LFM2.5 1.2B vs Llama 3.2 1B

兩款都能在免費 T4 上微調的 1B 級模型。指令遵循、真實手機上的記憶體佔用、上下文長度、授權條款，以及裝置端場景該選哪一個。

Overview

截至 2026 年 8 月，LFM2.5 1.2B 與 Llama 3.2 1B 是 Ertas 目錄中僅有的兩款 1B 級基座模型。兩者都在入門級 T4 上訓練，都包含在免費方案內，匯出的 GGUF 也都不到 1 GB。紙面上它們幾乎可以互換，實際上卻是為不同任務打造的，而區分兩者的那項基準，恰好是裝置端專案最關心的。

Llama 3.2 1B 是稠密 Transformer，上下文視窗 128,000 個詞元，生態是所有小型開放權重模型中最深厚的。只要某個 1B 模型存在微調配方、量化預設或行動端整合指南，那幾乎一定是為它準備的。

LFM2.5 1.2B 則是混合架構。它把雙閘控短程卷積模組與分組查詢注意力模組交替排列，共 16 層，其中 10 層卷積、6 層注意力。卷積的計算量隨序列長度線性增長，注意力則是平方增長，正是這一點讓這樣小的模型在長提示下依然便宜。它的上下文視窗是 32,768 個詞元，只有 Llama 的四分之一；詞表為 65,536，這也是它匯出檔案如此精簡的主要原因。

Feature Comparison

Feature	LFM2.5 1.2B	Llama 3.2 1B
參數量	11.7 億	10 億
架構	混合：卷積 + 分組查詢注意力	稠密 Transformer
上下文視窗	32,768 個詞元	128,000 個詞元
詞表大小	65,536	128,256
IFEval（指令遵循）	86.23	52.37
Q4_K_M 匯出體積	731 MB	810 MB
手機實測佔用	719 MB（Galaxy S25 Ultra）	Meta 未公布
授權條款	LFM Open License v1.0	Llama Community License
在 Ertas 微調所需 GPU 層級	T4	T4
可用 Ertas 免費方案訓練
原生工具呼叫詞元	支援，預設輸出 Python 風格呼叫	依靠提示詞格式
知識截止時間	2024 年中	2023 年 12 月
生態成熟度	較新，2026 年發布	1B 級中最深厚

Strengths

LFM2.5 1.2B

指令遵循是最主要的差距。截至 2026 年 8 月，據 Liquid AI 實測，LFM2.5 1.2B 的 IFEval 得分為 86.23，Llama 3.2 1B 為 52.37。如果模型的職責是每次都輸出可解析的 JSON 物件或格式正確的工具呼叫，這一項比常識記憶重要得多。
工具呼叫是原生能力，而不是提示詞技巧。LFM2.5 會在專用詞元之間輸出 Python 風格的函式呼叫，只需一句系統提示即可切換為 JSON 輸出。
參數更多，匯出反而更小：Q4_K_M 下 731 MB，Llama 為 810 MB，儘管參數量多出 17%。原因是 65,536 的詞表讓嵌入表保持精簡，而在這個量級上，嵌入表主導著檔案體積。
在具名硬體上公布了實測佔用。Liquid 在 Galaxy S25 Ultra 上測得 719 MB。Meta 沒有為 Llama 3.2 1B 公布對應數字，因此要評估部署規模只能自己實測。
權重原生為 bf16，因此在 Ertas 上訓練可以保持 bf16，無需在 Turing 硬體上回退到 fp32。

Llama 3.2 1B

128,000 對 32,768 的上下文視窗，空間是四倍。只要任務是把長文件直接放進提示詞而不是分塊檢索，這一項就是決定性的。
1B 級中最深厚的生態。現成的微調版本、量化預設、行動端整合指南和社群驗證過的配方，絕大多數都優先支援 Llama。
多數法務團隊已經審閱過的授權條款。Llama Community License 設有 7 億月活躍使用者上限並要求署名，但足夠熟悉；而 LFM Open License v1.0 是 Liquid 自己的文本，需要重新審閱。
通用知識更廣。Llama 3.2 1B 面向通用能力訓練，而 LFM2.5 明確用世界知識換取了指令遵循的可靠性。
在程式設計和數學上更強，而這兩類任務正是 Liquid 明確不推薦 LFM2.5 去做的。

Which Should You Choose?

