LFM3-1.7B-Base กับ Granite 4.2 3B: วัตถุดิบเทียบกับโมเดลให้เหตุผลที่พร้อมใช้งาน
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated2026-10-2787 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 292 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 80 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 119 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1943ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 44 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 112 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 701 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 160 tok/s
โมเดลฐานที่มาพร้อมเทมเพลตแชตเป็นความขัดแย้งที่ผู้ขายส่วนใหญ่หลีกเลี่ยง LFM3-1.7B-Base ซึ่งเผยแพร่เมื่อวันที่ 26 ตุลาคม 2026 มีเทมเพลตแชตแบบเต็มและเปิดการให้เหตุผลเป็นค่าเริ่มต้นเมื่อคุณนำไปใช้ — แต่การ์ดของมันเองระบุว่าแนะนำเฉพาะสำหรับการปรับแต่งอย่างละเอียดเชิงหนักเท่านั้น และให้ไปใช้แชตที่อื่น Granite 4.2 3B โมเดลให้เหตุผล Apache-2.0 ของ IBM จากวันที่ 25 สิงหาคม 2026 เป็นสิ่งที่ตรงกันข้าม: ผ่านการฝึกหลังการฝึก มีการวัดประสิทธิภาพ โหมดการให้เหตุผลสามโหมด การเรียกใช้เครื่องมือ และการ์ดที่อ้างว่าได้ 78.33 ใน AIME 2025 คำถามที่น่าสนใจไม่ใช่อันไหนดีกว่า แต่คือทำไมตัวที่ทำเสร็จครึ่งเดียวถึงมีพฤติกรรมเหมือนตัวที่เสร็จสมบูรณ์ และสิ่งนั้นบอกอะไรคุณเกี่ยวกับการเลือกดาวน์โหลด เส้นทางสำรองไม่ควรมีค่าใช้จ่ายพรีเมียม ราคาตามรายการ ราคาตามรายการของผู้ให้บริการส่งผ่านโดยไม่มีการบวกกำไร
ตัวที่แตกต่างออกไปคือรุ่นพื้นฐาน
การตัดสินใจของ Liquid ที่จะทำ mid-train บนข้อมูลแชตทั้งที่มีและไม่มี thinking trace คือรายละเอียดที่ทำให้การเปรียบเทียบนี้ไม่ใช่แค่การแข่งขันเรื่องขนาด โทเคน 3.5 ล้านล้านโทเคนสุดท้ายจาก 22 ล้านล้านโทเคนก่อนการฝึกของ checkpoint ได้รับการคัดสรรด้วย agentic trace และ tool call โดยจัดรูปแบบด้วย chat template เดียวกับที่โมเดลที่ผ่านการปรับแต่งใช้ นั่นคือเหตุผลว่าทำไม repository ฐานจึงมี template อยู่เลย และทำไมการเรียก apply_chat_template แบบตรง ๆ จึงสร้าง thinking block ก่อนคำตอบ โมเดลเคยเห็นรูปแบบนี้แล้ว แต่ยังไม่ได้รับการฝึกให้ปฏิบัติตามคำสั่งในรูปแบบนั้น
ความแตกต่างนี้สำคัญในทางปฏิบัติ การฟайน์จูนที่เริ่มจาก LFM3-1.7B-Base จะสืบทอดโมเดลที่recognizeโครงสร้างบทสนทนาและตัวคั่นการให้เหตุผลอยู่แล้ว ซึ่งช่วยย่นระยะของช่วง supervised ให้สั้นลง แต่ไม่ได้สืบทอดความน่าเชื่อถือ พฤติกรรมการปฏิเสธ หรือความถูกต้องของการเรียกใช้เครื่องมือ สิ่งเหล่านี้มาจาก post-training ที่คุณกำลังจะทำ ซึ่งเป็นสิ่งที่การ์ดระบุไว้อย่างชัดเจนว่าเช็กพอยต์นี้มีไว้เพื่อการนั้น
