LFM2.5-24B-A2B 對決 Qwen3.8-27B：一個只要下載，另一個則是一筆預算項目

先從決定這一切大部分的那個數字開始。LFM2.5-24B-A2B是你放上機器、並持續保留的一個檔案。Qwen3.8-27B則是你以每百萬個 token 為單位租用的模型。Liquid AI 於 2026 年 10 月 13 日發表了前者，總參數量為 240 億，每個 token 啟用 24.5 億參數，上下文長度為 131,072 個 token；Alibaba 則於 2026 年 8 月 13 日發布後者，是稠密的 270 億參數視覺語言模型，上下文長度為 262,144 個 token。兩者皆為開放權重。但只有其中一個在可運作的端點上附有公開的每 token 價格，而且不是比較小的那一個。

那種不對稱就是比較本身。以下的一切——能力、授權、上下文、模態——都取決於你買的是硬體還是符元。

每一個是什麼，以及它所看見的

LFM2.5-24B-A2B 是一款純文字的混合專家模型：40 層拆分為 30 個雙閘控短卷積區塊與 10 個分組查詢注意力層，每個區塊有 64 個專家並採用前四路由，詞彙表有 128,000 個詞元，並支援 16 種語言。Liquid 的發布文章將預訓練量計為 33 兆詞元；同一版本的 Hugging Face 模型卡則寫 36 兆。後訓練流程最後會在真實測試框架內進行代理式強化學習，而廠商自身的指引是將該模型搭配檢索或網頁搜尋，而非要求它從權重中回答知識問題。

Qwen3.8-27B 完全是另一種形態，而這個形態正是重點所在。它是一種稠密混合注意力設計——在 64 層之中，48 層 Gated DeltaNet 線性注意力層與 16 層全注意力層交錯排列，隱藏大小為 5,120，詞彙量為 248,320 個詞元——這正是讓 262K 上下文一開始就能夠負擔得起的關鍵。它接受文字、圖像與影片輸入，並回傳文字。那個以線性為主的骨幹，承襲自 Ternary Bonsai 2 27B 這類壓縮版本所衍生的同一血脈，而這是有用的訊號，說明了有多少價值其實落在架構上，而非訓練過程。

一行版本：Liquid 的模型會在迴圈中進行路由並呼叫工具，而且不需要網路就能做到。Qwen 的模型則會審視各種事物——螢幕截圖、文件、影片——並以大約兩倍長的上下文長度對它們進行推理。兩者都不是對方的較遜版本；它們各自針對一個運作中系統的不同半邊。

成本，以實際數字計算

這正是兩者完全不再具有可比性之處，所以值得做的是實際計算，而不是互換形容詞。

在 OrcaRouter 上，qwen/qwen3.8-27b的收費為每百萬輸入 token 0.33 美元，以及每百萬輸出 token 2.40 美元，七天實測的首個 token p50 時間為 3.45 秒。每月 2,000 萬輸入與 200 萬輸出 token 的工作負載——一個小型內部工具——費用為 6.60 美元加上 4.80 美元，約11.40 美元。無需安裝、無需預熱、沒有 GPU 折舊成本。

Liquid 的 Console 端點收費為 每百萬輸入 token $0.10，快取費率為 $0.05，且 每百萬輸出 token $1.00，並附 $2 起始額度，這讓相同工作負載的定價低於 $4。但那個端點並不是真正的產品。真正的產品是權重，而 LFM2.5-24B-A2B 並沒有廠商公布的檔案大小表可供引用——量化儲存庫在 Hugging Face 上是以兄弟專案的形式各自發布。廠商確實有公布的是這個賭注的形狀：一個 2.45B 活躍參數的 MoE，在 Apple M5 Max 上以每秒 184 個 token 執行，在 AMD Ryzen AI Max+ 395 上則為 114；兩者都是廠商自行報告且未經重現，而且兩者在執行多個並行請求的資料中心 GPU 上都毫無意義。

