-2Bvà Qwen3.8-Omni-Flash vào cùng một phòng, và khác biệt quyết định phần lớn sản phẩm không nằm trên bảng điểm chuẩn. Cả hai đều nhận âm thanh. Cả hai đều nhận video. Chỉ một trong hai có thể trả lời thành tiếng. Mô hình của Alibaba chỉ trả về văn bản và không gì khác — tài liệu của chính hãng nói rõ rằng trả lời bằng giọng nói cần một mô hình khác trong dòng Qwen — trong khi checkpoint 2,17 tỷ tham số của Liquid AI phát trực tiếp giọng nói 24 kHz, hoặc xen kẽ giọng nói và văn bản trong một phản hồi duy nhất.

Mọi thứ còn lại về cặp đôi này là một minh chứng cho quy mô. Qwen3.8-Omni-Flash là một mô hình đóng trên API của Alibaba kể từ ngày 18 tháng 9 năm 2026, được xây dựng trên hỗn hợp chuyên gia 125 tỷ tham số với khoảng 6 tỷ tham số hoạt động, mang ngữ cảnh một triệu token. LFM3-Omni-2B có trọng số mở, 2,17 tỷ tham số, ngữ cảnh 32K, và được công bố vào ngày 27 tháng 10 năm 2026 như một trong sáu mô hình trong bài đăng về dòng LFM3 — với kho lưu trữ công khai từ ngày 21 tháng 10 và không có bài đăng ra mắt riêng. Một mô hình bạn thuê theo token; mô hình kia bạn tải về và trả tiền bằng phần cứng.

Hai sản phẩm này không phải là cùng một sản phẩm.

Rút gọn về đúng mục đích của từng bên, Qwen3.8-Omni-Flash là một cỗ máy hiểu với cửa sổ ngữ cảnh khổng lồ: phiên âm, tóm tắt, suy luận xuyên suốt nhiều giờ nội dung đa phương tiện, gọi công cụ và trả về văn bản. LFM3-Omni-2B là một điểm cuối hội thoại tình cờ có khả năng nhìn và nghe: nó nhận câu hỏi bằng giọng nói, nhìn vào một khung hình và trả lời bằng giọng nói, ngay trên thiết bị.

Hệ quả là việc xây dựng một trợ lý giọng nói trên Qwen3.8-Omni-Flash đồng nghĩa với việc phải xây thêm hai giai đoạn — nhận dạng giọng nói ở đầu vào, tổng hợp ở đầu ra — và trả tiền cho ba mô hình trong khi Liquid chỉ tính phí bạn cho một mô hình. Việc xây dựng một công cụ phân tích cuộc họp kéo dài hai giờ trên LFM3-Omni-2B đồng nghĩa với việc phải nạp dữ liệu theo từng khúc, vì cửa sổ 32K không phải là một giờ âm thanh và Liquid không công bố tỷ lệ âm thanh sang token để bạn có thể tính giới hạn trước khi thử.

Ngữ cảnh là khoảng trống lớn nhất trên trang giấy.

• Ngữ cảnh — Qwen3.8-Omni-Flash 1M token, với đầu vào tối đa khoảng 991K và đầu ra lên đến 131K; LFM3-Omni-2B 32K token bao gồm cả đầu vào và đầu ra cùng nhau.

Giới hạn phương tiện — Alibaba ghi nhận tối đa ba giờ âm thanh và hai giờ video trong một yêu cầu, với đầu vào âm thanh bằng 113 ngôn ngữ và phương ngữ; Liquid ghi nhận âm thanh mono 16 kHz và video được lấy mẫu ở 2 khung hình mỗi giây, từ 4 đến 384 khung hình.

• Đầu ra — chỉ văn bản so với văn bản, giọng nói 24 kHz, hoặc văn bản và giọng nói xen kẽ.

• Quy mô — một hỗn hợp chuyên gia 125B với khoảng 6B hoạt động, được lưu trữ (hosted), so với mô hình dense 2.17B chạy trên điện thoại.