Granite 4.2 3B จริง ๆ แล้วคืออะไร
IBM's 3B เป็นสมาชิกรุ่นเล็กสุดสำหรับ edge ของตระกูลโมเดลการให้เหตุผล Granite 4.2 ซึ่งผ่านการฝึกหลังการฝึกจาก Granite-4.1-3B-Base เป็นโมเดลแบบ dense ที่รองรับเฉพาะข้อความ และทำงานที่บริบท-native 128K พร้อมขยายได้ถึง 512K มาพร้อมโหมดการให้เหตุผลสามโหมด ได้แก่ โหมดคิดเต็มรูปแบบเป็นค่าเริ่มต้น โหมดใช้ความพยายามต่ำ และโหมดปิด อีกทั้งรองรับการเรียกใช้เครื่องมือแบบเข้ากันได้กับ OpenAI และรูปแบบการควอนไทซ์หลากหลาย ใช้งานได้ในหน่วยความจำ six to eight gigabytes เมื่อใช้ bfloat16 และต่ำกว่าสอง gigabytes เมื่อใช้การควอนไทซ์ในระดับที่ใช้งานได้จริง โดย Ollama มีรายการบิลด์ granite4.2:3b
การ์ดโมเดลรายงานว่าได้ 78.33 บน AIME 2025 ในโหมดคิดเต็มรูปแบบ, 54.80 บน GPQA และ 69.71 บน LiveCodeBench v6 ตัวเลขทั้งหมดนี้เป็นตัวเลขของ IBM เอง พิมพ์ในวันที่ปล่อยน้ำหนักโมเดลขึ้นระบบ และยังไม่มีใครทำซ้ำได้โดยอิสระ รุ่น 3B ยังขาดการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ที่รุ่นพี่น้อง 8B และ 30B ได้รับ ซึ่งเป็นเหตุผลว่าทำไมจึงไม่มีคะแนน SWE-Bench หรือ Terminal-Bench มันเป็นโมเดลการให้เหตุผล ไม่ใช่เอนจินสำหรับเอเจนต์
เช็กพอยต์ LFM3 จริง ๆ แล้วคืออะไร
โมเดลข้อความที่ผ่านการฝึกมาก่อนซึ่งมีพารามิเตอร์ 1.73 พันล้านตัว มีบริบท 262,144 โทเค็น คลังคำศัพท์ 128,000 โทเค็นครอบคลุมสิบหกภาษา และน้ำหนัก bfloat16 ขนาด 3.46 GB ยี่สิบสี่เลเยอร์: การคอนโวลูชันสั้นแบบมีเกตสิบสามชั้น บล็อกแอตเทนชันแบบหน้าต่างเลื่อนห้าบล็อก และบล็อกแอตเทนชันเต็มรูปแบบหกบล็อก ประมาณ 1 GB ที่ 4 บิต สัญญาอนุญาต LFM Open License v1.0 ใช้เชิงพาณิชย์ได้ฟรีเมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ โน้ตบุ๊ก TRL สองรายการบนการ์ดโมเดล รายการหนึ่งสำหรับการปรับแต่งแบบมีผู้สอนบนการสกัดข้อมูลแบบมีโครงสร้าง และอีกรายการหนึ่งสำหรับการฝึกมาก่อนต่อเนื่องกับภาษาใหม่ ไม่มีตาราง benchmark ใด ๆ
ตัวเลขทั้งห้าที่แยกพวกเขาออกจากกัน
• พารามิเตอร์ — 1.73B แบบ dense สำหรับ LFM3-1.7B-Base เทียบกับประมาณ 3B สำหรับ Granite 4.2 3B ทั้งสองไม่ใช่แบบ mixture of experts; ทุกพารามิเตอร์ถูกอ่านในทุกโทเคน
• โทเค็นก่อนการฝึก — 22 ล้านล้านสำหรับ LFM3-1.7B-Base IBM ระบุว่าตระกูล Granite 4.2 มีประมาณ 15 ล้านล้านตลอดห้าระยะ สำหรับโมเดลที่มีขนาดเกือบสองเท่า เช็กพอยต์ที่เล็กกว่าได้รับข้อความมากกว่า
