LFM3-Omni-2B vs Qwen3.8-Omni-Flash：只有其中一个能说话

把LFM3-Omni-2B和Qwen3.8-Omni-Flash放在同一个房间里，决定大多数产品成败的差异并不在基准测试表上。两者都接受音频。两者都接受视频。但只有一个能开口回答。阿里巴巴的模型只返回文本，仅此而已——其官方文档明确说明，语音回复需要 Qwen 系列中的另一个模型——而 Liquid AI 的 21.7 亿参数检查点则直接输出 24 kHz 语音，或在单次响应中交错输出语音和文本。

这对模型在其他所有方面都堪称规模对比的范本。Qwen3.8-Omni-Flash 自 2026 年 9 月 18 日起是阿里云 API 上的闭源模型，基于 1250 亿参数的混合专家架构，约有 60 亿活跃参数，上下文长度达 100 万 token。LFM3-Omni-2B 则是开放权重模型，拥有 21.7 亿参数和 32K 上下文，于 2026 年 10 月 27 日作为 LFM3 家族发布文章中的六款模型之一公布——其代码仓库自 10 月 21 日起公开，且没有独立的发布文章。一个按 token 租用；另一个下载后以硬件成本付费。

这两个产品不是同一个产品。

归根结底看各自用途：Qwen3.8-Omni-Flash 是一个拥有超大窗口的理解引擎：转写、摘要、跨数小时媒体进行推理、调用工具，并返回文本。LFM3-Omni-2B 则是一个恰好能看能听的对话端点：它在设备上通过语音接收问题，看一眼画面，再以语音作答。

其结果是，在 Qwen3.8-Omni-Flash 上构建语音助手意味着还要再构建两个阶段——输入时的语音识别、输出时的语音合成——并且在 Liquid 只按一个模型收费的情况下，为三个模型付费。在 LFM3-Omni-2B 上构建一个两小时的会议分析器意味着要分块输入，因为 32K 窗口并不等于一小时的音频，而且 Liquid 没有公布音频到 token 的转换率，无法让你在尝试之前计算出限制。

上下文是表格上最大的缺口。

• 上下文 — Qwen3.8-Omni-Flash 1M tokens，最大输入约 991K，输出最高 131K；LFM3-Omni-2B 32K tokens，合计覆盖输入和输出。

• 媒体限制——Alibaba 文档说明，单次请求最多支持三小时音频和两小时视频，音频输入涵盖 113 种语言和方言；Liquid 文档说明，支持 16 kHz 单声道音频，视频以每秒 2 帧采样，帧数为 4 至 384 帧。

• 输出 — 仅文本、文本、24 kHz 语音，或文本与语音交错。

• 规模——托管部署的 125B 混合专家模型，约 6B 激活参数，对比在手机上运行的 2.17B 稠密模型。

• 权重——封闭对开放，依据 LFM Open License v1.0。

• 价格 — Qwen3.8-Omni-Flash 每百万输入 token 为 0.15 美元，缓存为 0.016 美元，每百万输出为 0.47 美元；LFM3-Omni-2B 没有按 token 计费的价格，因为没有任何可计量的内容。

100万上下文不是规格表上的装饰。它是“总结这场会议”和“总结这场会议，然后回答关于第三个小时的问题”之间的差别。阿里巴巴的发布框架是一张账单，而非一份成绩单：音频输入每小时的费用比 Qwen3.5-Omni-Plus 便宜 98%，音视频每小时的费用便宜 93%，这些数字是按两分钟样本计价再乘以倍数得出的。这些节省是真实的，同时也是厂商自家算出来的账。

这笔钱实际上买到了什么

输入 $0.15、输出 $0.47，一小时的转录成本低到大多数团队索性不再为它做成本建模。这正是此次降价的用意所在，也是支持“租用”最有力的论据：一次请求的边际成本近乎为零，而 GPU 归别人所有。

