LFM3-1.7B vs Qwen3.8-Flash：当没有记分牌可供比较时

每月 1000 万个 token，按 70/30 拆分为输入和输出，在Qwen3.8-Flash上按阿里巴巴每百万 $0.15 和 $0.47 的标价计算，费用为 $2.46。同样用量在 LFM3-1.7B 上大约花费 $1.16——如果所报告的托管费率 $0.08 和 $0.20 成立的话——而如果你自行托管，则每个 token 完全不需要付费，因为权重是开放的，且 LFM Open License 要求在营收低于 1000 万美元时不收取版税。在这两个目前无人能确定相对质量的模型之间，计费表上的差距就是 2×。这使得这个比较不像大多数“对比”页面那样关乎基准测试，而更多关乎你正在购买何种部署形态。

这两个模型几乎天差地别。LFM3-1.7B 是一个 1.73B 参数的稠密三混合模型，由 Liquid AI 于 2026 年 10 月 27 日发布，旨在在你眼前的硬件上执行专门任务。Qwen3.8-Flash 是阿里巴巴的稀疏混合专家模型，每 token 约激活 6B 参数，而总参数池要大得多；它于 2026 年 8 月作为托管服务层推出，具有 1M token 窗口，并支持图像和视频输入。用智能分数来比较它们，就像把厢式货车和货运列车相比：有用的问题是你运的是什么、要运多远。

两种针对相反约束条件优化的架构

LFM3-1.7B 的 24 层混合了 13 个门控短卷积、5 个窗口为 256 个 token 的滑动窗口注意力层，以及 6 个全局注意力层。卷积成本低且可并行；一条很窄的全局注意力带让整个 256K 上下文保持可达。最终得到 1.6 GB 的 128K KV 缓存，以及一个在 4-bit 下约 1 GB 即可容纳的模型。Liquid 用 22 万亿个预训练 token 训练了它，随后又用 3.5 万亿个 token 进行中期训练，重点放在智能体轨迹和工具调用上。

Qwen3.8-Flash 做出了另一种取舍。稀疏激活意味着每个 token 都能触达庞大的参数池，而无需为全部参数付出代价，这让阿里巴巴能在一款价格与规模小得多的稠密模型同档的模型上，提供 262K 原生上下文并可扩展至 1M。它接受文本、图像和视频输入并返回文本，支持工具调用和 JSON 输出，并被明确定位为 Qwen4 系列的架构预览。

• 激活参数——LFM3-1.7B 为 1.73B 稠密模型，而 Qwen3.8-Flash 在稀疏 MoE 中每个 token 约 6B。

• 上下文——开放权重版本为 256K，Liquid 托管 API 上为 128K，而原生为 262K，托管套餐为 1M。

• 最大输出 — LFM3 未单独说明，而 Qwen3.8-Flash 为 131K。

• 输入模态 — 仅文本 vs 文本、图像和视频。

• 运行在哪里——你的设备，1 GB 的 4 位占用，对比 Alibaba 的服务器。

• 权重 — 依据 LFM Open License v1.0 开放，而非仅托管；此 SKU 没有开放检查点。

最后那一行才是重新定义其余一切的关键。Qwen3.8-Flash 并不是你拥有的模型。它有一个开放权重的同门模型 Qwen3.8-Flash-Next，采用社区许可证，但那是另一个检查点，评分也不同，而 $0.15 的价格买到的并不是它。LFM3-1.7B 则是一个你可以下载的文件。这两者之中，有一个可以物理隔离、接受审计，并用你自己的数据进行微调；另一个则不能。

那块一侧缺失、另一侧自相矛盾的记分牌

令人不安的部分在于：截至2026年10月28日，LFM3-1.7B在Artificial Analysis上没有任何条目——没有智能指数，没有独立测量的输出速度，也没有中立的延迟数据。与它相关的每一项性能数字都来自Liquid自家的27项基准测试表，在该表中它的平均得分为49.37，并以大幅优势击败Liquid自家的LFM2.5-2.6B。这些数据由厂商自报，未经复现。

