LFM3-1.7B-Base vs Granite 4.2 3B: Ruw materiaal tegenover een afgewerkte reasoner

Een basismodel dat met een chat-template wordt geleverd, is een tegenstrijdigheid die de meeste leveranciers vermijden. LFM3-1.7B-Base, gepubliceerd op 26 oktober 2026, bevat een volledige chat-template en zet redeneren standaard aan wanneer je die toepast — toch staat op de eigen modelkaart dat het alleen wordt aanbevolen voor zware fine-tuning en dat chatverkeer elders naartoe moet. Granite 4.2 3B, IBM's Apache-2.0-redeneermodel van 25 augustus 2026, is het tegenovergestelde soort artefact: post-getraind, gebenchmarkt, drie redeneermodi, tool calling, en een modelkaart die 78,33 op AIME 2025 claimt. De interessante vraag is niet welke beter is. Het is waarom het half afgewerkte model zich gedraagt als een afgewerkt model, en wat dat je vertelt over welke je moet downloaden.Een fallbackpad mag geen meerprijs kosten. lijstprijzen Lijstprijzen van providers worden zonder opslag doorgegeven.

Het afwijkende exemplaar is het basismodel.

Liquid's beslissing om midtraining te doen op chatdata met en zonder denksporen is het detail dat deze vergelijking meer maakt dan een wedstrijd op grootte. De laatste 3,5 biljoen van de 22 biljoen pretrainingstokens van het checkpoint werden samengesteld met agentische sporen en tool calls, geformatteerd met dezelfde chattemplate als het afgestemde model gebruikt. Dat is de reden dat de baserepository überhaupt een template bevat, en waarom een naïeve aanroep van apply_chat_template een thinking-blok vóór een antwoord oplevert. Het model heeft het formaat gezien. Het is niet getraind om instructies erin te volgen.

Dat onderscheid is in de praktijk belangrijk. Een fine-tune die start vanaf LFM3-1.7B-Base erft een model dat de gespreksstructuur en de reasoning-delimiters al herkent, waardoor de gesuperviseerde fase korter wordt. Het erft geen betrouwbaarheid, weigeringsgedrag of correctheid van tool-calls. Die komen uit de post-training die je gaat doen, en dat is precies waarvoor de kaart zegt dat de checkpoint bedoeld is.

Wat Granite 4.2 3B eigenlijk is

IBM's 3B is het edge-model binnen de Granite 4.2-redeneerfamilie en is post-getraind op basis van Granite-4.1-3B-Base. Het is dense, alleen tekst en draait met een native context van 128K, uitbreidbaar tot 512K. Er worden drie redeneermodi meegeleverd — standaard volledig denken, een modus met lage inspanning en uit — plus OpenAI-compatibele tool calling en een familie kwantisatieformaten. Het draait in zes tot acht gigabyte bij bfloat16, onder de twee gigabyte bij een praktische kwantisatie, en Ollama vermeldt een granite4.2:3b-build.

De modelkaart meldt 78,33 op AIME 2025 in volledige denkmodus, 54,80 op GPQA en 69,71 op LiveCodeBench v6. Elk van die cijfers is IBM's eigen getal, gepubliceerd op de dag dat de gewichten online gingen, en geen ervan is onafhankelijk gereproduceerd. De 3B mist ook de agentische reinforcement learning die zijn 8B- en 30B-varianten wel kregen, waardoor hij geen SWE-Bench- of Terminal-Bench-scores heeft. Het is een reasoningmodel, geen agent-engine.

Wat de LFM3-checkpoint eigenlijk is

Een vooraf getraind tekstmodel met 1,73 miljard parameters en een context van 262.144 tokens, een vocabulaire van 128.000 tokens over zestien talen, en 3,46 GB bfloat16-gewichten. Vierentwintig lagen: dertien gated korte convoluties, vijf sliding-window-attentieblokken, zes volledige-attentieblokken. Ongeveer 1 GB bij 4-bit. De LFM Open License v1.0, gratis voor commercieel gebruik onder $10 miljoen jaarlijkse omzet. Twee TRL-notebooks op de kaart, één voor supervised fine-tuning op gestructureerde extractie en één voor continued pre-training op een nieuwe taal. Geen enkele benchmarktabel.

De vijf getallen die hen scheiden

• Parameters — 1.73B dense voor LFM3-1.7B-Base tegenover ongeveer 3B voor Granite 4.2 3B. Geen van beide is een mixture of experts; elke parameter wordt bij elk token gelezen.

• Pre-trainingstokens — 22 biljoen voor LFM3-1.7B-Base. Volgens IBM kreeg de Granite 4.2-familie in vijf fasen ruwweg 15 biljoen tokens te verwerken, voor een model dat bijna twee keer zo groot is. Het kleinere checkpoint kreeg meer tekst te zien.

• Context — 262.144 native tokens voor LFM3-1.7B-Base; 128K native en 512K uitgebreid voor Granite 4.2 3B. Het basismodel wint op native lengte, het getunede model wint op het plafond.

• Benchmarks — geen gepubliceerd voor LFM3-1.7B-Base. AIME 2025 78,33, GPQA 54,80 en LiveCodeBench v6 69,71 voor Granite 4.2 3B, allemaal door de leverancier opgegeven en niet gereproduceerd.