LFM3-Omni-2B 反转了这条曲线。权重是免费的，每次请求的边际成本是你用户的电池，而固定成本是把一个 2.17B 模型装进应用所需的工程时间。如果你已经有移动端团队，那这个数字并不算大；如果没有，那它就是整个项目。

这也正是路由器凭实力赢得一席之地、而非沦为一句口号的地方。Qwen3.8 系列的文本模型已按标价、0% 加价上架 OrcaRouter 的目录，这意味着厂商一旦降价，当天就会在我们这边生效；Qwen3.8-Omni-Flash 本身并不在目录中，LFM3-Omni-2B 也不在。目录真正能给你的，是让你把混合方案中托管的那一半——长音频批处理任务、手机离线时的兜底——统一收在一个密钥和一张账单之后，并在某家提供商宕机时自动故障转移。

基准测试：一个共同的数字，两套测试框架

RealWorldQA 是两张卡都报告的唯一基准，差距为 21 分：Qwen3.8-Omni-Flash 为 87.7，LFM3-Omni-2B 在视觉模式下为 66.54，当问题以语音形式提出时为 64.68。

不要把这理解为同等条件下的落败。Qwen 的 87.7 是阿里巴巴在一个带有推理预算的 125B 模型上测得的；Liquid 的数字则由 Liquid 使用贪心解码和每个模型自己的聊天模板测得，而且其语音版本是以音频而非文本形式输入问题。相同的基准名称，不同的测试条件，不同的模型类别。方向性结论是稳妥的——一个大二十倍、启用了思考的模型，理应在视觉问答上表现更好——但其幅度并不能说明任何问题。

每张卡片其余部分都不共享。Qwen3.8-Omni-Flash 报告 LiveCodeBench v6 为 92.6，GPQA Diamond 为 91，SpotSoundBench 为 67.2，WildClawBench-MM 为 71.0，OmniVideoBench 为 67.8。LFM3-Omni-2B 报告 Daily-Omni 为 70.09，WorldSense 为 47.10，OmniBench 为 46.32，OmniBench speech 为 48.25，MMAR 为 51.40，工具调用得分为 52.20。这两份列表之间的重叠几乎为空，这正是你对两个为不同任务而构建的模型会有的预期——也提醒人们，两家厂商都尚未发布独立评估。

延迟，以及无人定价的往返

托管式 omni 模型在每次回答之前都有一次网络往返，回答之后还排着队列。对于批处理工作来说，这无影无形；对于对话来说，这决定了一个产品是让人感觉鲜活，还是像在提交表单。

LFM3-Omni-2B 在这里的优势是结构性的，而非实测得出的：音频从不离开设备，模型规模为 2.17B，输出是与文本在同一遍生成的语音 token。没有 ASR 调用，没有合成调用，二者之间也没有编排。这是否能在实际耗时延迟上胜过配置良好的托管端点，是一个 Liquid 尚未回答的经验性问题——它没有公布延迟数据，也没有独立测试。

老实说，本地路径消除了三种故障模式（上传、排队、下载），但增加了一种（手机因过热而降频）。

谁应该选哪个

如果输入很长、输出是文本，而且用户不是在等语音响应，就选 Qwen3.8-Omni-Flash。会议转录、媒体监测、呼叫中心分析、视频搜索——任何受益于百万 token 上下文窗口和推理预算的场景——这正是为此打造的模型类别，而价格让决策变得轻松。接受你是在租用，权重永远不会归你所有，以及语音界面意味着要增加模型，而不是配置一个模型。

如果交互是语音的，而且设备本身就是产品，那就选 LFM3-Omni-2B。它更小，看到的更少，记忆是 32K 而不是一百万，而且它的许可证里有一条 Apache 2.0 没有的营收条款。作为交换，它是这两者中唯一能用声音结束一句话的。

这就是全部的取舍，而且值得直说，因为大多数对这两个模型的比较，都把篇幅花在了只有一个模型曾经想赢的分数上。如果你的产品要“开口说话”，那么这两个模型中有一个就是为你打造的，另一个则不是。