• บริบท — 262,144 โทเคนแบบเนทีฟสำหรับ LFM3-1.7B-Base; แบบเนทีฟ 128K และแบบขยาย 512K สำหรับ Granite 4.2 3B โมเดลฐานชนะในด้านความยาวแบบเนทีฟ ส่วนโมเดลที่ปรับแต่งแล้วชนะในด้านขีดสูงสุด
• เกณฑ์มาตรฐาน — ไม่มีการเผยแพร่ผลสำหรับ LFM3-1.7B-Base โดย AIME 2025 78.33, GPQA 54.80 และ LiveCodeBench v6 69.71 สำหรับ Granite 4.2 3B ทั้งหมดเป็นข้อมูลที่ผู้จำหน่ายรายงานและยังไม่มีการตรวจสอบซ้ำ
• สัญญาอนุญาต — LFM Open License v1.0 พร้อมเกณฑ์รายได้ 10 ล้านดอลลาร์ เทียบกับ Apache 2.0 ที่ไม่มีเงื่อนไขเชิงพาณิชย์
ทำไมเทมเพลตนี้จึงมีอยู่ และมันมีคุณค่าเพียงใด
มีประโยชน์ทางวิศวกรรมที่แท้จริงซ่อนอยู่ในความแปลกประหลาดนี้ การฝึกล่วงหน้าแบบต่อเนื่องและการปรับละเอียดแบบมีผู้สอนต่างก็ต้องการให้โมเดลรู้จักรูปแบบที่จะถูกให้บริการStarting from a checkpoint ที่เคยเห็นมาร์กอัปแชตและตัวคั่นการคิดมาแล้ว หมายความว่าเฟสแบบมีผู้สอนจะใช้งบประมาณเกรเดียนต์ไปกับพฤติกรรมแทนที่จะเป็นรูปแบบ Granite 4.2 3B ไม่ได้ให้จุดเริ่มต้นนั้นแก่คุณ แต่ให้พฤติกรรมที่เสร็จสมบูรณ์แล้ว ซึ่งคุณสามารถปรับให้เชี่ยวชาญเฉพาะทางได้ในภายหลัง แต่การปรับให้เชี่ยวชาญเฉพาะทางนั้นเริ่มจากโมเดลที่มีความเห็นอยู่แล้วเกี่ยวกับวิธีตอบ
นั่นคือข้อแลกเปลี่ยนในประโยคเดียว LFM3-1.7B-Base มอบจุดเริ่มต้นที่สะอาดกว่าในโครงสร้างที่คุ้นเคย Granite 4.2 3B มอบตัวให้เหตุผลที่ใช้งานได้จริง ซึ่งคุณชี้ไปที่ปัญหาได้ตั้งแต่วันนี้ และหากต้องการก็ไฟน์จูนต่อภายหลังได้ — โดยมีข้อควรระวังว่า การไฟน์จูนโมเดลให้เหตุผลที่ผ่านการฝึกหลังแล้วอาจกัดกร่อนพฤติกรรมการให้เหตุผลที่คุณลงทุนแลกมา เว้นแต่จะสร้างข้อมูลอย่างระมัดระวัง
คำถามเรื่องงบประมาณที่ไม่มีใครยกขึ้นมาพูดถึง
การอนุมาน (inference) เป็นด้านที่ถูกกว่าในการเปรียบเทียบนี้ ทั้งสองโมเดลรันบนแล็ปท็อปได้ ทั้งคู่ควอนไทซ์เหลือต่ำกว่า 2 GB และที่ขนาดนั้น ความแตกต่างระหว่าง 1.73B กับ 3B เป็นเรื่องของจำนวนโทเคนต่อวินาที มากกว่าความเป็นไปได้ในการใช้งาน ด้านที่แพงคือข้อมูล การปรับแต่งโมเดลใดโมเดลหนึ่ง (fine-tuning) สำหรับงานเฉพาะทางที่เป็นกรรมสิทธิ์ ต้องใช้ตัวอย่างที่ติดป้ายกำกับ ชุดประเมินผล และลูปการฝึก และค่าใช้จ่ายนั้นมากกว่าความแตกต่างระหว่างไฟล์ดาวน์โหลดขนาด 3.46 GB กับ 6 GB อย่างเทียบกันไม่ติด
สิ่งที่เปลี่ยนไปตามขนาดคือสัดส่วนของงบประมาณนั้นที่ถูกใช้ไปกับความสามารถที่โมเดลฐานมีอยู่แล้ว โมเดลแกนหลักขนาด 1.73B ที่ฝึกบนโทเคน 22 ล้านล้านโทเคนเป็นการเดิมพันโดยเจตนาว่าโมเดลขนาดเล็กที่มีบริบท длин? Wait no Thai only. Need ensure not accidental Russian. Let's final.
