LFM3-1.7B 與 Qwen3.8-Flash：當沒有計分板可供比較時

每月一千萬個 token，以 70/30 拆分為輸入與輸出，使用Qwen3.8-Flash時，依阿里巴巴每百萬 token $0.15 與 $0.47 的定價，成本為 $2.46。相同用量在 LFM3-1.7B 上約為 $1.16——前提是所報導的託管費率 $0.08 與 $0.20 成立——而若自行託管，每個 token 則完全免費，因為權重是開放的，且 LFM Open License 在營收低於 1,000 萬美元時不要求權利金。這是在計費表上，兩個目前無人能判定相對品質的模型之間 2 倍的價差。這使得這項比較不像大多數比較頁面那樣著重於基準測試，而更著重於你正在購買何種部署形態。

這兩個模型再怎麼比，也很難找到更大的差異。LFM3-1.7B 是 Liquid AI 於 2026 年 10 月 27 日發布的 1.73B 稠密三混合模型，專門在你眼前的硬體上執行特定工作。Qwen3.8-Flash 是阿里巴巴的稀疏混合專家模型，每個 token 約有 6B 參數啟用，來自更大的參數池；它於 2026 年 8 月以託管方案形式推出，具備 1M token 視窗，以及圖像與影片輸入。用智慧分數來比較兩者，就像拿送貨廂型車和貨運列車相比：真正有用的問題是你要運送什麼，以及要運多遠。

兩種針對相反限制條件最佳化的架構

LFM3-1.7B 的 24 層混合了 13 個門控短卷積、5 個具有 256 個 token 視窗的滑動視窗注意力層，以及 6 個全域注意力層。卷積成本低且可平行處理；少量全域注意力讓整個 256K 上下文保持可觸及。結果是 1.6 GB 的 128K KV 快取，以及一個在 4-bit 下約 1 GB 即可容納的模型。Liquid 用 22 兆個預訓練 token 訓練它，接著再用 3.5 兆個中期訓練 token，重點大量放在代理軌跡與工具呼叫上。

Qwen3.8-Flash 則做了另一種取捨。稀疏激活意味著每個 token 都能觸及龐大的參數池，而不必為全部參數付出代價，這正是阿里巴巴能在與小得多的稠密模型同價位的模型上，實現 262K 原生上下文並可延伸至 1M 的原因。它能接收文字、圖像與影片並回傳文字，支援工具呼叫與 JSON 輸出，並被明確定位為 Qwen4 系列的架構預覽。

啟用參數 — LFM3-1.7B 為 1.73B 稠密模型，相較之下 Qwen3.8-Flash 在稀疏 MoE 中每 token 約 6B。

• 背景 — 開放權重為 256K，Liquid 託管 API 上為 128K，相較之下原生為 262K，而託管方案則為 1M。

• 最大輸出 — LFM3 未另行指定，而 Qwen3.8-Flash 為 131K。

• 輸入模態 — 僅文字 vs 文字、圖像與影片。

• 執行位置 — 在你的裝置上，僅佔 1 GB 的 4 位元足跡，而非 Alibaba 的伺服器。

• 權重 — 以 LFM Open License v1.0 開放，相對於僅提供託管版；此 SKU 沒有開放檢查點。

最後一列才是重新定義其餘一切的關鍵。Qwen3.8-Flash 不是你所擁有的模型。它有一個開放權重的姊妹版本 Qwen3.8-Flash-Next，採用社群授權，但那是不同的檢查點，評分也不同，並不是每 $0.15 的費率所能買到的東西。LFM3-1.7B 則是你下載得來的檔案。這兩者之中，一個可以離線隔離、接受稽核，並用你自己的資料進行微調；另一個則不行。

一邊缺失、另一邊又自相矛盾的計分板

令人不安的部分在這裡。截至 2026 年 10 月 28 日，LFM3-1.7B 在 Artificial Analysis 上沒有收錄條目——沒有 Intelligence Index、沒有獨立測量的輸出速度，也沒有中立的延遲數據。所有與它相關的效能數字都來自 Liquid 自家的 27 項基準測試表，它在表中平均為 49.37，並以大幅差距勝過 Liquid 自家的 LFM2.5-2.6B。這些數據由廠商自行報告，未經重現。

