LFM2.5 1.2B vs Llama 3.2 1B

两款都能在免费 T4 上微调的 1B 级模型。指令遵循、真实手机上的内存占用、上下文长度、许可证，以及设备端场景该选哪一个。

Overview

截至 2026 年 8 月，LFM2.5 1.2B 与 Llama 3.2 1B 是 Ertas 目录中仅有的两款 1B 级基座模型。两者都在入门级 T4 上训练，都包含在免费套餐内，导出的 GGUF 也都不到 1 GB。纸面上它们几乎可以互换，实际上却是为不同任务打造的，而区分二者的那项基准，恰好是设备端项目最关心的。

Llama 3.2 1B 是稠密 Transformer，上下文窗口 128,000 个词元，生态是所有小型开放权重模型中最深厚的。只要某个 1B 模型存在微调配方、量化预设或移动端集成指南，那几乎一定是为它准备的。

LFM2.5 1.2B 则是混合架构。它把双门控短程卷积模块与分组查询注意力模块交替排列，共 16 层，其中 10 层卷积、6 层注意力。卷积的计算量随序列长度线性增长，注意力则是平方增长，正是这一点让这样小的模型在长提示下依然便宜。它的上下文窗口是 32,768 个词元，只有 Llama 的四分之一；词表为 65,536，这也是它导出文件如此紧凑的主要原因。

Feature Comparison

Feature	LFM2.5 1.2B	Llama 3.2 1B
参数量	11.7 亿	10 亿
架构	混合：卷积 + 分组查询注意力	稠密 Transformer
上下文窗口	32,768 个词元	128,000 个词元
词表大小	65,536	128,256
IFEval（指令遵循）	86.23	52.37
Q4_K_M 导出体积	731 MB	810 MB
手机实测占用	719 MB（Galaxy S25 Ultra）	Meta 未公布
许可证	LFM Open License v1.0	Llama Community License
在 Ertas 微调所需 GPU 层级	T4	T4
可用 Ertas 免费套餐训练
原生工具调用词元	支持，默认输出 Python 风格调用	依靠提示词格式
知识截止时间	2024 年中	2023 年 12 月
生态成熟度	较新，2026 年发布	1B 级中最深厚

Strengths

LFM2.5 1.2B

指令遵循是最主要的差距。截至 2026 年 8 月，据 Liquid AI 实测，LFM2.5 1.2B 的 IFEval 得分为 86.23，Llama 3.2 1B 为 52.37。如果模型的职责是每次都输出可解析的 JSON 对象或格式正确的工具调用，这一项比常识记忆重要得多。
工具调用是原生能力，而不是提示词技巧。LFM2.5 会在专用词元之间输出 Python 风格的函数调用，只需一句系统提示即可切换为 JSON 输出。
参数更多，导出反而更小：Q4_K_M 下 731 MB，Llama 为 810 MB，尽管参数量多出 17%。原因是 65,536 的词表让嵌入表保持紧凑，而在这个量级上，嵌入表主导着文件体积。
在具名硬件上公布了实测占用。Liquid 在 Galaxy S25 Ultra 上测得 719 MB。Meta 没有为 Llama 3.2 1B 公布对应数字，因此要评估部署规模只能自己实测。
权重原生为 bf16，因此在 Ertas 上训练可以保持 bf16，无需在 Turing 硬件上回退到 fp32。

Llama 3.2 1B

128,000 对 32,768 的上下文窗口，空间是四倍。只要任务是把长文档直接放进提示词而不是分块检索，这一项就是决定性的。
1B 级中最深厚的生态。现成的微调版本、量化预设、移动端集成指南和社区验证过的配方，绝大多数都优先支持 Llama。
多数法务团队已经审阅过的许可证。Llama Community License 设有 7 亿月活用户上限并要求署名，但足够熟悉；而 LFM Open License v1.0 是 Liquid 自己的文本，需要重新审阅。
通用知识更广。Llama 3.2 1B 面向通用能力训练，而 LFM2.5 明确用世界知识换取了指令遵循的可靠性。
在编程和数学上更强，而这两类任务正是 Liquid 明确不推荐 LFM2.5 去做的。

Which Should You Choose?

