LFM3-1.7B กับ Granite 4.2 30B: สองโมเดลเอเจนต์ที่แยกผลตัดสินตามแกน

วาง LFM3-1.7B และ Granite 4.2 30B ไว้ในหน้าเดียวกัน แล้วค่าเฉลี่ยรวมจะชี้ไปในทิศทางตรงกันข้าม ขึ้นอยู่กับว่าคุณอ่านแถวไหน บน Berkeley Function Calling Leaderboard V4 โมเดลขนาด 1.73 พันล้านพารามิเตอร์ของ Liquid AI ได้ 71.39 เทียบกับ 61.39 ของ IBM — ชนะสิบจุดด้วยโมเดลที่เล็กกว่าประมาณสิบเจ็ดเท่า บน SWE-bench Verified Granite ได้ 57.00 เทียบกับ 43.40 ของ LFM3-1.7B ซึ่งเป็นชัยชนะ 13.6 จุดในทิศทางตรงกันข้าม การกำหนดเส้นทางไม่ได้เพิ่มส่วนต่างให้กับราคาตามรายการของผู้ให้บริการ ราคาตามรายการของผู้ให้บริการส่งผ่านโดยมี มาร์กอัป 0%.

โมเดลทั้งสองถูกสร้างมาเพื่อเอเจนต์ ทั้งคู่เปิดตัวห่างกันไม่ถึงสองเดือนในปี 2026 และทั้งสองผู้ขายเผยแพร่เบนช์มาร์กที่ทับซ้อนกันมากพอจนทำให้เกิดการเปรียบเทียบจริงได้ ไม่ใช่แค่การนำผลมาปะติดปะต่อกัน สิ่งนี้ทำให้เป็นการจับคู่ที่หาได้ยาก ซึ่งคำถามที่น่าสนใจไม่ใช่โมเดลไหนดีกว่า แต่เป็นมิติใดที่ภาระงานของคุณอยู่บนนั้นจริง ๆ งานน้อยมากที่ต้องการทั้งคะแนน BFCL 71 และคะแนน SWE-bench 57 และงานที่ต้องการทั้งสองอย่างก็ไม่ได้รับการตอบโจทย์อย่างดีจากโมเดลใดโมเดลหนึ่งเพียงลำพัง

ตัวเลขสองตัวที่ตัดกัน

Granite 4.2 30B เปิดตัวเมื่อวันที่ 25 สิงหาคม 2026 ภายใต้ Apache 2.0 เป็นโมเดล dense ขนาดประมาณ 30B ที่สร้างบนฐาน Granite 4.1 30B และฝึกด้วยข้อมูลประมาณ 15 ล้านล้านโทเคน การนำเสนอของ IBM มุ่งเน้นกลุ่มองค์กร ได้แก่ โหมดการคิดที่กำหนดค่าได้สามโหมด การเรียกใช้เครื่องมือแบบเนทีฟตามสคีมาของ OpenAI ภาษาที่ผ่านการทดสอบสิบสองภาษา และไปป์ไลน์การฝึกอบรมสามขั้นตอนซึ่งสิ้นสุดด้วยการเรียนรู้แบบเสริมกำลัง GRPO แบบหลายระยะ

LFM3-1.7B มาถึงในอีกสองเดือนถัดมา โดยประกาศเมื่อวันที่ 27 ตุลาคม 2026 และผ่านการ post-train เฉพาะกับ agentic harness — Liquid ระบุชื่อ Hermes Agent, PI และ OpenClaw ไว้ในโมเดลการ์ด เป็นโมเดล dense ขนาด 1.73B ที่มีคอนเท็กซ์ 256K และถูกวางตำแหน่งอย่างชัดเจนสำหรับเอเจนต์ภายในเครื่องและการเรียกใช้เครื่องมือ มากกว่าการให้เหตุผลทั่วไป

การที่ผล benchmark ตัดกันไม่ใช่ความบังเอิญจากตัวเลขที่อ่อนเพียงค่าเดียว ตารางที่เผยแพร่ทั้งหมดของ LFM3-1.7B เอนไปทางสายเอเจนต์: BFCL V4 71.39, ToolSandbox 80.36, τ³-bench 68.01, LiveClaw 45.60, WebArena-Verified 38.42 ตารางของ Granite เอนไปทางวิศวกรรม: SWE-bench Verified 57.00, SWE-bench Pro 33.29, SWE-bench Multilingual 41.89, SciCode 38.76, TerminalBench 2.1 29.24 ผู้จำหน่ายแต่ละรายปรับแต่งให้เหมาะกับนิยามของ "เอเจนต์" ที่แตกต่างกัน และตาราง benchmark ก็สื่อตรงไปตรงมาว่าเป็นแบบไหน

