LFM3-1.7B-Base vs Granite 4.2 3B: Råmaterial mot en färdig resonerare

En basmodell som levereras med en chattmall är en självmotsägelse som de flesta leverantörer undviker. LFM3-1.7B-Base, publicerad den 26 oktober 2026, innehåller en fullständig chattmall och aktiverar resonemang som standard när du tillämpar den – men dess eget kort säger att den endast rekommenderas för tung finjustering och hänvisar chattrafik någon annanstans. Granite 4.2 3B, IBMs Apache-2.0-resonemangsmodell från den 25 augusti 2026, är den motsatta sortens artefakt: eftertränad, benchmarkad, tre resonemangslägen, verktygsanrop och ett kort som hävdar 78,33 på AIME 2025. Den intressanta frågan är inte vilken som är bättre. Det är varför den halvfärdiga beter sig som en färdig, och vad det säger dig om vilken du bör ladda ner. En reservväg bör inte kosta extra. listpriser Leverantörers listpriser förs vidare utan påslag.

Den udda är basmodellen.

Liquids beslut att mitträna på chattdata med och utan tankespår är detaljen som gör den här jämförelsen till mer än en fråga om storlek. De sista 3,5 biljonerna av checkpointens 22 biljoner förträningstokens curaterades med agentiska spår och verktygsanrop, formaterade med samma chattmall som den finjusterade modellen använder. Det är därför basarkivet över huvud taget innehåller en mall, och därför ett naivt anrop till apply_chat_template producerar ett tankeblock före ett svar. Modellen har sett formatet. Den har inte tränats att följa instruktioner i det.

Den distinktionen spelar roll i praktiken. En finjustering som utgår från LFM3-1.7B-Base ärver en modell som redan känner igen samtalsstrukturen och resonemangsavgränsarna, vilket förkortar den övervakade fasen. Den ärver inte tillförlitlighet, vägransbeteende eller korrekthet i verktygsanrop. De kommer från den efterträning du är på väg att göra, vilket är precis vad kortet säger att checkpointen är till för.

Vad Granite 4.2 3B egentligen är

IBM:s 3B är den minsta medlemmen i Granite 4.2-resonemangsfamiljen och är eftertränad från Granite-4.1-3B-Base. Den är en dense-modell, enbart textbaserad och körs med 128K inbyggd kontext med utökning till 512K. Tre resonemangslägen medföljer – fullt tänkande som standard, ett lågarbetsläge och av – plus OpenAI-kompatibelt verktygsanrop och en familj kvantiseringsformat. Den körs i sex till åtta gigabyte i bfloat16, under två gigabyte vid en praktisk kvantisering, och Ollama listar en granite4.2:3b-bygge.

Modellkortet rapporterar 78,33 på AIME 2025 i fullt tänkläge, 54,80 på GPQA och 69,71 på LiveCodeBench v6. Vart och ett av dessa är IBMs eget nummer, publicerat samma dag som vikterna lades upp, och inget av dem har oberoende reproducerats. 3B saknar också den agentiska förstärkningsinlärningen som dess 8B- och 30B-syskon fick, vilket är anledningen till att den inte har några SWE-Bench- eller Terminal-Bench-resultat. Det är en resonemangsmodell, inte en agentmotor.

Vad LFM3-kontrollpunkten faktiskt är

En förtränad textmodell med 1,73 miljarder parametrar, en kontext på 262 144 tokens, ett ordförråd på 128 000 tokens över sexton språk och 3,46 GB bfloat16-vikter. Tjugofyra lager: tretton gated short convolutions, fem attentionblock med glidande fönster, sex full-attention-block. Cirka 1 GB i 4-bit. LFM Open License v1.0, gratis för kommersiell användning under 10 miljoner USD i årlig intäkt. Två TRL-notebooks på kortet, en för övervakad finjustering på strukturerad extrahering och en för fortsatt förträning på ett nytt språk. Ingen resultattabell av något slag.

De fem siffrorna som skiljer dem åt

• Parametrar — 1,73B dense för LFM3-1.7B-Base mot ungefär 3B för Granite 4.2 3B. Ingen av dem är en blandning av experter; varje parameter läses för varje token.

• Förträningstokens — 22 biljoner för LFM3-1.7B-Base. IBM uppger att Granite 4.2-familjen såg ungefär 15 biljoner över fem faser, för en modell nästan dubbelt så stor. Den mindre checkpointen såg mer text.

• Kontext — 262 144 inbyggda tokens för LFM3-1.7B-Base; 128K inbyggda och 512K utökade för Granite 4.2 3B. Basmodellen vinner på inbyggd längd, den finjusterade modellen vinner på maxgränsen.

• Prestandamätningar — inga publicerade för LFM3-1.7B-Base. AIME 2025 78,33, GPQA 54,80 och LiveCodeBench v6 69,71 för Granite 4.2 3B, alla rapporterade av leverantören och inte reproducerade.

