LFM3-1.7B vs Granite 4.2 30B: Dua Model Agen yang Membagi Putusan berdasarkan Sumbu

Tempatkan LFM3-1.7B dan Granite 4.2 30B di halaman yang sama dan rata-rata agregatnya mengarah ke arah yang berlawanan tergantung pada baris mana yang Anda baca. Pada Berkeley Function Calling Leaderboard V4, model 1,73 miliar parameter milik Liquid AI mencetak 71,39 berbanding 61,39 milik IBM — kemenangan sepuluh poin bagi model yang ukurannya kira-kira tujuh belas kali lebih kecil. Pada SWE-bench Verified, Granite mencetak 57,00 berbanding 43,40 milik LFM3-1.7B, kemenangan 13,6 poin ke arah sebaliknya.Perutean tidak menambahkan margin ke harga daftar penyedia. Harga daftar penyedia diteruskan pada markup 0%.

Kedua model dirancang untuk agen, keduanya dirilis dalam selisih dua bulan pada 2026, dan kedua vendor menerbitkan cukup banyak benchmark yang tumpang tindih sehingga perbandingan nyata dapat dilakukan, bukan sekadar kolase. Itu menjadikan ini pertandingan langka yang pertanyaan menariknya bukanlah model mana yang lebih baik, melainkan pada sumbu mana beban kerja Anda sebenarnya berada. Sangat sedikit tugas yang membutuhkan skor BFCL 71 sekaligus skor SWE-bench 57, dan tugas-tugas yang membutuhkannya tidak terlayani dengan baik oleh salah satu model saja.

Dua angka yang bersilangan

Granite 4.2 30B dirilis pada 25 Agustus 2026 di bawah Apache 2.0, sebuah model dense ~30B yang dibangun di atas basis Granite 4.1 30B dan dilatih pada sekitar 15 triliun token. Framing IBM bersifat enterprise: tiga mode berpikir yang dapat dikonfigurasi, pemanggilan tool native terhadap skema OpenAI, dua belas bahasa yang diuji, dan pipeline pelatihan tiga tahap yang diakhiri dengan pembelajaran penguatan GRPO multi-fase.

LFM3-1.7B tiba dua bulan kemudian, diumumkan pada 27 Oktober 2026, dan dilatih pascapelatihan secara khusus pada harness agentik — Liquid menyebut Hermes Agent, PI, dan OpenClaw di kartu model. Ini adalah model dense 1,73B dengan konteks 256K, dan secara eksplisit diposisikan untuk agen lokal dan pemanggilan alat, bukan untuk penalaran umum.

Persilangan benchmark bukanlah kebetulan dari satu angka yang lemah. Seluruh tabel terbitan LFM3-1.7B condong ke agentic: 71,39 BFCL V4, 80,36 ToolSandbox, 68,01 τ³-bench, 45,60 LiveClaw, 38,42 WebArena-Verified. Tabel Granite condong ke rekayasa: 57,00 SWE-bench Verified, 33,29 SWE-bench Pro, 41,89 SWE-bench Multilingual, 38,76 SciCode, 29,24 pada TerminalBench 2.1. Setiap vendor mengoptimalkan definisi "agent" yang berbeda, dan tabel benchmark jujur tentang yang mana.

τ³ pada 68,01 berbanding 68,05 adalah berita utama yang sebenarnya

Di bawah dua kesenjangan dramatis itu terdapat hasil yang sangat berimbang. Pada τ³-bench, evaluasi penggunaan alat yang mengukur penyelesaian tugas multi-putaran dengan simulator pengguna dan kebijakan domain, LFM3-1.7B memperoleh skor 68,01 dan Granite 4.2 30B memperoleh skor 68,05 — selisih empat perseratus poin, yang tidak dapat dibedakan dari noise.

Itu hasil yang lebih menarik daripada kedua celah besar itu, karena τ³ adalah benchmark yang paling dekat dengan apa yang sebenarnya dilakukan sebagian besar penerapan agen: melakukan percakapan, mengikuti kebijakan, memanggil fungsi yang tepat, pulih dari kesalahan. Jika model 1.73B menyamai model dense 30B di sana, jumlah parameter itu membeli sesuatu selain penggunaan alat multi-turn yang kompeten.