• Trọng số — đóng so với mở, theo LFM Open License v1.0.

• Giá — $0.15 mỗi triệu token đầu vào, $0.016 cho token được lưu trong bộ nhớ đệm, $0.47 mỗi triệu token đầu ra đối với Qwen3.8-Omni-Flash; không có giá theo token cho LFM3-Omni-2B vì không có gì để đo đếm.

Ngữ cảnh 1M không phải là một món trang trí trên bảng thông số. Nó là khác biệt giữa “tóm tắt cuộc họp này” và “tóm tắt cuộc họp này, rồi trả lời các câu hỏi về giờ thứ ba”. Cách định vị khi ra mắt của Alibaba là một hóa đơn chứ không phải một bảng điểm: rẻ hơn 98% mỗi giờ đầu vào âm thanh so với Qwen3.5-Omni-Plus, rẻ hơn 93% mỗi giờ âm thanh-hình ảnh, các con số được tính bằng cách định giá một mẫu hai phút rồi nhân lên. Khoản tiết kiệm là có thật, và đồng thời cũng là phép tính của chính nhà cung cấp.

Tiền thực sự mua được gì

Với $0.15 cho đầu vào và $0.47 cho đầu ra, một giờ phiên âm đủ rẻ để hầu hết các nhóm thôi mô hình hóa nó. Đó chính là mục đích của việc giảm giá, và là lập luận mạnh nhất ủng hộ việc thuê: chi phí biên của một yêu cầu gần bằng không và người khác sở hữu GPU.

LFM3-Omni-2B đảo ngược đường cong. Các trọng số là miễn phí, chi phí biên cho mỗi yêu cầu là pin của người dùng bạn, và chi phí cố định là thời gian kỹ thuật để đưa một mô hình 2,17B vào một ứng dụng. Nếu bạn đã có một đội ngũ di động, đó không phải là một con số lớn. Nếu bạn không có, đó là toàn bộ dự án.

Đây cũng là nơi một router chứng minh được giá trị thực sự của mình chứ không chỉ là một khẩu hiệu. Các mô hình văn bản thuộc dòng Qwen3.8 đã có trên danh mục của OrcaRouter theo giá niêm yết với mức chênh lệch 0%, nghĩa là khi nhà cung cấp giảm giá, phía chúng tôi sẽ áp dụng ngay trong cùng ngày; bản thân Qwen3.8-Omni-Flash không có trong danh mục, và LFM3-Omni-2B cũng vậy. Điều danh mục mang lại là khả năng giữ phần chạy trên máy chủ của một giải pháp lai — tác vụ batch âm thanh dài, phương án dự phòng khi điện thoại ngoại tuyến — phía sau một khóa và một hóa đơn, với cơ chế chuyển đổi dự phòng tự động nếu một nhà cung cấp gặp sự cố.

Điểm chuẩn: cùng một con số, hai bộ khung kiểm thử

RealWorldQA là benchmark duy nhất mà cả hai card đều báo cáo, và khoảng cách là 21 điểm: Qwen3.8-Omni-Flash đạt 87.7, LFM3-Omni-2B đạt 66.54 ở chế độ thị giác và 64.68 khi câu hỏi được nói thành tiếng.

Đừng hiểu đó như một thất bại trong so sánh cùng điều kiện. Chỉ số 87,7 của Qwen được Alibaba đo trên một mô hình 125B có ngân sách suy luận; các con số của Liquid được Liquid đo bằng giải mã tham lam và mẫu trò chuyện riêng của từng mô hình, còn biến thể giọng nói của nó đưa câu hỏi vào dưới dạng âm thanh thay vì văn bản. Cùng tên benchmark, điều kiện khác nhau, các lớp mô hình khác nhau. Kết luận về xu hướng là an toàn — một mô hình lớn hơn hai mươi lần, có bật tính năng suy nghĩ, lẽ ra phải giỏi hơn ở việc trả lời câu hỏi trực quan — nhưng độ lớn không phải là thước đo của bất cứ điều gì.

