LFM3-1.7B-Base vs Granite 4.2 3B: materia prima contro un ragionatore finito

Un modello base che viene distribuito con un template chat è una contraddizione che la maggior parte dei fornitori evita. LFM3-1.7B-Base, pubblicato il 26 ottobre 2026, contiene un template chat completo e attiva il ragionamento per impostazione predefinita quando lo si applica — eppure la sua stessa scheda dice che è consigliato solo per un fine-tuning intensivo e indirizza il traffico chat altrove. Granite 4.2 3B, il modello di reasoning Apache-2.0 di IBM del 25 agosto 2026, è il tipo opposto di artefatto: post-addestrato, sottoposto a benchmark, tre modalità di reasoning, tool calling e una scheda che dichiara 78,33 su AIME 2025. La domanda interessante non è quale sia migliore. È perché quello incompleto si comporti come uno finito, e cosa questo ti dice su quale scaricare. Un percorso di fallback non dovrebbe comportare un sovrapprezzo. prezzi di listino I prezzi di listino dei fornitori vengono applicati senza ricarico.

Quello diverso è il modello base.

La decisione di Liquid di effettuare un addestramento intermedio su dati di chat con e senza tracce di ragionamento è il dettaglio che rende questo confronto più di una gara di dimensioni. Gli ultimi 3,5 trilioni dei 22 trilioni di token di pre-addestramento del checkpoint sono stati curati con tracce agentiche e chiamate agli strumenti, formattati con lo stesso template di chat usato dal modello ottimizzato. È per questo che il repository di base contiene un template, e per questo che una chiamata ingenua ad apply_chat_template produce un blocco di ragionamento prima di una risposta. Il modello ha visto il formato. Non è stato addestrato a seguire istruzioni al suo interno.

Questa distinzione conta in pratica. Un fine-tuning che parte da LFM3-1.7B-Base eredita un modello che riconosce già la struttura della conversazione e i delimitatori del ragionamento, il che accorcia la fase supervisionata. Non eredita affidabilità, comportamento di rifiuto o correttezza delle chiamate agli strumenti. Questi derivano dal post-training che stai per eseguire, che è esattamente ciò a cui la card dice che serve il checkpoint.

Che cos'è realmente Granite 4.2 3B

Il 3B di IBM è il membro edge della famiglia di reasoning Granite 4.2, post-addestrato da Granite-4.1-3B-Base. È denso, solo testo e opera con un contesto nativo di 128K con estensione a 512K. Include tre modalità di ragionamento — pensiero completo per impostazione predefinita, una modalità a basso sforzo e disattivata — oltre al tool calling compatibile con OpenAI e una famiglia di formati di quantizzazione. Richiede dai sei agli otto gigabyte in bfloat16, meno di due gigabyte con una quantizzazione pratica, e Ollama elenca una build granite4.2:3b.

La scheda riporta 78,33 su AIME 2025 in modalità di pensiero completo, 54,80 su GPQA e 69,71 su LiveCodeBench v6. Ognuno di questi è un numero di IBM, pubblicato il giorno in cui i pesi sono stati resi disponibili, e nessuno è stato riprodotto in modo indipendente. Il 3B manca anche dell'apprendimento per rinforzo agentico ricevuto dai suoi fratelli 8B e 30B, motivo per cui non riporta punteggi SWE-Bench o Terminal-Bench. È un modello di ragionamento, non un motore agente.

Che cos'è in realtà il checkpoint LFM3

Un modello di testo pre-addestrato {{1}}da 1,73 miliardi di parametri{{/1}} con {{2}}un contesto di 262.144 token{{/2}}, un {{3}}vocabolario di 128.000 token in sedici lingue{{/3}}, e {{4}}3,46 GB di pesi bfloat16{{/4}}. {{5}}Ventiquattro livelli{{/5}}: {{6}}tredici convoluzioni corte con gating{{/6}}, {{7}}cinque blocchi di attenzione a finestra scorrevole{{/7}}, {{8}}sei blocchi di attenzione completa{{/8}}. Circa {{9}}1 GB a 4 bit{{/9}}. La {{10}}LFM Open License v1.0{{/10}}, gratuita per uso commerciale sotto {{11}}10 milioni di dollari di fatturato annuo{{/11}}. {{12}}Due notebook TRL sulla scheda{{/12}}, uno per {{13}}il fine-tuning supervisionato sull'estrazione strutturata{{/13}} e uno per {{14}}il pre-addestramento continuato su una nuova lingua{{/14}}. {{15}}Nessuna tabella di benchmark di alcun tipo{{/15}}.

I cinque numeri che li separano

• Parametri — 1,73B densi per LFM3-1.7B-Base contro circa 3B per Granite 4.2 3B. Nessuno dei due è una miscela di esperti; ogni parametro viene letto su ogni token.

• Token di pre-addestramento — 22 trilioni per LFM3-1.7B-Base. IBM afferma che la famiglia Granite 4.2 ha visto circa 15 trilioni in cinque fasi, per un modello grande quasi il doppio. Il checkpoint più piccolo ha visto più testo.

• Contesto — 262.144 token nativi per LFM3-1.7B-Base; 128K nativi e 512K estesi per Granite 4.2 3B. Il modello base vince sulla lunghezza nativa, il modello ottimizzato vince sul tetto massimo.