τ³ ที่ 68.01 เทียบกับ 68.05 ต่างหากคือพาดหัวข่าวตัวจริง

ภายใต้ช่องว่างอันน่าตื่นเต้นสองช่องนั้น กลับเป็นการแข่งขันที่สูสีกันอย่างยิ่ง บน τ³-bench ซึ่งเป็นการประเมินการใช้เครื่องมือที่วัดความสำเร็จของงานแบบหลายรอบด้วยตัวจำลองผู้ใช้และนโยบายเฉพาะโดเมน LFM3-1.7B ได้คะแนน 68.01 และ Granite 4.2 30B ได้คะแนน 68.05 — ต่างกันเพียงสี่ในร้อยของจุด ซึ่งแยกออกจากสัญญาณรบกวนไม่ได้

นี่เป็นผลลัพธ์ที่น่าสนใจกว่าช่องว่างใหญ่ทั้งสองช่อง เพราะ τ³ เป็นเกณฑ์มาตรฐานที่ใกล้เคียงกับสิ่งที่การติดตั้งใช้งานเอเจนต์ส่วนใหญ่ทำจริงมากที่สุด: การสนทนา การปฏิบัติตามนโยบาย การเรียกฟังก์ชันที่ถูกต้อง และการกู้คืนจากข้อผิดพลาด หากโมเดลขนาด 1.73B เสมอกับโมเดล dense ขนาด 30B ในจุดนี้ จำนวนพารามิเตอร์ก็กำลังซื้อสิ่งอื่นที่ไม่ใช่ความสามารถในการใช้เครื่องมือหลายรอบอย่าง competent

สิ่งที่ได้มาปรากฏใน BFCL และ SWE-bench ซึ่งวัดคนละอย่างกัน BFCL V4 ทดสอบความถูกต้องของการเรียกฟังก์ชันแบบเทิร์นเดียวเทียบกับสคีมา — 71.39 ของ LFM3-1.7B ชี้ว่า post-training ของ Liquid บน agent harness จริงให้ผลตอบแทนโดยตรง SWE-bench Verified ทดสอบการซ่อม issue จริงบน GitHub แบบครบวงจร ซึ่งต้องเก็บ repository ไว้ในบริบท วางแผนข้ามไฟล์ และสร้างแพตช์ที่ผ่านการทดสอบ — 57.00 ของ Granite สะท้อนโมเดลที่มีความสามารถทำสิ่งนั้นได้และมีชุดฝึกที่สร้างมาเพื่อสิ่งนี้

ดังนั้นการแบ่งแยกนี้จึงเห็นได้ชัดเจน โมเดลขนาดเล็กที่ได้รับการฝึกมาอย่างดีกับสคีมาของเครื่องมือ: ชนะการทดสอบการเรียกฟังก์ชัน โมเดลขนาดใหญ่ที่ฝึกกับการซ่อมโค้ด: ชนะการทดสอบคลังโค้ด เสมอกันในพื้นที่ตรงกลางแบบหลายรอบที่ทั้งสองได้รับการฝึกมาโดยเฉพาะ

บริบทคือจุดที่สเปกแตกต่างกันมากที่สุด

• บริบท — 262,144 โทเค็นสำหรับ LFM3-1.7B; 128K แบบเนทีฟสำหรับ Granite 4.2 30B ขยายได้ถึง 512K การขยายไม่ได้มาฟรี และ IBM ตรงไปตรงมาว่าเป็นการขยาย ไม่ใช่หน้าต่างแบบเนทีฟ

• ความสามารถในการรักษาบริบทระยะยาว — 65.56 บน RULER ที่ 128K สำหรับ LFM3-1.7B เทียบกับ 81.4 สำหรับ Granite 4.2 30B ในกลุ่มชุดเกณฑ์มาตรฐานเดียวกัน โมเดลที่ใหญ่กว่าสามารถเก็บรักษาเนื้อหาของเอกสารยาวได้มากกว่า ซึ่งตรงกันข้ามกับสิ่งที่ตัวเลขบริบทในพาดหัวชี้ให้เห็น

• ขนาดหน่วยความจำ — ประมาณ 1 GB ที่ 4-bit เทียบกับน้ำหนัก BF16 ประมาณ 30B พร้อมบิลด์ FP8, NVFP4 และ MXFP4 อย่างเป็นทางการ นี่คือโมเดลสำหรับ GPU เดียว ไม่ใช่โมเดลสำหรับแล็ปท็อป

• ภาษา — สิบหกภาษาสำหรับ LFM3-1.7B เทียบกับสิบสองภาษาที่ทดสอบสำหรับ Granite โดยมีความทับซ้อนของภาษาที่แตกต่างกัน สิบสองภาษาของ Granite ได้แก่ เช็กและดัตช์ ส่วนของ Liquid ได้แก่ ไทย เวียดนาม และอินโดนีเซีย

• โหมดการคิด — