LFM3 vs Qwen3.8-27B: Khoảng cách kích thước 16× thu hẹp xuống còn 9% về khả năng tuân thủ hướng dẫn

LFM3-1.7B mang 1,73 tỷ tham số. Qwen3.8-27B mang 27,78 tỷ, cộng thêm một bộ mã hóa thị giác — trọng số lớn hơn 16,1 lần. Đặt chúng trên cùng một dòng benchmark và phép tính không chịu hành xử theo lẽ thường. Trên IFBench, bài kiểm tra xem một mô hình có tuân thủ các ràng buộc mà nó chưa từng được tinh chỉnh hay không, khoảng cách giữa chúng ở mức dưới chín phần trăm. Trên Terminal-Bench 2.1, con số này là 5,6 lần. Hai mô hình, một chênh lệch kích thước cố định, và một kết quả dao động từ "tại sao bạn lại phải trả tiền cho mô hình lớn" đến "mô hình nhỏ không thể làm được việc này chút nào" tùy theo dòng bạn đọc.

Sự đảo chiều đó chính là toàn bộ quyết định. Đây không phải là câu chuyện về một mô hình nhỏ đuổi kịp một mô hình lớn, và cũng không phải là câu chuyện về một mô hình lớn bị lãng phí cho những công việc nhỏ. Đây là câu chuyện về một ranh giới nhiệm vụ nằm rất nhất quán giữa việc tuân theo một chỉ dẫn và việc thực thi một kế hoạch — và về một điều khoản giấy phép âm thầm sắp xếp lại việc so sánh giá đối với bất kỳ ai làm việc tại một công ty có doanh thu vượt một ngưỡng nhất định.

Mỗi thứ trong số này thực sự là gì

Liquid AI đã công bố dòng LFM3 vào ngày 2026-10-27 — một ngày trước khi bài viết này được viết — gồm sáu mô hình trọng số mở thuộc lớp khoảng 2B, được phân nhánh từ một xương sống LFM3-1.7B-Base dùng chung. LFM3-1.7B là thành viên chuyên văn bản: một kiến trúc tri-hybrid gồm 24 lớp (13 tích chập ngắn có cổng, 5 lớp attention cửa sổ trượt với cửa sổ 256 token và 6 lớp attention đầy đủ), được tiền huấn luyện trên 22 nghìn tỷ token với một lượt mid-training cuối cùng gồm 3,5 nghìn tỷ token có bao gồm dấu vết agent và lệnh gọi công cụ. Các trọng số có trên Hugging Face, Ollama phát hành nó dưới tên lfm3:latest với dung lượng tải xuống 1,7 GB, và model card của chính nhà cung cấp khuyến cáo không nên dùng cho lập trình agentic hoặc suy luận đa bước phức tạp. Câu cuối cùng đó quan trọng hơn bất cứ điều gì khác trên thẻ, và chúng ta sẽ quay lại với nó.

Qwen3.8-27B không phải là mới. Alibaba đã công bố trọng số của mô hình vào giữa tháng 8 năm 2026 theo giấy phép Apache 2.0, và mô hình đã có mười tuần để tích lũy lượt tải xuống, các bản lượng tử hóa và báo cáo từ người dùng thực tế mà một bản phát hành mới ra mắt một ngày chắc chắn không có được. Đây là một mô hình dense 27,78B được xây dựng trên một khối lặp lại gồm các lớp Gated DeltaNet và Gated Attention, sâu 64 lớp, với đầu vào hình ảnh và video gốc cùng ngữ cảnh 262.144 token có thể mở rộng lên 1M với YaRN. Chế độ suy nghĩ được bật theo mặc định và có thể điều chỉnh thông qua thiết lập mức nỗ lực suy luận.

Vậy cách diễn đạt trung thực về cặp này là bất đối xứng theo một cách quan trọng: một mô hình có bảng benchmark của nhà cung cấp và không có báo cáo thực địa, mô hình kia có cả hai. Hãy coi mọi điều dưới đây về LFM3-1.7B là tuyên bố về bộ kiểm thử của Liquid AI, không phải về khối lượng công việc của bạn.