Phần còn lại của mỗi card là không được công bố. Qwen3.8-Omni-Flash báo cáo LiveCodeBench v6 đạt 92,6; GPQA Diamond đạt 91; SpotSoundBench 67,2; WildClawBench-MM 71,0 và OmniVideoBench 67,8. LFM3-Omni-2B báo cáo Daily-Omni 70,09; WorldSense 47,10; OmniBench 46,32; OmniBench speech 48,25; MMAR 51,40 và điểm gọi công cụ là 52,20. Phần trùng lặp giữa hai danh sách gần như bằng không, đúng như kỳ vọng với hai mô hình được xây dựng cho những công việc khác nhau — và cũng là lời nhắc rằng cả hai nhà cung cấp đều chưa công bố đánh giá độc lập.

Độ trễ, và vòng khứ hồi mà không ai định giá

Một mô hình omni được lưu trữ có một vòng khứ hồi mạng trước mỗi câu trả lời và một hàng đợi phía sau nó. Với công việc theo lô, điều đó là vô hình. Còn với một cuộc trò chuyện, đó là sự khác biệt giữa một sản phẩm mang cảm giác sống động và một sản phẩm giống như việc gửi biểu mẫu.

Lợi thế của LFM3-Omni-2B ở đây mang tính cấu trúc chứ không phải được đo lường: âm thanh không bao giờ rời khỏi thiết bị, mô hình có 2,17B tham số, và đầu ra là các token giọng nói được tạo trong cùng một lượt với văn bản. Không có lệnh gọi ASR, không có lệnh gọi tổng hợp, và không có điều phối giữa chúng. Liệu điều đó có đánh bại một endpoint được lưu trữ với tài nguyên được cấp phát tốt về độ trễ thời gian thực hay không là một câu hỏi thực nghiệm mà Liquid chưa trả lời — họ không công bố số liệu độ trễ nào, và không có kiểm thử độc lập.

Cách nói trung thực là đường xử lý cục bộ loại bỏ ba kiểu lỗi (tải lên, hàng đợi, tải xuống) và thêm một kiểu lỗi (điện thoại bị giảm hiệu năng do nhiệt).

Ai nên chọn cái nào

Chọn Qwen3.8-Omni-Flash nếu đầu vào của bạn dài, đầu ra là văn bản và người dùng của bạn không chờ đợi một giao diện giọng nói. Phiên âm cuộc họp, giám sát truyền thông, phân tích trung tâm cuộc gọi, tìm kiếm video, bất cứ thứ gì hưởng lợi từ cửa sổ một triệu token và ngân sách suy luận — đây là lớp mô hình được xây dựng cho chính việc đó, và mức giá khiến quyết định trở nên dễ dàng. Hãy chấp nhận rằng bạn đang thuê, rằng trọng số sẽ không bao giờ thuộc về bạn, và rằng một giao diện giọng nói đồng nghĩa với việc thêm mô hình chứ không phải cấu hình một mô hình.

Chọn LFM3-Omni-2B nếu tương tác diễn ra bằng giọng nói và thiết bị chính là sản phẩm. Nó nhỏ hơn, nhìn thấy ít hơn, ghi nhớ 32K thay vì một triệu, và giấy phép của nó có điều khoản doanh thu mà Apache 2.0 không có. Đổi lại, nó là mô hình duy nhất trong hai mô hình này có thể kết thúc một câu bằng giọng nói.

Đó chính là toàn bộ sự đánh đổi, và đáng nói thẳng ra, bởi hầu hết các so sánh giữa hai mô hình này đều dành phần lớn dung lượng cho những điểm số mà chỉ một trong hai từng cố gắng giành lấy. Nếu sản phẩm của bạn biết nói chuyện, thì một trong hai mô hình này được xây dựng dành cho bạn, còn mô hình kia thì không.