損益兩平點不是詞元數量，而是使用率的問題。在大約持續高負載以下，計量端點在花費上勝出，卻在延遲下限上吃虧。超過之後，下載版在花費上勝出，卻在營運上吃虧——你現在得擁有一套部署、它的升級，以及它的容錯移轉方案。這就是整個決策，與哪個模型在表格上得分較高毫無關係。

脈絡、授權，以及真正不同的兩件事

• 上下文 — 131,072 個 token 對上 262,144 個 token。Qwen 的視窗在帳面上是兩倍長，而大致呈線性的注意力設計，正是它能在記憶體上負擔得起這個長度的原因。Liquid 尚未公布其 131K 視窗在任何長度下的長上下文檢索數據，這是其發布內容中唯一的缺口，而一輪基準測試就能迅速補上。

• 授權條款 —— lfm1.0 與 Apache 2.0 之比較。Apache 2.0 沒有營收觸發條件，也沒有使用領域條款。Liquid 的授權條款是自成一格的文件，有其自身的條件。在商業推出之前，請對照貴公司的數字仔細審閱，並請注意：這項差異不會隨著模型變大而縮小。

• 模態 — 僅文字對比文字、圖像和影片輸入。如果您的工作負載涉及螢幕截圖、掃描頁面或影片畫面，這一列本身就足以終結比較。

• 指令遵循 — IFEval 96.75 與 IFBench 74.69。在 Liquid 自家的發表表格中，這是最亮眼的幾列，領先表中每一個欄位。如果任務要求「每一次都完全遵守這個格式」，LFM2.5-24B-A2B 有更充分的公開實證。

• 知識與程式編寫——Liquid 的模型在 GPQA Diamond 拿下 74.42、在 SWE-Bench Verified 拿下 51.00。Liquid 把這些成績拿去和 Qwen3.6-35B-A3B 的 83.69 與 66.20 相比，兩項都落敗。那張表裡根本沒有與 Qwen3.8-27B 的比較，而且也沒人讓這兩個模型互相對測過。

每一項真正該歸屬的位置

當輸入不是文字、文件很長，或者你想要按用量付費而不是自己動手維運時，就選 Qwen3.8-27B。一個能處理影像與影片的 262K 窗口，和一個只處理文字的 131K 窗口，是真正不同的產品；而 Apache 2.0 授權則省去了大多數團隊原本不得不進行的一場對話。3.45 秒的 p50 首個 token 延遲是真實的，值得在你下定決心之前，拿它與你自己的容忍度衡量——在 27B 稠密模型這一級別中，如此能幹的模型並不快，而任何架構說明都改變不了這一點。

當機器本身是限制條件時，就選 LFM2.5-24B-A2B。一款擁有 131K 脈絡、2.45B 活躍參數的 MoE，加上指令遵循表現勝過自家比較表中所有項目的特性，能讓它在本地運行是件很強悍的事；而 Liquid 選擇在代理框架內訓練它，而非對照一組靜態工具呼叫集來訓練，這點也顯現在它勝出的那些列上。它不是文件分析師，也不是知識庫，而廠商在發布基準測試表的同一份文件裡也這麼說。

如果你想用自己的實際工作負載、而不是靠哪一家廠商的表格來定案，那麼走 API 服務這條路是成本最低的實驗：qwen/qwen3.8-27b已在我們的目錄上，價格就是上方的定價，對供應商費率零加成，而同一系列的尺寸qwen/qwen3.8-flash與qwen/qwen3.8-max也並列在它旁邊、共用同一組金鑰——這樣你就能在決定是否值得自己擁有一台機器之前，先找到你的任務真正需要的性價比落點。LFM2.5-24B-A2B 不在我們的目錄上；Liquid 自家的 Console 與開放權重才是取得它的途徑，本文任何內容都不應被解讀為其他意思。

六個月後將為此事下定論的問題，不是哪個模型勝出。而是當上下文長度增長時，本地執行器層級能否撐得住——而在這點上，Qwen 兩倍長的視窗和 Liquid 尚未被測量的那一個，是任何人僅有的兩個資料點。

在我們的事件檔案中追蹤即時模型中斷與降級情況，並查看哪些路由已順利完成容錯移轉。