Qwen3.8-Flash 确实在 Artificial Analysis 上有条目，而读这个条目之所以有启发，恰恰是因为它给出的启发理由并不正确。实时对比页面显示其指数为 40。多篇二手报道——包括评测和地区媒体——却把同一模型报为 56。输出速度数据同样不一致：各来源给出的数字从 50 出头到 80 出头的 tokens 每秒不等。我们不会挑一个数字当作事实呈现，因为这两个数字不可能同时描述同一次评测运行，而差距之大足以改变采购决策。

实际后果是，两个模型都无法在任何可信度上就质量进行相互排名。一方有一个数字，会因你从哪里读到它而浮动十六个点；另一方则根本没有可浮动的独立数字。任何根据这些输入就给你下“哪个更聪明”结论的人，都是在凭空捏造。真正可以比较的是其他一切：模型的成本、运行位置、响应速度，以及失败时会发生什么。

仪表，工作了。

成本是双方都真正可衡量的维度，因此它值得的不只是一份逐 token 的清单。

• Qwen3.8-Flash 标价——每百万输入 $0.15，每百万输出 $0.47，缓存读取 $0.018，缓存写入 $0.230。

• LFM3-1.7B 托管版——据报道，每百万输入 $0.08、输出 $0.20，未在 Liquid 自己的价目表上公布。

• LFM3-1.7B 自托管 — 无按 token 计费；年收入低于 1000 万美元时，LFM 开放许可证免版税。

每月 1000 万 token、按 70/30 拆分计算，Qwen3.8-Flash 的费用为 2.46 美元。若在稳定的系统提示词上启用提示缓存，费用会降至约 2.00 美元，因为缓存读取的成本约为全新输入的八分之一。LFM3-1.7B 按所报道的费率，同等用量下费用约为 1.16 美元；而自托管则每 token 计费为零，但需额外承担固定的机器成本。

现在把它规模化。在每月十亿 token 的规模下，差距是 246 美元对 116 美元——按绝对值看仍然很小，而这正是这类比较中通常会被忽略的关键。对大多数团队来说，廉价托管层与廉价自托管模型之间的每 token 差异只是噪声。真正占主导的成本是工程时间：托管模型只是一次 HTTP 调用，而自托管模型则意味着一次部署、一个量化选择、一套服务栈和一轮值班轮换。LFM3 的 2 倍价格优势必须值得这些付出。对于手机或边缘设备上的 2B 模型，这显然值得——根本没有能在设备上运行的托管替代方案。对于处理分类调用的后端服务，通常并不值得。

每一个的响应速度有多快，并在一旁附上真实数字

这正是我们自己的数据优于供应商数据之处。OrcaRouter 会路由 Qwen3.8-Flash；在过去七天里，我们针对为其提供服务的各供应商所做的遥测显示：首 token 时间 p50 为 4.82 秒，p95 为 10.00 秒，输出速度为每秒 155 个 token，在 8.837 亿个 token 上的错误率为 3.3%。这些是来自路由层的汇总数据，而非单一端点的实验室测试，因此这里的吞吐量读数会高于其他地方公布的 50 出头的数字：请求会被发送到任何有可用容量的地方。

4.82 秒的 p50 值得认真对待。对于聊天界面来说，这没问题。但对于一个连续发起十五次调用的智能体来说，这意味着任何工作开始前都要等上一分钟，而再高的每秒令牌数也无法解决这个问题。大型稀疏模型上较高的首令牌延迟是低价档位的隐性成本，这也是为什么一些团队会把简短、对延迟敏感的轮次路由到更小的模型。

LFM3-1.7B 没有等效的测量结果。Liquid 的速度主张是：在 Q4_0 和 32K 上下文下，它在三款测试设备上比排名紧随其后的模型快 1.8 倍到 2.8 倍，且内存占用最低；并且单台 NVIDIA B300 以 BF16 运行 SGLang，在 1,024 个并发请求下每天处理 36 亿个 token。这些分别是端侧和单节点数据；两者都不能对应到“我从法兰克福访问时的 p50 会是多少”。速度是 LFM3 在原则上最有说服力、在实践中却最难验证的维度。