Qwen3.8-Flash 確實有 Artificial Analysis 的條目，而讀它之所以有啟發性，原因卻是錯的。即時比較頁面顯示它的 Index 為 40。多篇二手報導，包括評測與地區媒體，都將同一個模型報導為 56。輸出速度數據也不一致：各來源出現的數字從每秒 50 多個 token 到 80 多個 token 不等。我們不會挑一個數字並把它當成事實呈現，因為這兩個數字不可能同時描述同一次評估執行，而且差距大到足以改變採購決策。

實務上的後果是，這兩個模型在品質上根本無法以任何信心互相比較排名。一方有一個數字，會依你從哪裡讀到而變動十六分；另一方則沒有可變動的獨立數字。任何人根據這些輸入告訴你「哪個更聰明」的結論，都是在憑空捏造。可以比較的是其他一切：模型的成本、運行位置、回答速度，以及失敗時會發生什麼事。

儀表，奏效了

成本是雙方都真正能夠衡量的面向，因此它值得的不只是一份逐 token 的清單。

• Qwen3.8-Flash 定價 — 每百萬輸入 $0.15、每百萬輸出 $0.47，快取讀取 $0.018、快取寫入 $0.230。

• LFM3-1.7B 託管版 — 據報導，每百萬輸入 $0.08、輸出 $0.20，未列於 Liquid 自家費率表。

• LFM3-1.7B 自架部署——無須按 token 計費；年營收低於 1,000 萬美元時，LFM Open License 免收權利金。

以每月 1,000 萬個 token、70/30 的比例計算，Qwen3.8-Flash 的費用為 $2.46。若在穩定的系統提示上啟用提示快取，費用會降至約 $2.00，因為快取讀取的成本約為全新輸入的八分之一。LFM3-1.7B 按報導的費率計算，相同用量約為 $1.16；而自行託管則每 token 計費為零，另加固定的機器成本。

現在把規模放大。每月十億個 token 時，差距是 $246 對 $116——以絕對值來說仍然很小，而這正是這類比較中常被忽略的重點。對多數團隊而言，便宜的託管層級與便宜的自架模型之間的每 token 差異只是雜訊。真正占主導的成本是工程時間：託管模型只是一次 HTTP 呼叫，而自架模型則是一套部署、一個量化選擇、一套服務堆疊，以及一輪待命輪值。LFM3 的 2 倍價格優勢必須值得這些。對於手機或邊緣裝置上的 2B 模型，顯然值得——根本沒有能在裝置上執行的託管替代方案。對於處理分類呼叫的後端服務，通常不值得。

每一個回應的速度有多快，並在一側附上實際數字

這是我們自家資料優於供應商資料的地方。OrcaRouter 會路由 Qwen3.8-Flash，而在過去七天，我們橫跨提供其服務之供應商所蒐集的遙測資料顯示，首個 token 時間的 p50 為 4.82 秒、p95 為 10.00 秒，輸出速度為每秒 155 個 token，且在 8.837 億個 token 中的錯誤率為 3.3%。這些是來自路由層的彙總數據，而非單一端點的實驗室測試，因此吞吐量讀數會高於其他地方公布的五十出頭數字：請求會落在有容量之處。

4.82 秒的 p50 是值得好好思考的數字。對聊天介面來說這沒問題。但對一個要進行十五次連續呼叫的代理而言，在任何工作開始前就得等上一分鐘，而再高的每秒 token 數也無法彌補。大型稀疏模型的高首 token 延遲，是廉價層級的隱藏成本，也是某些團隊會把簡短、延遲關鍵的回合導向更小模型的原因。

LFM3-1.7B 沒有對等的量測。Liquid 的速度主張是：在 Q4_0 與 32K 上下文下，它在三台測試裝置上比下一個模型快 1.8 到 2.8 倍，且記憶體用量最低；而單台 NVIDIA B300 以 BF16 執行 SGLang，在 1,024 個並行請求下，每天可服務 36 億個 token。這些分別是裝置端與單節點數據；兩者都無法對應到「我在法蘭克福的 p50 會是多少」。速度是 LFM3 的論點在原則上最強、在實務上最難驗證的軸線。