• Licentie — LFM Open License v1.0 met een omzetdrempel van $10 miljoen tegenover Apache 2.0 zonder commerciële trigger.

Waarom de template bestaat, en wat die waard is

In die eigenaardigheid schuilt een reëel technisch voordeel. Zowel continued pre-training als supervised fine-tuning vereisen dat het model het formaat herkent waarin het zal worden aangeboden. Als je start van een checkpoint dat al chatmarkering en denk-delimiters heeft gezien, besteedt de supervised fase zijn gradiëntbudget aan gedrag in plaats van aan opmaak. Granite 4.2 3B biedt je dat startpunt niet; het levert het eindgedrag, dat je vervolgens kunt specialiseren, maar de specialisatie begint bij een model dat al meningen heeft over hoe het moet antwoorden.

Dat is de afweging in één zin. LFM3-1.7B-Base geeft je een schonere lei met een vertrouwde vorm. Granite 4.2 3B geeft je een werkend redeneermodel dat je vandaag op een probleem kunt richten en, als je wilt, achteraf kunt fine-tunen — met de kanttekening dat het fine-tunen van een post-trained redeneermodel het redeneergedrag waarvoor je hebt betaald kan uithollen, tenzij de data zorgvuldig worden opgebouwd.

De budgetvraag die niemand op tafel legt

Inferentie is de goedkope kant van deze vergelijking. Beide modellen draaien op een laptop, beide kwantizeren onder de 2 GB, en op dat formaat is het verschil tussen 1,73B en 3B een kwestie van tokens per seconde in plaats van haalbaarheid. De dure kant is data. Het fine-tunen van een van beide modellen op een propriëtaire taak vereist gelabelde voorbeelden, een evaluatieset en een trainingslus, en die kosten overstijgen het verschil tussen een download van 3,46 GB en een van 6 GB ruimschoots.

Wat met grootte verandert, is hoeveel van dat budget naar capaciteit gaat die het basismodel al heeft. Een 1,73B-trunk die op 22 biljoen tokens is getraind, is een bewuste gok dat een klein model met een lange context en een brede taalmix snel een domein kan opnemen. Een 3B-redeneermodel is een gok dat algemeen redeneren met minder data naar je domein overdraagt. Geen van beide gokken wordt beslecht door de cijfers van de leverancier, omdat geen van beide leveranciers een fine-tuningresultaat heeft gepubliceerd op een taak die jou aangaat.

Zodra er een fine-tune bestaat, is de servingvraag apart. OrcaRouter's routing-DSL laat een specialist en een algemene fallback achter één aanroep zitten, en automatische failover betekent dat een time-out van een klein model het verzoek niet meeneemt. Dat is belangrijker voor een 1,73B fine-tune dan voor een groot model, omdat de faalmodus van een kleine specialist vertrouwen in het verkeerde domein is, en een fallback de goedkoopste bescherming daartegen is.

Licentie: de clausule die de adoptie door bedrijven bepaalt

Apache 2.0 is de kortste licentiediscussie bij inkoop. Granite 4.2 3B wordt eronder geleverd, zonder omzetdrempel en zonder commerciële trigger. LFM3-1.7B-Base wordt geleverd onder de LFM Open License v1.0, die gratis commercieel gebruik toestaat onder de $10 miljoen jaaromzet en daarboven een commerciële licentie vereist. Voor een zelfstandige ontwikkelaar is het verschil onzichtbaar. Voor een productteam binnen een groter bedrijf is de drempel een juridische toets die vóór de eerste trainingsrun plaatsvindt, en die kan zwaarder wegen dan een voordeel in parametertal, in beide richtingen.

Welke moet ik downloaden?

Je hebt deze week een redeneermodel nodig. Granite 4.2 3B. Het is klaar, gedocumenteerd, gekwantiseerd en klein genoeg voor een laptop. De leverancierscijfers zijn niet gereproduceerd, maar het model draait en de interface is standaard.

Je bouwt een domeinspecialist en hebt de data. LFM3-1.7B-Base. De 22 biljoen tokens tellende romp, de 256K-context en de woordenschat voor zestien talen vormen een beter uitgangspunt dan een redeneermodel dat je gedeeltelijk zou overschrijven, en het chatsjabloon betekent dat de gesuperviseerde fase begint vanuit een vertrouwd formaat.

Je hebt zowel een redeneermodel als een specialist nodig. Ze zijn geen vervangers. Granite 4.2 3B verzorgt het algemene redeneerpad; een LFM3-fine-tune verzorgt het smalle, hoogvolume pad. Beide achter één endpoint draaien is het patroon dat voorkomt dat je moet kiezen.

Wat ontbreekt er nog?

Het gat in deze vergelijking is geen getal, maar een reproductie. Granite 4.2 3B heeft leveranciersbenchmarks en geen onafhankelijke runs; LFM3-1.7B-Base heeft geen van beide. Totdat iemand het Liquid-checkpoint fine-tunet op een publieke taak en het resultaat rapporteert tegen een Granite 4.2 3B-baseline, hangt de keuze af van wat voor soort asset je wilt, niet van welk model beter presteert. De template laat het basis-checkpoint afgeronder lijken dan het is. De kaart is daar eerlijk over, en dat is het deel dat het lezen waard is vóór de download.