Dòng thông số kỹ thuật mà ở đó mô hình nhỏ không hề thua kém

Hãy bắt đầu với những chiều mà ở đó 16× tham số chẳng đem lại gì cả, vì có nhiều chiều như vậy hơn mức chênh lệch kích thước gợi ý.

• Cửa sổ ngữ cảnh — 262.144 token nguyên bản trên cả hai. LFM3-1.7B đạt tới mức này trong giai đoạn huấn luyện giữa; Qwen3.8-27B cung cấp nguyên bản và mở rộng lên 1M với YaRN.

• Ngôn ngữ — 16 ngôn ngữ được công bố cho LFM3-1.7B (bao gồm tiếng Anh, tiếng Trung, tiếng Nhật, tiếng Hàn, tiếng Ả Rập và tiếng Hindi); Qwen3.8-27B được huấn luyện rộng rãi trên nhiều ngôn ngữ mà không có con số tổng quát nào được nêu bật.

• Phương thức — văn bản vào, văn bản ra đối với LFM3-1.7B; văn bản, hình ảnh và video vào, văn bản ra đối với Qwen3.8-27B. Đây là điểm duy nhất mà 27B đảm nhận một công việc khác biệt về bản chất, thay vì chỉ là một phiên bản lớn hơn của cùng một công việc.

• Bộ nhớ ở 4-bit — khoảng 1 GB cho LFM3-1.7B so với khoảng 14–16 GB cho Qwen3.8-27B.

• Bộ nhớ ở BF16 — 3,46 GB so với khoảng 56 GB, chính là sự khác biệt giữa một laptop và một cỗ máy nhiều GPU.

• Giấy phép — LFM Open License v1.0 so với Apache 2.0. Hãy ghi nhớ điều đó.

Cửa sổ ngữ cảnh 256K ở cả hai bên mới là điểm thực sự đáng ngạc nhiên. Độ dài ngữ cảnh từ trước đến nay vẫn thường đi đôi với số lượng tham số, vậy mà ở đây một mô hình có thể chạy trong khoảng một gigabyte lại đưa ra cửa sổ danh nghĩa ngang với một mô hình cần tới máy trạm. Chữ “danh nghĩa” đang gánh vai trò thực sự trong câu đó — cửa sổ 256K trên một mô hình 1.7B chỉ hữu ích nếu mô hình tìm được thông tin trong đó, và đây chính là điều mà các hàng ngữ cảnh dài bên dưới kiểm tra.

Nơi 16× tham số chỉ đổi lấy chín phần trăm

Liquid đã chạy một bộ gồm 27 dòng và công bố toàn bộ bảng, bao gồm cả những cột mà một đối thủ giành chiến thắng. Cả hai mô hình đều báo cáo IFBench, đây là dòng so sánh ngang bằng rõ ràng nhất trong toàn bộ phép so sánh vì đây là một phiên bản chuẩn đánh giá duy nhất được cả hai nhà cung cấp báo cáo.

LFM3-1.7B đạt 73.03. Qwen3.8-27B đạt 79.5. Đó là 6.5 điểm, dưới chín phần trăm điểm của mô hình lớn hơn — trên một mô hình nhỏ hơn 16.1 lần. Với một khối lượng công việc chủ yếu là “nhận đầu vào lộn xộn này, xuất ra đúng hình dạng JSON này, không bao giờ phá vỡ schema”, khoảng cách đó gần như là nhiễu, và khác biệt khi triển khai là một gigabyte so với mười sáu.

Bảng của chính Liquid cũng đưa ra luận điểm tương tự khi so với một đối thủ gần hơn. So với Qwen3.5-9B — một mô hình có kích thước gấp năm lần LFM3-1.7B — mô hình nhỏ giành phần thắng ở IFBench với cách biệt 24 điểm (73.03 so với 48.84), IFStruct với cách biệt 4.5 (93.72 so với 89.20) và Multi-IF với cách biệt 4.7 (89.10 so với 84.44). Dù còn điều gì khác đúng đi nữa, khả năng tuân thủ chỉ dẫn không phải là năng lực tăng đều theo số lượng tham số, và một mô hình 1.7B được huấn luyện tốt có thể đánh bại một mô hình 9B tầm thường ở khía cạnh này.

