LFM3-Omni-2B vs Qwen3.8-Omni-Flash：只有其中一個能說話

把LFM3-Omni-2B和Qwen3.8-Omni-Flash放在同一個房間裡，決定大多數產品的差異並不在基準測試表上。兩者都接受音訊。兩者都接受視訊。只有其中一個能直接開口回答。阿里巴巴的模型只回傳文字，別無其他——其自家文件明確指出，語音回覆需要 Qwen 系列中的另一個模型——而 Liquid AI 的 21.7 億參數檢查點可直接輸出 24 kHz 語音，或在單一回應中交錯語音與文字。

除此之外，這對模型其餘的一切都是規模上的對照研究。Qwen3.8-Omni-Flash 自 2026 年 9 月 18 日起是阿里巴巴 API 上的封閉模型，建構於 1,250 億參數的混合專家架構上，約有 60 億活躍參數，具備一百萬個 token 的上下文。LFM3-Omni-2B 則是開放權重，21.7 億參數，32K 上下文，於 2026 年 10 月 27 日作為 LFM3 家族公告中的六個模型之一被宣布——其儲存庫自 10 月 21 日起公開，且沒有自己的發布公告。一款是按 token 租用；一款是下載後以硬體付費。

這兩個產品不是同一個產品

回归各自用途的本质，Qwen3.8-Omni-Flash 是一个拥有超大上下文窗口的理解引擎：转写、摘要、跨数小时媒体进行推理、调用工具，并回传文本。LFM3-Omni-2B 则是一个恰恰能看能听的对话端点：它在设备上接收语音提问、查看一帧画面，再以语音作答。

結果是，若要在 Qwen3.8-Omni-Flash 上打造語音助理，就意味著還要建立兩個額外階段——輸入端的語音辨識，以及輸出端的語音合成——並且要為三個模型付費，而 Liquid 只向你收取一個模型的費用。若要在 LFM3-Omni-2B 上打造兩小時的會議分析器，就意味著必須分段餵給它，因為 32K 視窗並不等于一小時的音訊，而且 Liquid 並未公布音訊轉 token 的比率，讓你能在嘗試之前計算出限制。

脈絡是表單上最大的缺口

• 上下文 — Qwen3.8-Omni-Flash 1M tokens，最大輸入約 991K，輸出最高可達 131K；LFM3-Omni-2B 32K tokens，涵蓋輸入與輸出總和。

• 媒體限制 — 阿里巴巴記載單次請求最多可包含三小時音訊與兩小時視訊，音訊輸入支援 113 種語言和方言；Liquid 記載 16 kHz 單聲道音訊，以及以每秒 2 幀取樣的視訊，範圍為 4 到 384 幀。

• 輸出 — 僅文字對文字、24 kHz 語音，或交錯的文字與語音。

• 規模 — 125B 混合專家模型，約 6B 活躍參數、以託管方式運行，對比在手機上運行的 2.17B 稠密模型。

• 權重 — 封閉對比開放，依 LFM Open License v1.0。

• 價格 — Qwen3.8-Omni-Flash 每百萬輸入 token 為 $0.15、快取為 $0.016、每百萬輸出為 $0.47；LFM3-Omni-2B 則沒有按 token 計價，因為根本無需計量。

1M 上下文不是規格表上的裝飾品。它代表的是「總結這場會議」與「總結這場會議，然後回答關於第三個小時的問題」之間的差別。阿里巴巴發布時的論述是一張帳單，而不是一個分數：每小時音訊輸入比 Qwen3.5-Omni-Plus 便宜 98%，每小時影音便宜 93%，這些數字是將兩分鐘的樣本計價後再相乘得出。省下的成本是真實的，同時也是廠商自己的算術。

金錢實際上能買到什麼

以每百萬 token 輸入 $0.15、輸出 $0.47 的價格計算，一小時的轉錄成本低到大多數團隊乾脆不再去估算它。這正是這次降價的用意，也是「用租的」最強而有力的理由：一次請求的邊際成本近乎為零，而 GPU 由別人持有。