你要把文件轉成結構化 JSON，或用小模型驅動工具呼叫LFM2.5 1.2B

這正是 LFM2.5 的設計目標。IFEval 86.23 對 52.37，意味著一個能可靠產出你所要求格式的模型，和一個必須外包一層重試邏輯的模型之間的區別。事實本身來自文件，所以世界知識偏弱在這裡沒有代價。

你的提示詞裡要放長文件、完整逐字稿或很長的對話歷史Llama 3.2 1B

128,000 對 32,768 個詞元就足以決定。LFM2.5 的混合架構確實讓長提示的處理更便宜，但它無法處理超出自身視窗的提示；而為了塞進去而分塊，等於又把你本想避開的檢索問題請了回來。

你要把模型裝進瀏覽器、遊戲或面向消費者的應用安裝包LFM2.5 1.2B

731 MB 對 810 MB 本身差距不大，真正的優勢是公開的裝置端實測資料：寫程式之前就能把部署規模算清楚。Chatty Valley 就在 Stardew Valley 模組裡裝了一個 697 MB 的 LFM2.5 1.2B 微調模型，完全跑在玩家自己的 CPU 上。

你需要 1B 模型提供通用知識、程式設計協助或數學推理Llama 3.2 1B

Liquid 明確不建議把 LFM2.5 用於知識密集型任務或程式設計。如果模型需要的是知道事情而不是做成事情，在這個尺寸上 Llama 3.2 1B 是更好的基座，而更大的基座還要更好。

你要接手既有的 1B 流程，或團隊已經通過了 Llama 的授權審查Llama 3.2 1B

生態成熟度和已審閱的授權條款都是要重新付出的真實成本。除非指令遵循的差距對你的任務是關鍵，否則遷移通常並不划算。

Verdict

如果模型的職責是在固定且不算大的上下文裡精確遵循指令，就選 LFM2.5 1.2B：結構化擷取、工具呼叫、裝置端代理、角色與遊戲 AI 都屬於這一類。IFEval 的差距大到足以改變你能否在不加重試層的情況下直接上線，而公開的硬體實測資料也把部署評估從一場實驗變成了一次查表。

如果上下文長度決定成敗，或者你需要通用知識與程式碼能力，又或者成熟生態與已審閱的授權條款比指令遵循的差距更有價值，就選 Llama 3.2 1B。對很多團隊來說，坦率的答案是：Llama 是更穩妥的預設選項，LFM2.5 是更好的專才。

兩者都能在 Ertas Studio 的免費 T4 上微調，所以解決分歧最省錢的辦法，就是用你自己的資料各訓一個再比較。在這個尺寸上，那是一個下午的事，不是一個專案。

How Ertas Fits In

兩款模型都在 Ertas Studio 的 T4 層級微調，也都在免費方案的參數上限之內，因此任選其一都可以零成本訓練。對 20 億參數以下的基座，行之有效的配方是比 7B 模型更高的學習率和更多的輪次：學習率 3e-4 到 5e-4，批次大小 4，梯度累積 2，訓練 8 到 16 輪。小模型需要更多遍資料，行為才會固定下來。

匯出格式為 GGUF，可直接用於 llama.cpp、Ollama 和 LM Studio；也可以匯出 safetensors 格式的 LoRA 轉接器，把轉接器單獨保留、由你自己合併。有兩個 Ertas 專案在生產環境中使用這個系列，選型之前值得一讀：Chatty Valley 是量化到 697 MB 的 1.2B 微調模型，執行在 Stardew Valley 模組裡；Corporate Goblin 則是 230M 的 LoRA，匯出為 q4 ONNX 後完全在瀏覽器中執行。

還有一點關於授權的提醒，它會隨你的微調結果一起傳遞：LFM Open License v1.0 是 Liquid AI 自己的文本，並非 Apache 2.0；Llama Community License 也有自己的條件。基於其中任何一個基座建構商業產品，都需要真正把授權條款讀一遍，而不是想當然。