Các dòng ngữ cảnh dài mập mờ hơn và đáng được nói thẳng ra thay vì làm tròn theo hướng có lợi cho Liquid. Trên AA-LCR, LFM3-1.7B đạt 52.83 — một điểm số thực sự đáng nể với kích thước của nó, và gần ngang bằng với 52.67 của Qwen3.5-4B. Trên RULER 128K, nó đạt 65.56, vượt xa 37.96 của MiniCPM5-2B nhưng kém xa 87.11 của Qwen3.5-9B. Vì vậy, cửa sổ 256K không phải để trang trí, nhưng nó cũng không ngang bằng với cửa sổ của một mô hình lớn hơn. Qwen3.8-27B hoàn toàn không xuất hiện trong bảng đó, nghĩa là không có con số ngữ cảnh dài so sánh tương đương cho cặp cụ thể này — chỉ có một tiên nghiệm mạnh rằng một mô hình 27B với 262K gốc sẽ đánh bại một mô hình 1.7B có cùng cửa sổ danh nghĩa.

Nơi mà số tham số gấp 16 lần chỉ đổi được năm lần rưỡi

Giờ là những dòng mà thẻ mô hình đã cảnh báo. Mỗi dòng trong số này là một phiên bản benchmark mà cả hai nhà cung cấp đều báo cáo, nên không hề có chuyện trừ số liệu giữa các phiên bản.

• Terminal-Bench 2.1 — 12.92 cho LFM3-1.7B so với 73.0 của Qwen3.8-27B. Khoảng cách 5,6×.

• Humanity's Last Exam, không dùng công cụ — 7,17 so với 30,8. Khoảng cách 4,3 lần.

• GPQA Diamond — 63,37 so với 89,2. Khoảng cách 1,4 lần.

• LiveCodeBench v6 — 73.46 so với 90.3. Chênh lệch 1.2×.

Thứ tự của danh sách đó chính là phát hiện. Khoảng cách nhỏ nhất ở khả năng sinh mã một lần, nơi LFM3-1.7B thấp hơn khoảng 19% so với một mô hình lớn gấp mười sáu lần. Khoảng cách lớn nhất ở Terminal-Bench, nơi nhiệm vụ không phải là "viết mã" mà là "vận hành một cỗ máy qua nhiều bước, tự phục hồi sau lỗi của chính mình và dừng lại khi công việc hoàn tất." Đó chính xác là năng lực mà tấm thẻ của chính Liquid nói rằng mô hình còn thiếu, và các con số khớp với tấm thẻ. Trên GPQA và HLE, khoảng cách là kiến thức, đây là kết quả ít bất ngờ nhất ở đây — một mô hình 1.7B được huấn luyện trên 22T token đơn giản là đã thấy ít hơn một mô hình 27B được huấn luyện trên nhiều hơn, và dù kiến trúc có tốt đến đâu cũng không bù đắp được.

Có một hàng chỉ theo hướng ngược lại, và đó là con số thú vị nhất trên cả hai tấm thẻ. Trên tập công khai của AA-Omniscience, LFM3-1.7B ghi nhận độ chính xác 7,07 và 92,93 về mức không ảo giác. Cặp số đó cho thấy mô hình chủ yếu từ chối trả lời thay vì trả lời sai. Đây là con số không ảo giác cao nhất trong bảng so sánh của chính Liquid, cao hơn mọi mô hình lớn hơn được liệt kê. Con số 30,8 của Qwen3.8-27B trên HLE thể hiện tư thế ngược lại: nó biết nhiều hơn và dám khẳng định điều đó.

