LFM2.5-24B-A2B 对比 Qwen3.8-27B：一个是下载，另一个是开支项

从决定其中大部分的那个数字开始。LFM2.5-24B-A2B是你放在机器上并一直保留的文件。Qwen3.8-27B是你按百万 token 租用的模型。Liquid AI 于 2026 年 10 月 13 日发布了前者，总参数 240 亿，每个 token 激活 24.5 亿，上下文长度为 131,072 token；Alibaba 于 2026 年 8 月 13 日发布了后者，是一个密集的 270 亿参数视觉语言模型，上下文长度为 262,144 token。两者均为开放权重。其中只有一个在可用端点上附有已公布的每 token 价格，而且它不是较小的那个。

这种不对称就是对比的核心。以下一切——能力、许可证、上下文、模态——都取决于你是在购买硬件，还是在购买 token。

每一个是什么，以及它看到什么

LFM2.5-24B-A2B 是一个纯文本专家混合模型：40 层分为 30 个双门控短卷积块和 10 个分组查询注意力层，每个块有 64 个专家并采用 top-4 路由，词表大小为 128,000 个词元，支持 16 种语言。Liquid 的发布文章称预训练使用了 33 万亿个词元；同一版本的 Hugging Face 模型卡则说是 36 万亿。后训练流程的最后一环，是在真实的智能体运行框架内进行智能体强化学习，而厂商自身的建议是，将模型与检索或网络搜索搭配使用，而不是要求它仅凭权重回答知识性问题。

Qwen3.8-27B 是一种完全不同的形态，而形态本身就是关键。它是一种稠密混合注意力设计——48 层门控 DeltaNet 线性注意力层与 16 层全注意力层交错分布在 64 层之中，隐藏维度为 5,120，词表规模为 248,320 个 token——正是这一点，才让 262K 上下文从一开始就具备了可负担性。它接受文本、图像和视频输入，并返回文本。这个大体上以线性注意力为主的主干，与 Ternary Bonsai 2 27B 这类压缩版本源自同一谱系，这是一个有用的信号，说明其中有多大一部分价值来自架构，而非训练过程。

一句话版本：Liquid 的模型在循环中完成路由和工具调用，而且不依赖网络。Qwen 的模型则"看"东西——截图、文档、视频——并以大约两倍长的上下文长度对它们进行推理。两者都不是对方缩水的版本；它们指向的是一个运转中系统的两个不同半边。

成本，按实际数值计算

这正是两者完全不再具有可比性的地方，所以值得算一算，而不是互相抛出形容词。

在 OrcaRouter 上，qwen/qwen3.8-27b的服务价格为每百万输入 token 0.33 美元，每百万输出 token 2.40 美元，p50 首 token 时间为 3.45 秒，基于七天测量。每月 2000 万输入和 200 万输出 token 的工作负载——一个中等规模的内部工具——费用为 6.60 美元加 4.80 美元，约合 11.40 美元。无需安装，无需保持热机，没有 GPU 折旧。

Liquid 的 Console 端点收费为每百万输入 $0.10，缓存费率为 $0.05，并且每百万输出 $1.00，另有 $2 起始额度，这让同一工作负载的定价低于 $4。但那个端点并不是真正的产品。产品是权重，而且没有厂商发布的 LFM2.5-24B-A2B 文件大小表可供引用——量化仓库在 Hugging Face 上以同级仓库的形式发布。厂商确实发布的是这场赌注的形态：一个 2.45B 激活参数的 MoE，在 Apple M5 Max 上以每秒 184 个 token 运行，在 AMD Ryzen AI Max+ 395 上为 114，两者均为厂商报告且未经复现，而且在运行许多并发请求的数据中心 GPU 上都毫无意义。

盈亏平衡点不是一个 token 数量，而是一个利用率问题。在大致持续高负载以下，按量计费的端点能在现金支出上胜出，却会在延迟下限上吃亏。高于这个水平，下载版本能在现金支出上胜出，却会在运营上失分——你现在要自己负责一套部署、它的升级以及故障转移方案。这就是整个决策，它与哪个模型在表格上得分更高毫无关系。

上下文、许可证，以及真正不同的两点

• 上下文 — 131,072 个词元对 262,144 个词元。Qwen 的窗口在纸面上是它的两倍长，而近乎线性的注意力设计正是它能在内存上负担得起这一长度的原因。Liquid 尚未公布其 131K 窗口在任何长度下的长上下文检索数据，这是其发布中唯一的空白，而一轮基准测试就能迅速填补。

• 许可证 — lfm1.0 与 Apache 2.0 的对比。Apache 2.0 没有收入触发条件，也没有使用领域条款。Liquid 的许可证是自成一体的文书，有其自身的条款。在商业化推广之前，请对照贵公司的数据仔细阅读，并注意：随着模型规模越来越大，这一差异并不会缩小。

• 模态 — 仅文本对比文本、图像和视频输入。如果你的工作负载涉及截图、扫描页面或视频帧，仅凭这一行就足以分出高下。

• 指令遵循 — IFEval 96.75 和 IFBench 74.69。Liquid 在其自家发布表格上表现最强的几行，在表中每一列都领先。如果任务是要“每次都严格遵循这一格式”，LFM2.5-24B-A2B 有更充分的公开依据。

• 知识与编程 —— Liquid 的模型在 GPQA Diamond 上得分 74.42，在 SWE-Bench Verified 上得分 51.00。Liquid 将这些成绩与 Qwen3.6-35B-A3B 的 83.69 和 66.20 进行对比，两项均落败。该表格中根本不存在与 Qwen3.8-27B 的对比，而且也没有人让这两个模型互相对决过。

每一个真正所属的地方

当输入不是文本、文档很长，或者你希望按用量付费而不是自己运营时，选择 Qwen3.8-27B。一个能处理图像和视频的 262K 窗口，与一个只处理文本的 131K 窗口相比，是真正不同的产品，而 Apache 2.0 许可证省去了一场许多团队原本不得不进行的对话。3.45 秒的 p50 首 token 时间是真实的，值得在承诺之前对照你自己的容忍度来衡量——一个在 27B 稠密级别中如此能干的模型并不快，任何架构说明都改变不了这一点。

当机器性能构成约束时，请选择 LFM2.5-24B-A2B。一款具有 2.45B 激活参数、131K 上下文，且指令遵循表现在其自身对比表中击败所有其他模型的 MoE，能在本地运行是一件很强大的事；而 Liquid 决定在智能体测试框架中训练它，而不是针对静态工具调用集进行训练，这一点在其各行数据中有所体现。它不是文档分析师或知识库，供应商在发布基准测试表的同一份文档中也明确说明了这一点。

如果你想用自己的工作负载、而不是任何一方的对比表格来定论，那么走托管服务这条路是成本最低的实验：qwen/qwen3.8-27b就在我们的目录中，按上述标价提供，对供应商费率 0% 加价，而同一系列的其他规格 qwen/qwen3.8-flash和 qwen/qwen3.8-max也与之并列，通过同一个密钥即可访问——这样你就能在决定是否值得自购机器之前，先找到你的任务真正需要的性价比点。LFM2.5-24B-A2B 不在我们的目录中；要获取它，途径是 Liquid 自家的 Console 和开放权重，本文的任何内容都不应被理解为其他意思。

六个月后能一锤定音的问题，不是哪个模型会赢，而是随着上下文长度增长，本地执行器层是否还撑得住——而在这一点上，Q​wen 两倍长的窗口和 Liquid 未经测量的窗口，是任何人仅有的两个数据点。

在我们的事故档案中追踪实时模型中断和降级，并查看哪些路由已成功完成故障转移。