你要把文档转成结构化 JSON，或用小模型驱动工具调用LFM2.5 1.2B

这正是 LFM2.5 的设计目标。IFEval 86.23 对 52.37，意味着一个能可靠产出你所要求格式的模型，和一个必须外包一层重试逻辑的模型之间的区别。事实本身来自文档，所以世界知识偏弱在这里没有代价。

你的提示词里要放长文档、完整转录稿或很长的对话历史Llama 3.2 1B

128,000 对 32,768 个词元就足以决定。LFM2.5 的混合架构确实让长提示的处理更便宜，但它无法处理超出自身窗口的提示；而为了塞进去而分块，等于又把你本想避开的检索问题请了回来。

你要把模型装进浏览器、游戏或面向消费者的应用安装包LFM2.5 1.2B

731 MB 对 810 MB 本身差距不大，真正的优势是公开的设备端实测数据：写代码之前就能把部署规模算清楚。Chatty Valley 就在 Stardew Valley 模组里装了一个 697 MB 的 LFM2.5 1.2B 微调模型，完全跑在玩家自己的 CPU 上。

你需要 1B 模型提供通用知识、编程协助或数学推理Llama 3.2 1B

Liquid 明确不建议把 LFM2.5 用于知识密集型任务或编程。如果模型需要的是知道事情而不是做成事情，在这个尺寸上 Llama 3.2 1B 是更好的基座，而更大的基座还要更好。

你要接手已有的 1B 流水线，或团队已经通过了 Llama 的许可证审查Llama 3.2 1B

生态成熟度和已审阅的许可证都是要重新付出的真实成本。除非指令遵循的差距对你的任务是关键，否则迁移通常并不划算。

Verdict

如果模型的职责是在固定且不算大的上下文里精确遵循指令，就选 LFM2.5 1.2B：结构化抽取、工具调用、设备端智能体、角色与游戏 AI 都属于这一类。IFEval 的差距大到足以改变你能否在不加重试层的情况下直接上线，而公开的硬件实测数据也把部署评估从一场实验变成了一次查表。

如果上下文长度决定成败，或者你需要通用知识与代码能力，又或者成熟生态与已审阅的许可证比指令遵循的差距更有价值，就选 Llama 3.2 1B。对很多团队来说，坦率的答案是：Llama 是更稳妥的默认选项，LFM2.5 是更好的专才。

两者都能在 Ertas Studio 的免费 T4 上微调，所以解决分歧最省钱的办法，就是用你自己的数据各训一个再比较。在这个尺寸上，那是一个下午的事，不是一个项目。

How Ertas Fits In

两款模型都在 Ertas Studio 的 T4 层级微调，也都在免费套餐的参数上限之内，因此任选其一都可以零成本训练。对 20 亿参数以下的基座，行之有效的配方是比 7B 模型更高的学习率和更多的轮次：学习率 3e-4 到 5e-4，批大小 4，梯度累积 2，训练 8 到 16 轮。小模型需要更多遍数据，行为才会固定下来。

导出格式为 GGUF，可直接用于 llama.cpp、Ollama 和 LM Studio；也可以导出 safetensors 格式的 LoRA 适配器，把适配器单独保留、由你自己合并。有两个 Ertas 项目在生产环境中使用这个系列，选型之前值得一读：Chatty Valley 是量化到 697 MB 的 1.2B 微调模型，运行在 Stardew Valley 模组里；Corporate Goblin 则是 230M 的 LoRA，导出为 q4 ONNX 后完全在浏览器中运行。

还有一点关于许可证的提醒，它会随你的微调结果一起传递：LFM Open License v1.0 是 Liquid AI 自己的文本，并非 Apache 2.0；Llama Community License 也有自己的条件。基于其中任何一个基座构建商业产品，都需要真正把许可证读一遍，而不是想当然。