各自真正胜出的地方

LFM3-1.7B 在控制力和边缘端成本方面胜出。开放权重意味着你可以在单块 GPU 上对它进行微调、冻结版本、在无网络环境下运行，并将数据保留在设备上。其指令遵循指标是 Liquid 表格中最突出的部分——IFEval 96.66、IFStruct 93.72、Multi-IF 89.10——而其工具调用各项对于该尺寸而言相当不错，BFCL V4 为 71.39，ToolSandbox 为 80.36。它的弱项同样清晰：Terminal-Bench 2.1 为 12.92，SWE-bench Multilingual 为 23.00，这表明它不是自主编码模型，Liquid 自己的模型卡也这么说了。

Qwen3.8-Flash 在覆盖范围上胜出。具备图像和视频输入的 100 万 token 上下文窗口，是 LFM3 完全不具备的能力：文本模型根本不接收图像，视觉变体未公布上下文窗口，而全模态变体的窗口大小也没有文档说明。对于需要摄入一份长篇合同、一组截图或一小时视频帧的工作负载而言，这一比较立刻就有了结论。它在运维简便性上同样胜出：单一端点、无需 GPU、无需部署。

两者都进行路由，这才是重点。

Qwen3.8-Flash 在 OrcaRouter 目录中，而 LFM3-1.7B 不在。这句话就是本节最诚实的完整说法。我们按供应商标价托管该模型，加价 0%，所以你支付的就是 Alibaba 的 $0.15 和 $0.47，供应商调价当天就能传达到你，而不是等到下一次合同续签。LFM3 由你自己运行，或通过 Liquid 自己的 API 调用；我们不会暗示存在一个并不存在的托管关系。

在这种特定组合中，路由之所以重要，是因为这两个模型处于不同的失败模式。Qwen3.8-Flash 的失败方式是在那些并不需要 1M token 上下文的轮次上又慢又贵。LFM3 的失败方式是在那些确实需要长上下文的轮次上推理深度不足。把每个请求都发给其中任意一个的流水线，会以可预测的方向出错。借助路由 DSL，你可以把抽取、分类和简短工具调用轮次发给小型本地模型，把长文档和多模态工作留在托管层，并让自动故障转移覆盖小型模型返回格式错误结果的情况——在一个未经校验的 1.7B 模型上，这才是现实中真正需要担心的问题。

这也是弄清 LFM3 是否配得上其发布表所要求的信任的最便宜方式。把它放到你已经理解的流量上、置于回退机制之后运行，并将其决策与托管模型在相同输入上的决策进行比较。不一致率比任何厂商基准都更能反映质量，因为它是在你的数据上测得的。

决定，而非虚假的裁决

如果工作涉及长文档、图像或视频，如果你需要一个端点且不想自建基础设施，或者如果约五秒的 p50 首 token 延迟可以接受，那就选择 {{1}}Qwen3.8-Flash{{/1}}。它的质量尚不确定，但至少可以由其制造商以外的人来衡量，而且它 1M 的上下文不是 1.7B 模型能够替代的。

如果模型必须驻留在设备上、数据不能离开你的网络、你打算进行微调，或者你的工作负载是简短的指令遵循和工具调用轮次，而{{2}}1 GB 的 2B 模型确实足够{{/2}}，那就{{1}}选择 LFM3-1.7B{{/1}}。要接受这一点：你是在凭信任接受{{3}}Liquid 的基准测试表{{/3}}，并且第一个月涉及的测量会比托管模型所要求的更多。

你不该做的，是凭智能水平在两者之间做选择。一个没有独立评分，另一个的评分则取决于你打开哪个页面，会显示为 40 或 56，而这两个读数之间 16 分的差距，比任何一家厂商试图向你推销的整体质量差异都大。成本、上下文、模态和本地性都是既定事实。质量则不是，而假装并非如此的对比，不过是一张锉掉了厂商名字的发布对照表。