เมื่อมี fine-tune อยู่แล้ว คำถามเรื่องการให้บริการก็แยกออกมาเป็นอีกเรื่องหนึ่ง ในส่วนของ OrcaRouter นั้นDSL การกำหนดเส้นทางช่วยให้ผู้เชี่ยวชาญเฉพาะทางและตัวสำรองทั่วไปอยู่เบื้องหลังการเรียกครั้งเดียว และการสลับไปยังตัวสำรองอัตโนมัติหมายความว่าโมเดลขนาดเล็กที่หมดเวลาจะไม่ทำให้คำขอหายไปด้วย สิ่งนี้สำคัญกว่าสำหรับ fine-tune ขนาด 1.73B มากกว่าโมเดลขนาดใหญ่ เพราะรูปแบบความล้มเหลวของผู้เชี่ยวชาญขนาดเล็กคือการมั่นใจในโดเมนที่ผิด และตัวสำรองคือแนวป้องกันที่ถูกที่สุดสำหรับเรื่องนี้
สัญญาอนุญาต: ข้อกำหนดที่ชี้ขาดการนำไปใช้ในองค์กร
Apache 2.0 คือบทสนทนาเรื่องสัญญาอนุญาตที่สั้นที่สุดในกระบวนการจัดซื้อ Granite 4.2 3B เผยแพร่ภายใต้สัญญานี้ โดยไม่มีเกณฑ์รายได้และไม่มีเงื่อนไขกระตุ้นเชิงพาณิชย์ LFM3-1.7B-Base เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งให้สิทธิ์ใช้งานเชิงพาณิชย์ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ และต้องมีสัญญาอนุญาตเชิงพาณิชย์เมื่อเกินกว่านั้น สำหรับนักพัฒนาอิสระ ความแตกต่างนี้แทบมองไม่เห็น สำหรับทีมผลิตภัณฑ์ในบริษัทขนาดใหญ่ เกณฑ์นี้คือการตรวจสอบทางกฎหมายที่เกิดขึ้นก่อนการรันฝึกโมเดลครั้งแรก และอาจมีน้ำหนักมากกว่าข้อได้เปรียบด้านจำนวนพารามิเตอร์ไม่ว่าจะไปในทิศทางใด
ควรดาวน์โหลดอันไหน
คุณต้องมีโมเดลที่ให้เหตุผลในสัปดาห์นี้ Granite 4.2 3B เสร็จสมบูรณ์แล้ว มีเอกสารประกอบ ถูกควอนไทซ์ และเล็กพอสำหรับแล็ปท็อป ตัวเลขจากผู้ขายยังไม่ได้รับการทำซ้ำ แต่โมเดลทำงานได้และอินเทอร์เฟซเป็นมาตรฐาน
คุณกำลังสร้างผู้เชี่ยวชาญเฉพาะด้านและมีข้อมูลอยู่แล้ว LFM3-1.7B-Base แกนหลักที่มี 22 ล้านล้านโทเค็น บริบท 256K และคำศัพท์ 16 ภาษา ถือเป็นจุดเริ่มต้นที่ดีกว่าการใช้โมเดลการให้เหตุผลที่คุณจะเขียนทับบางส่วน และเทมเพลตแชตหมายความว่าช่วงการเรียนรู้แบบมีผู้สอนจะเริ่มจากรูปแบบที่คุ้นเคย
คุณต้องมีทั้งโมเดลที่คิดวิเคราะห์และผู้เชี่ยวชาญเฉพาะทาง ทั้งสองไม่ใช่สิ่งทดแทนกัน Granite 4.2 3B ดูแลเส้นทางการให้เหตุผลทั่วไป ส่วน LFM3 ที่ผ่านการไฟน์ทูนดูแลเส้นทางเฉพาะแคบที่มีปริมาณสูง การรันทั้งสองไว้เบื้องหลังเอนด์พอยต์เดียวคือรูปแบบที่ช่วยหลีกเลี่ยงการต้องเลือก
ยังขาดอะไรอีก
ช่องว่างในการเปรียบเทียบนี้ไม่ใช่ตัวเลข แต่คือการทำผลให้重现ได้ Granite 4.2 3B มี benchmark จากผู้ขายและไม่มีการรันทดสอบอิสระ ส่วน LFM3-1.7B-Base ไม่มีทั้งสองอย่าง จนกว่าจะมีคน fine-tune checkpoint ของ Liquid บนงานสาธารณะและรายงานผลเทียบกับ baseline ของ Granite 4.2 3B ทางเลือกนี้จะขึ้นอยู่กับว่าคุณต้องการสินทรัพย์แบบไหน มากกว่าว่าโมเดลไหนทำงานได้ดีกว่า template ทำให้ base checkpoint ดูสมบูรณ์กว่าที่เป็นจริง การ์ดโมเดลซื่อสัตย์ในเรื่องนั้น และนั่นคือส่วนที่ควรอ่านก่อนดาวน์โหลด