各自真正勝出之處

LFM3-1.7B 在邊緣端的控制與成本上勝出。開放權重意味著你可以在單一 GPU 上對它進行微調、凍結版本、在沒有網路的情況下執行，並將資料保留在裝置上。其指令遵循數據是 Liquid 表格中最突出的部分——IFEval 96.66、IFStruct 93.72、Multi-IF 89.10——而其工具呼叫項目在同尺寸模型中相當不錯，BFCL V4 為 71.39，ToolSandbox 為 80.36。其弱項也同樣清楚：Terminal-Bench 2.1 為 12.92，SWE-bench Multilingual 為 23.00，這說明它不是自主編碼模型，而 Liquid 自家的模型卡也這麼說。

Qwen3.8-Flash 在涵蓋範圍上勝出。具備影像與影片輸入的 100 萬 token 上下文窗口，是 LFM3 完全不具备的能力：純文字模型根本不接受影像，視覺版本未公布上下文窗口，而 omni 版本的窗口則未有文件說明。對於需要讀取長篇合約、一組截圖或一小時影片幀的工作負載而言，這項比較當下就分出勝負。它在營運簡易性上也勝出：單一端點、無需 GPU、無需部署。

將兩者都進行路由，這正是重點

Qwen3.8-Flash 在 OrcaRouter 目錄中，而 LFM3-1.7B 不在。這句話就是本節最誠實的完整版本。我們以供應商定價、0% 加價來路由託管模型，因此 Alibaba 的 $0.15 和 $0.47 就是你支付的價格，而供應商價格變動會在同一天反映到你身上，而不是等到下一次續約。LFM3 由你自己運行，或透過 Liquid 自家的 API 呼叫；我們不會暗示存在一個實際上不存在的託管關係。

在這個特定搭配中，路由之所以重要，是因為這兩個模型各自有不同的失敗模式。Qwen3.8-Flash 的失敗方式，是在不需要 1M token 上下文的回合上變得緩慢且昂貴。LFM3 的失敗方式，則是在需要這些上下文的回合上耗盡推理深度。把每個請求都送往其中任一個模型的管線，會以可預測的方向出錯。透過路由 DSL，你能將抽取、分類與簡短工具呼叫回合送到小型本機模型，將長文件與多模態工作留在託管層，並讓自動容錯移轉涵蓋小型模型回傳格式錯誤內容的情況——而在一個未經驗證的 1.7B 模型上，這正是實際會令人擔憂的情況。

這也是判斷 LFM3 是否值得其發布表所要求之信任的最便宜方式。讓它在已經理解的流量上、置於備援機制之後運行，並在相同輸入下，將其決策與託管模型的決策相比較。分歧率是比任何廠商基準測試都更好的品質訊號，因為它是在你的資料上衡量出來的。

這個決定，沒有虛假的裁決

若工作涉及長文件、圖片或影片，若你需要單一端點且無需基礎設施，或者若可接受接近五秒的 p50 首字延遲，請選擇 Qwen3.8-Flash。其品質尚不確定，但至少可由其開發者以外的人衡量，而其 1M 上下文並非 1.7B 模型所能替代。

如果模型必須常駐在裝置上、資料不能離開你的網路、你打算進行微調，或你的工作負載是簡短的指令遵循與工具呼叫回合，而 1 GB 的 2B 模型確實已足夠，就選擇 LFM3-1.7B。要接受你是在憑信念相信 Liquid 的基準測試表，而且第一個月會需要比託管模型更多的測量。

你不該做的，是拿智慧程度在兩者之間做選擇。其中一方沒有獨立評分，另一方的分數則會因你打開哪一頁而顯示 40 或 56，而這兩種讀數之間十六點的差距，比任何一家廠商想賣給你的整體品質差異都還要大。成本、上下文、模態與本地部署都是既定事實。品質則不然，而假裝並非如此的比較，不過是一張磨掉了廠商名字的發表表格。