• Licens — LFM Open License v1.0 med en intäktsgräns på 10 miljoner USD jämfört med Apache 2.0 utan kommersiell utlösare.

Varför mallen finns, och vad den är värd

Det finns en verklig ingenjörsmässig fördel gömd i det egendomliga. Fortsatt förträning och övervakad finjustering behöver båda att modellen känner igen det format som den kommer att användas i. Att utgå från en checkpoint som redan har sett chattmarkeringar och tänkandedelimiterare innebär att den övervakade fasen lägger sin gradientbudget på beteende i stället för på formatering. Granite 4.2 3B ger dig inte den utgångspunkten; den ger dig det färdiga beteendet, som du sedan kan specialisera, men specialiseringen utgår från en modell som redan har åsikter om hur man svarar.

Det är avvägningen i en mening. LFM3-1.7B-Base ger dig en renare utgångspunkt med en välbekant form. Granite 4.2 3B ger dig en fungerande resonerare som du kan rikta mot ett problem idag och, om du vill, finjustera efteråt — med förbehållet att finjustering av en eftertränad resonerande modell kan urholka det resonemangsbeteende du betalade för om inte datan byggs noggrant.

Budgetfrågan som ingen lägger på bordet

Inferens är den billiga sidan av den här jämförelsen. Båda modellerna körs på en laptop, båda kvantiseras under 2 GB, och i den storleken är skillnaden mellan 1,73B och 3B en fråga om tokens per sekund snarare än genomförbarhet. Den dyra sidan är data. Finjustering av endera modellen för en proprietär uppgift kräver märkta exempel, en utvärderingsmängd och en träningsloop, och den kostnaden överstiger med råge skillnaden mellan en nedladdning på 3,46 GB och en på 6 GB.

Det som förändras med storleken är hur stor del av den budgeten som går till förmåga som basmodellen redan har. En trunk på 1,73B tränad på 22 biljoner tokens är en medveten satsning på att en liten modell med lång kontext och en bred språkmix snabbt kan ta till sig en domän. En resonemangsmodell på 3B är en satsning på att allmänt resonemang överförs till din domän med mindre data. Ingen av satsningarna avgörs av leverantörens siffror, eftersom ingen av leverantörerna har publicerat ett finjusteringsresultat på en uppgift som du bryr dig om.

När en finjustering väl finns är serveringsfrågan separat. OrcaRouters routing-DSL låter en specialist och en generell reservlösning ligga bakom ett enda anrop, och automatisk failover innebär att en liten modell som får timeout inte tar förfrågan med sig. Det spelar större roll för en finjustering på 1,73B än för en stor modell, eftersom felmoden hos en liten specialist är att vara säker i fel domän, och en reservlösning är det billigaste skyddet mot det.

Licens: klausulen som avgör företagens införande

Apache 2.0 är den kortaste licensdiskussionen inom inköp. Granite 4.2 3B levereras under den, utan intäktsgräns och utan kommersiell utlösare. LFM3-1.7B-Base levereras under LFM Open License v1.0, som medger gratis kommersiell användning under 10 miljoner USD i årlig intäkt och kräver en kommersiell licens över den nivån. För en oberoende utvecklare är skillnaden osynlig. För ett produktteam inom ett större företag är tröskeln en juridisk granskning som sker före den första träningskörningen, och den kan väga tyngre än en fördel i parameterantal åt endera hållet.

Vilken ska man ladda ner

Du behöver en resonemangsmodell den här veckan. Granite 4.2 3B. Den är färdig, dokumenterad, kvantiserad och tillräckligt liten för en bärbar dator. Leverantörens siffror har inte reproducerats, men modellen körs och gränssnittet är standard.

Du bygger en domänspecialist och har data. LFM3-1.7B-Base. Stommen på 22 biljoner token, kontextfönstret på 256K och ordförrådet för sexton språk är en bättre utgångspunkt än en resonemangsmodell som du delvis skulle skriva över, och chattmallen innebär att den övervakade fasen börjar i ett bekant format.

Du behöver både en resonerare och en specialist. De är inte utbytbara. Granite 4.2 3B hanterar den allmänna resonemangsvägen; en LFM3-fintrimning hanterar den smala vägen med hög volym. Att köra båda bakom en och samma endpoint är mönstret som undviker att behöva välja.

Vad saknas fortfarande

Gapet i den här jämförelsen är inte en siffra, det är en reproduktion. Granite 4.2 3B har leverantörsbenchmark och inga oberoende körningar; LFM3-1.7B-Base har inget av dem. Tills någon finjusterar Liquid-checkpointen på en offentlig uppgift och rapporterar resultatet mot en Granite 4.2 3B-baslinje, vilar valet på vilken typ av tillgång du vill ha snarare än vilken modell som presterar bättre. Mallen får bascheckpointen att se mer färdig ut än den är. Kortet är ärligt om det, och det är den del som är värd att läsa före nedladdningen.