• Benchmark — nessuno pubblicato per LFM3-1.7B-Base. AIME 2025 78,33, GPQA 54,80 e LiveCodeBench v6 69,71 per Granite 4.2 3B, tutti dichiarati dal fornitore e non riprodotti.

• Licenza — LFM Open License v1.0 con una soglia di ricavi di 10 milioni di dollari rispetto ad Apache 2.0 senza trigger commerciale.

Perché il template esiste e quanto vale

C'è un vero vantaggio ingegneristico nascosto in questa stranezza. La preformazione continua e il fine-tuning supervisionato richiedono entrambi che il modello riconosca il formato con cui verrà servito. Partire da un checkpoint che ha già visto il markup della chat e i delimitatori di ragionamento significa che la fase supervisionata spende il proprio budget di gradiente sul comportamento anziché sulla formattazione. Granite 4.2 3B non offre quel punto di partenza; offre il comportamento finito, che poi puoi specializzare, ma la specializzazione parte da un modello che ha già le proprie opinioni su come rispondere.

Questo è il compromesso in una frase. LFM3-1.7B-Base ti offre una base più pulita con una struttura familiare. Granite 4.2 3B ti offre un modello di ragionamento funzionante su cui puoi puntare subito per un problema e, se vuoi, fine-tunare in seguito — con l'avvertenza che il fine-tuning di un modello di ragionamento post-addestrato può erodere il comportamento di ragionamento che hai pagato, a meno che i dati non siano costruiti con attenzione.

La domanda sul budget che nessuno mette sul tavolo

L'inferenza è il lato economico di questo confronto. Entrambi i modelli girano su un laptop, entrambi si quantizzano sotto i 2 GB e, a quella dimensione, la differenza tra 1,73B e 3B è una questione di token al secondo più che di fattibilità. Il lato costoso sono i dati. Il fine-tuning di uno dei due modelli su un compito proprietario richiede esempi etichettati, un set di valutazione e un ciclo di addestramento, e questo costo oscura la differenza tra un download da 3,46 GB e uno da 6 GB.

Ciò che cambia con le dimensioni è quanta parte di quel budget viene destinata a capacità che il modello base possiede già. Un trunk da 1,73B addestrato su 22 trilioni di token è una scommessa deliberata che un modello piccolo con un contesto lungo e una miscela linguistica ampia possa assorbire rapidamente un dominio. Un modello di reasoning da 3B è una scommessa che il reasoning generale si trasferisca al tuo dominio con meno dati. Nessuna delle due scommesse è risolta dai numeri del fornitore, perché nessuno dei due fornitori ha pubblicato un risultato di fine-tuning su un'attività che ti interessa.

Una volta che esiste un fine-tune, la questione del serving è separata. Il DSL di routing di OrcaRouter consente a uno specialista e a un fallback generale di stare dietro un'unica chiamata, e il failover automatico fa sì che il timeout di un modello piccolo non porti con sé la richiesta. Questo conta più per un fine-tune da 1,73B che per un modello grande, perché la modalità di errore di uno specialista piccolo è la sicurezza nel dominio sbagliato, e un fallback è la difesa più economica contro di essa.

Licenza: la clausola che decide l'adozione enterprise

Apache 2.0 è la conversazione sulla licenza più breve in ambito procurement. Granite 4.2 3B viene distribuito con questa licenza, senza soglie di fatturato e senza trigger commerciali. LFM3-1.7B-Base viene distribuito con la LFM Open License v1.0, che concede l'uso commerciale gratuito al di sotto di 10 milioni di dollari di fatturato annuo e richiede una licenza commerciale al di sopra di tale soglia. Per uno sviluppatore indipendente la differenza è invisibile. Per un team di prodotto all'interno di un'azienda più grande, la soglia rappresenta una revisione legale che avviene prima del primo ciclo di training e può pesare più di un vantaggio nel numero di parametri, in entrambe le direzioni.

Quale scaricare

Hai bisogno di un modello di ragionamento questa settimana. Granite 4.2 3B. È finito, documentato, quantizzato e abbastanza piccolo per un laptop. I numeri del fornitore non sono stati riprodotti, ma il modello funziona e l'interfaccia è standard.

Stai costruendo uno specialista di dominio e hai i dati. LFM3-1.7B-Base. Il tronco da 22 trilioni di token, la finestra di contesto da 256K e il vocabolario in sedici lingue sono un punto di partenza migliore rispetto a un modello di ragionamento che finiresti in parte per sovrascrivere, e il template di chat fa sì che la fase supervisionata parta da un formato familiare.

Hai bisogno sia di un motore di ragionamento che di uno specialista. Non sono sostituti. Granite 4.2 3B gestisce il percorso di ragionamento generale; un fine-tune di LFM3 gestisce il percorso ristretto e ad alto volume. Eseguire entrambi dietro un unico endpoint è il pattern che evita di dover scegliere.

Cosa manca ancora

Il divario in questo confronto non è un numero, è una riproduzione. Granite 4.2 3B dispone di benchmark del fornitore ma di nessuna esecuzione indipendente; LFM3-1.7B-Base non ha né gli uni né le altre. Finché qualcuno non esegue il fine-tuning del checkpoint Liquid su un task pubblico e riporta il risultato rispetto a una baseline Granite 4.2 3B, la scelta si basa sul tipo di asset che si desidera, più che su quale modello offra prestazioni migliori. Il template fa sembrare il checkpoint di base più rifinito di quanto sia. La scheda è onesta al riguardo, ed è la parte che vale la pena leggere prima del download.