Nếu chế độ lỗi của pipeline là một giá trị sai đầy tự tin rơi vào cơ sở dữ liệu, thì một mô hình từ chối trả lời 93% thời gian là một tính năng, và trần độ chính xác chính là cái giá phải trả. Nếu chế độ lỗi của pipeline là giá trị null ở nơi đáng lẽ phải có một giá trị, thì chính hành vi đó lại là lỗi. Đây là điều sắc bén nhất mà cuộc so tài này phụ thuộc vào, và không có điểm tổng hợp nào phản ánh được nó.

Ba con số bạn không được phép trừ

Các trang so sánh trực tiếp về cặp sản phẩm này sẽ dễ bị cám dỗ liệt kê mọi benchmark mà hai nhà cung cấp công bố. Ba trong số những dòng đó không đứng vững khi đối chiếu với phương pháp luận.

SWE-bench. Liquid báo cáo LFM3-1.7B đạt 43,40 trên SWE-bench Verified với harness OpenCode. Alibaba báo cáo Qwen3.8-27B đạt 61,7 trên SWE-bench Pro. Benchmark khác, harness khác, phân bố tác vụ khác. Chênh lệch 18 điểm giữa hai con số đó không phải là thước đo của bất cứ điều gì. Nếu bạn muốn hình dung thô về khoảng cách, hãy dùng Terminal-Bench 2.1, nơi cả hai báo cáo cùng một phiên bản.

Bất kỳ chỉ số tổng hợp nào.Artificial Analysis cho Qwen3.8-27B 33.7 điểm trên Intelligence Index của mình ở thiết lập suy luận xhigh. Tính đến ngày 2026-10-28, không có mục LFM3 nào trên Artificial Analysis cả. Một bản phát hành mới một ngày chưa qua đánh giá độc lập, và phát biểu trung thực là LFM3-1.7B không có bất kỳ con số nào được tái lập độc lập. Mọi con số được gán cho nó trong bài viết này — và ở mọi nơi khác trong tuần này — đều bắt nguồn từ bộ kiểm thử của chính Liquid AI trên các benchmark do Liquid AI lựa chọn.

Thiết lập mức nỗ lực suy luận.Điểm số công bố của Qwen3.8-27B thay đổi đáng kể giữa các chế độ low, medium, xhigh và không suy luận; chỉ số 33.7 là con số ở mức xhigh, còn con số ở chế độ không suy luận thấp hơn đáng kể. Mọi so sánh ghép một con số của Qwen với một con số của LFM3 mà không nêu rõ thiết lập mức nỗ lực đều là đang so một mô hình suy nghĩ kỹ với một mô hình nhanh rồi gọi khác biệt đó là kiến trúc.

Điều có thể giải quyết chuyện này rất đơn giản: một lần chạy độc lập LFM3-1.7B trên cùng các harness, ở một thiết lập effort được nêu rõ, lý tưởng nhất là sau khi cộng đồng đã có vài tuần với bộ trọng số. Cho đến lúc đó, tóm tắt công bằng là khoảng cách do nhà cung cấp báo cáo về việc tuân theo chỉ dẫn là nhỏ, còn khoảng cách do nhà cung cấp báo cáo về thực thi đa bước là lớn, và cả hai tuyên bố đều đến từ cùng một bên có quyền lợi liên quan.

Giấy phép chính là mức giá thực sự

Đây là phần đảo ngược kết luận thông thường của một phép so sánh nhỏ với lớn.

LFM3-1.7B được phát hành theo LFM Open License v1.0. Các trọng số được tải xuống và chạy miễn phí, và việc sử dụng thương mại bị loại trừ đối với các tổ chức có doanh thu hàng năm từ 10 triệu USD trở lên. Qwen3.8-27B được phát hành theo Apache 2.0 mà không có điều kiện kích hoạt theo doanh thu, không có hạn chế lĩnh vực sử dụng và không có thỏa thuận riêng.

Vậy nên với một startup hai người, phép tính rất rõ ràng: một mô hình vừa trong một gigabyte, không tốn gì cho mỗi token và chạy trên phần cứng bạn đã sở hữu thì gần như là một bữa trưa miễn phí. Với một công ty có doanh thu trên 10 triệu đô — tức là phần lớn các công ty có ngân sách suy luận trong môi trường sản xuất đáng để tối ưu — mô hình rẻ không hề miễn phí, còn mô hình đắt thì rõ ràng là đã được cấp phép. Mô hình trông giống lựa chọn tiết kiệm lại chính là mô hình kèm theo một cuộc trao đổi với pháp chế.