Manfaat yang diberikannya terlihat pada BFCL dan SWE-bench, yang mengukur hal-hal berbeda. BFCL V4 menguji kebenaran pemanggilan fungsi satu putaran terhadap skema — angka 71.39 milik LFM3-1.7B menunjukkan bahwa pasca-pelatihan Liquid pada harness agen nyata langsung membuahkan hasil. SWE-bench Verified menguji perbaikan issue GitHub nyata dari awal hingga akhir, yang menuntut kemampuan menjaga repositori tetap dalam konteks, merencanakan lintas berkas, dan menghasilkan patch yang lolos pengujian — angka 57.00 milik Granite mencerminkan model yang memiliki kapasitas untuk melakukan itu dan set pelatihan yang dibangun untuknya.

Jadi pembagiannya sudah jelas. Model kecil, terlatih dengan baik pada skema alat: menang dalam uji pemanggilan fungsi. Model besar, terlatih pada perbaikan kode: menang dalam uji repositori. Imbang pada area tengah multi-giliran tempat keduanya dilatih secara khusus.

Konteks adalah titik di mana spesifikasi paling berbeda.

• Konteks — 262.144 token untuk LFM3-1.7B; 128K native untuk Granite 4.2 30B, dapat diperluas hingga 512K. Ekstensi ini tidak gratis, dan IBM jujur bahwa ini adalah ekstensi, bukan jendela native.

• Retensi konteks panjang — 65,56 pada RULER di 128K untuk LFM3-1.7B dibandingkan 81,4 untuk Granite 4.2 30B pada keluarga benchmark yang sama. Model yang lebih besar mempertahankan lebih banyak bagian dari dokumen panjang, yang merupakan kebalikan dari apa yang disiratkan oleh angka konteks utama.

• Jejak memori — sekitar 1 GB pada 4-bit dibandingkan dengan sekitar 30B bobot BF16, dengan build resmi FP8, NVFP4, dan MXFP4. Ini adalah model single-GPU, bukan model laptop.

• Bahasa — enam belas untuk LFM3-1.7B dibandingkan dua belas yang diuji untuk Granite, dengan tumpang tindih yang berbeda. Dua belas milik Granite mencakup Ceko dan Belanda; milik Liquid mencakup Thai, Vietnam, dan Indonesia.

• Mode berpikir — Granite 4.2 30B hadir dengan mode penuh, upaya rendah, dan tanpa berpikir. LFM3-1.7B tidak memiliki opsi semacam itu, dan kartunya menyatakan bahwa model ini memang tidak ditujukan untuk penalaran bertahap yang kompleks sejak awal.

• Lisensi — Apache 2.0 untuk Granite dibandingkan dengan LFM Open License v1.0, yang gratis di bawah pendapatan tahunan $10 juta dan memerlukan lisensi komersial di atasnya.

Biaya apa yang dikeluarkan 30B dense yang tidak dikeluarkan 1.73B

Granite 4.2 30B bersifat dense, yang berarti ketiga puluh miliar parameternya dijalankan pada setiap token. Tidak ada diskon parameter aktif di sini: biaya komputasi per token kira-kira tujuh belas kali lipat model kecil, dan biaya memorinya adalah seluruh file bobot. IBM menyediakan kuantisasi agar itu bisa ditangani, tetapi tidak ada konfigurasi yang memungkinkannya berjalan di ponsel.

Keunggulan LFM3-1.7B bukan terutama pada kecepatan. Keunggulannya adalah model ini muat dalam anggaran memori yang sama dengan bagian lain aplikasi Anda. Model berukuran 1 GB menyisakan ruang untuk penyimpanan dokumen, cache, dan model kedua di perangkat yang sama — yang membuat agen lokal benar-benar mungkin, bukan sekadar lokal secara teoretis. Liquid melaporkan decoding 1,8 hingga 2,8 kali lebih cepat daripada pendahulunya pada perangkat keras yang diuji dan cache KV 1,6 GB pada 128K, yang keduanya penting bagi agen di perangkat yang menjalani percakapan panjang.

Faktor penyeimbangnya adalah kapasitas 30B Granite benar-benar berperan dalam angka SWE-bench. Jika tugas agen Anda adalah mengubah kode di seluruh repositori, selisih 13,6 poin bukanlah sesuatu yang dapat dipulihkan oleh model yang lebih kecil melalui prompting, dan penghematan komputasi membuat Anda mendapatkan hasil yang lebih buruk.