LFM3-Omni-2B 翻轉了這條曲線。權重免費，每次請求的邊際成本是你使用者的電池，而固定成本是把 2.17B 模型送進應用程式所需的工程時間。如果你已經有行動團隊，那不算大數目。如果你沒有，那就是整個專案。

這也正是路由器能證明自身價值、而不只是口號的地方。Qwen3.8 系列的文字模型已以標價、0% 加成登上 OrcaRouter 的目錄，這表示供應商一降價，我們這邊當天就會生效；Qwen3.8-Omni-Flash 本身不在目錄中，LFM3-Omni-2B 也不在。目錄真正提供給你的是：把混合架構中託管的那一半——長音訊批次作業、手機離線時的備援——統整在單一金鑰與單一帳單之後，並在供應商故障時自動容錯移轉。

基準測試：一個共通的數字，兩套測試框架

RealWorldQA 是兩張卡唯一共同報告的基準，而差距達 21 分：Qwen3.8-Omni-Flash 為 87.7，LFM3-Omni-2B 在視覺模式下為 66.54，而以語音提問時則為 64.68。

別把這解讀成一場同條件對等較量中的落敗。Qwen 的 87.7 是阿里巴巴在 125B 模型上、搭配推理預算測得的；Liquid 的數字則是 Liquid 以貪婪解碼、並採用各模型自己的聊天模板測得，而其語音版本是以音訊而非文字提供問題。同樣的基準名稱，不同的測試條件，不同的模型級別。方向性的結論是站得住腳的——一個大上二十倍、又開啟思考功能的模型，理應在視覺問答上表現更好——但這個幅度並不代表任何測量結果。

每張卡片的其餘部分並未共用。Qwen3.8-Omni-Flash 回報 LiveCodeBench v6 為 92.6、GPQA Diamond 為 91、SpotSoundBench 為 67.2、WildClawBench-MM 為 71.0，以及 OmniVideoBench 為 67.8。LFM3-Omni-2B 回報 Daily-Omni 為 70.09、WorldSense 為 47.10、OmniBench 為 46.32、OmniBench speech 為 48.25、MMAR 為 51.40，以及工具呼叫分數為 52.20。這些清單之間的重疊幾乎為空，而這正是你會預期兩個為不同工作打造的模型所呈現的情況——同時也提醒了，兩家廠商都尚未公布獨立評測。

延遲，以及無人計價的往返

託管的 omni 模型在每個答案前都有一段網路往返，背後還有一個佇列。對批次作業來說，這根本看不出來。但對對話而言，這就是產品感覺有生命力，還是感覺像在送出表單的差別。

LFM3-Omni-2B 在這裡的優勢是結構性的，而非經實測得出的：音訊永遠不離開裝置，模型規模為 2.17B，且輸出是在與文字同一輪生成中產生的語音 token。其間沒有 ASR 呼叫、沒有語音合成呼叫，也沒有兩者之間的協調編排。這是否能在實際耗時延遲上勝過資源充足的託管端點，仍是 Liquid 尚未回答的實證問題——該公司未公布任何延遲數據，也沒有獨立測試。

誠實的說法是，本機路徑移除了三種故障模式（上傳、排隊、下載），並新增一種（手機因過熱而熱降頻）。

誰應該選哪個？

如果你的輸入很長、輸出是文字，而且使用者不是在等語音，就選 Qwen3.8-Omni-Flash。會議轉錄、媒體監測、客服中心分析、影片搜尋——任何能受益於百萬 token 視窗與推理預算的場景，這正是為此打造的模型類別，而價格讓決定變得容易。接受你是在租用、權重永遠不會屬於你，以及語音介面意味著要增加模型，而不是設定一個模型。

如果互動是口語的，而且裝置本身就是產品，就選 LFM3-Omni-2B。它更小、看得更少、記得的是 32K 而不是一百萬，而且它的授權含有一條 Apache 2.0 沒有的營收條款。作為交換，它是這兩者中唯一能用語音結束一句話的。

這就是全部的取捨，而這值得直說，因為大多數對這兩個模型的比較，都把篇幅花在只有其中一個曾試圖贏得的分數上。如果你的產品會說話，那麼其中一個模型就是為你打造的，另一個則不是。