Đó không phải là lập luận chống lại LFM3-1.7B. Đó là lập luận cho việc đọc giấy phép trước khi bạn đọc bảng điểm chuẩn, bởi vì giấy phép quyết định liệu bạn có thể tiếp cận bảng điểm chuẩn hay không.

Cần những gì để thực sự vận hành từng cái một

LFM3-1.7B là bản cài đặt chỉ với một dòng. Nó có trong thư viện Ollama dưới dạng lfm3:latest và lfm3:1.7b, cả hai đều là bản tải xuống 1,7 GB với cửa sổ ngữ cảnh 256K được khai báo, và nó chạy trong Transformers với tinh chỉnh trên một GPU. Bản phát hành trên Hugging Face bao gồm các notebook cho SFT, DPO và GRPO, trong đó có một ví dụ minh họa về việc huấn luyện mô hình chọn đúng công cụ trong số 108 công cụ trong một ứng dụng điện thoại. Nếu mục tiêu của bạn là một bộ trích xuất nhỏ, chuyên biệt, đã tinh chỉnh, nằm trên cùng máy với dữ liệu, thì đây là một con đường thực sự ngắn từ tải xuống đến triển khai.

Qwen3.8-27B là một kiểu dự án khác. Ở khoảng 56 GB trong BF16, nó cần một máy nhiều GPU hoặc lượng tử hóa mạnh tay; ở 4-bit, nó vừa trong 14–16 GB, tức là một GPU đơn cao cấp hoặc một laptop cấu hình tốt, với KV cache còn đẩy mức sử dụng bộ nhớ thực tế cao hơn nữa. Nó chạy trong Transformers, vLLM, SGLang và TokenSpeed. Nếu bạn không muốn sở hữu phần cứng đó, nó có sẵn dưới dạng dịch vụ được host — trên OrcaRouter, nó được phục vụ bởi hai nhà cung cấp thượng nguồn, với giá $0.33 mỗi triệu token đầu vào và $2.40 mỗi triệu token đầu ra từ nhà cung cấp thứ nhất, và $0.40 / $4.21 từ nhà cung cấp thứ hai.

Mức chênh lệch giữa hai nhà cung cấp đó đáng để dừng lại suy ngẫm, vì đó là kiểu điều chỉ xuất hiện khi bạn xem một danh mục trực tiếp chứ không phải một thông cáo báo chí. Cùng trọng số, cùng cửa sổ ngữ cảnh, nhưng đầu ra từ nhà cung cấp thứ hai đắt hơn khoảng 75%. OrcaRouter chuyển nguyên giá niêm yết của nhà cung cấp với mức cộng thêm 0%, nên cả hai mức giá đều hiển thị cạnh nhau, và tự động chuyển đổi dự phòng nghĩa là khi một nhà cung cấp gặp trục trặc, hệ thống sẽ tự định tuyến vòng qua nó thay vì để lộ ra cho người dùng của bạn. Nếu bạn đang đánh giá Qwen3.8-27B như lối leo thang cho một quy trình bắt đầu trên một mô hình nhỏ, thì đó chính là chặng bạn sẽ đặt phía sau một khóa duy nhất.

Nói rõ về nửa còn lại: OrcaRouter không phục vụ LFM3-1.7B. Đó là bản tải xuống trọng số, và việc chạy nó là endpoint của chính bạn trên phần cứng của bạn. Lý do nhắc đến chúng tôi trong bài viết này là chặng leo thang, chứ không phải mô hình nhỏ.

Ai nên chọn cái nào

Quyết định thực ra không phụ thuộc vào bảng điểm chuẩn. Nó phụ thuộc vào hai câu hỏi mà bạn có thể trả lời trước khi chạy bất cứ thứ gì.