Lisensi, penandatanganan, dan pertanyaan pengadaan

Apache 2.0 adalah alasan sebuah organisasi besar dapat mengadopsi Granite 4.2 30B tanpa tinjauan hukum. Tidak ada ambang pendapatan, tidak ada pemicu komersial, tidak ada negosiasi. IBM juga telah menandatangani secara kriptografis model Granite yang dirilis sejak April 2026, yang terdengar seperti detail sampai Anda menjadi orang yang harus membuktikan bahwa bobot di produksi adalah bobot yang telah diverifikasi.

Liquid's LFM Open License v1.0 benar-benar permisif pada skala startup — gratis untuk penggunaan komersial di bawah pendapatan tahunan $10 juta — tetapi di atas ambang itu lisensi ini mewajibkan lisensi komersial berbayar. Bagi pengembang individu atau tim kecil, ini bukan masalah. Bagi unit bisnis di dalam perusahaan yang lebih besar, ini adalah percakapan yang dimulai sebelum penerapan pertama dan mungkin tidak selesai dengan cepat. Asimetri itu tidak tercermin dalam tolok ukur mana pun dan sering kali memutuskan pertanyaan itu sendiri.

Menjalankan keduanya tanpa memihak salah satunya

Pola praktis bagi tim yang mengevaluasi kedua model ini adalah bukan memilih salah satu terlebih dahulu. Keduanya berbobot terbuka dan keduanya belum terbukti oleh evaluator independen, yang berarti satu-satunya tolok ukur yang penting adalah milik Anda sendiri. Arahkan model kandidat melalui satu endpoint, jalankan jejak agen yang sama melalui keduanya, dan bandingkan pada tugas Anda, bukan pada BFCL atau SWE-bench.

OrcaRouter di sini berguna bukan sebagai host, melainkan sebagai permukaan kendali: satu kunci dan satu tagihan untuk lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0%, dan failover otomatis sehingga proses evaluasi tidak gagal hanya karena salah satu penyedia sedang bermasalah. Baik LFM3-1.7B maupun Granite 4.2 30B tidak ada di katalog kami saat ini — keduanya adalah unduhan open-weight, dan self-hosting adalah jalur untuk masing-masing. Nilai perutean terletak pada stack di sekitarnya: model frontier yang menjadi tujuan eskalasi agen Anda, atau opini kedua yang Anda bandingkan saat patch model lokal gagal dalam pengujiannya.

Siapa yang harus mengambil yang mana

Gunakan LFM3-1.7B jika agen berjalan di perangkat pengguna, jika pekerjaannya adalah pemanggilan alat dan ekstraksi terstruktur terhadap API, dan jika konteks 256K dengan jejak 1 GB adalah hal yang membuat produk ini mungkin. Terima peringatan vendor sendiri bahwa model ini bukan untuk pengodean agentic, dan simpan model yang lebih besar di belakangnya untuk kasus-kasus yang membutuhkannya.

Pilih Granite 4.2 30B jika agen menyentuh basis kode, jika Anda memerlukan Apache 2.0 dan bobot bertanda tangan untuk pengadaan, jika beban kerja mendapat manfaat dari upaya penalaran yang dapat dikonfigurasi, dan jika Anda memiliki GPU untuk menyajikannya. Kekurangan BFCL memang nyata tetapi sempit: ia mengukur kebenaran skema pada satu panggilan, dan model 30B dengan skema alat yang dirancang dengan baik menutup sebagian besar kesenjangan itu dalam praktik.

Ambil pembagiannya jika Anda membangun hal yang sama-sama dituju kedua vendor — agen lokal yang menangani panggilan alat rutin dalam ukuran gigabyte dan mengeskalasi pekerjaan berskala repositori ke server. Arsitektur itu menggunakan setiap model di area yang menurut tabel benchmark-nya sendiri merupakan kekuatannya, dan itulah satu-satunya susunan di mana sumbu-sumbu yang bersilangan berhenti menjadi masalah.

Pertanyaan yang layak diperhatikan adalah apakah resep pasca-pelatihan agentik Liquid dapat ditransfer ke checkpoint yang lebih besar. Jika model LFM di masa depan mempertahankan perilaku BFCL kelas 71,39 dan menambahkan kapasitas untuk pekerjaan repositori, pemisahan sumbu itu akan runtuh dan perbandingan ini menjadi keputusan ukuran yang lugas. Sampai saat itu, kedua model tidak bersaing untuk pekerjaan yang sama — mereka adalah dua bagian dari satu kesatuan.