Chọn LFM3-1.7B nếu công việc là một lượt duy nhất và ràng buộc theo lược đồ — trích xuất, phân loại, định tuyến, đầu ra có cấu trúc, lựa chọn công cụ trên thiết bị — và dữ liệu không thể rời khỏi thiết bị. Đây cũng là lựa chọn đúng nếu bạn định tinh chỉnh, bởi vì một mô hình 1.7B với quy trình SFT/DPO/GRPO đi kèm và ngân sách một GPU là một dự án cuối tuần chứ không phải một quý. Cửa sổ 256K, 16 ngôn ngữ và hành vi từ chối trả lời đều chỉ về cùng một trường hợp sử dụng: một thành phần hẹp, khối lượng lớn, nhạy cảm về quyền riêng tư, nơi một câu trả lời sai còn tệ hơn không có câu trả lời, và nơi công ty của bạn đang nằm dưới đường doanh thu.

Chọn Qwen3.8-27B nếu mô hình phải lập kế hoạch. Agent đa bước, công việc trên terminal, lập trình dài hạn, bất cứ tác vụ nào mà mô hình phải tự khắc phục sai sót của mình qua hàng chục lần gọi công cụ — khoảng cách 5,6× trên Terminal-Bench không phải là vấn đề tinh chỉnh, mà là thẻ mô hình đang nói với bạn sự thật. Đây cũng là lựa chọn đúng khi bạn cần kiến thức thay vì định dạng, khi bạn cần đầu vào hình ảnh hoặc video, và khi Apache 2.0 là yêu cầu bắt buộc chứ không chỉ là sở thích.

Và hãy chọn cả hai nếu câu trả lời trung thực là pipeline của bạn có hai nửa. Mẫu phù hợp với cách ghép cặp này là một lượt đầu rẻ, cục bộ, ràng buộc theo schema, với một đường leo thang lên 27B khi lượt đầu từ chối — đúng điều mà một mô hình từ chối trả lời 93% thời gian được xây dựng để báo hiệu. Kiến trúc đó dùng dòng tốt nhất của mỗi mô hình và không dùng dòng tệ nhất của mô hình nào.

Điều gì sẽ làm thay đổi câu trả lời này?

Hai điều, và cả hai đều đáng để theo dõi hơn là đoán mò.

Đầu tiên là một đánh giá độc lập về LFM3-1.7B. Mọi tuyên bố về năng lực ở trên đều dựa trên bộ đánh giá của chính Liquid AI, và checkpoint Base trong dòng này được phát hành mà không có bảng benchmark nào cả — điều đó cho thấy các con số của dòng này là câu chuyện hậu huấn luyện, chứ không phải câu chuyện kiến trúc. Một lượt chạy trung lập trên IFBench và Terminal-Bench sẽ hoặc xác nhận sự chia tách mà bài viết này mô tả, hoặc làm tan biến nó.

Điều thứ hai là liệu Liquid có tung ra một mô hình văn bản lớn hơn trên backbone này hay không. Toàn bộ phép so sánh được đặt trong bối cảnh chênh lệch tham số 16×, và kết quả tuân thủ chỉ dẫn cho thấy công thức huấn luyện đang đóng vai trò lớn hơn số lượng tham số. Nếu một LFM3 cỡ trung ra mắt, câu hỏi thú vị sẽ không còn là "liệu một mô hình 1.7B có thể tuân thủ chỉ dẫn hay không" — nó đã làm được rồi — mà trở thành "công thức này sẽ làm được gì với bốn tỷ tham số."

Cho đến khi một trong những điều đó xảy ra, bản tóm tắt hữu ích vẫn hẹp hơn một bảng điểm: LFM3-1.7B là một mô hình tuân thủ chỉ dẫn thực sự giỏi nhưng không biết lập kế hoạch, còn Qwen3.8-27B là một mô hình lập kế hoạch thực sự giỏi với giấy phép mà bạn có thể dựng cả một công ty dựa trên đó. Chọn giữa hai mô hình này không phải là câu hỏi về benchmark. Đó là câu hỏi về việc câu nào trong hai câu trên mô tả đúng khối lượng công việc của bạn.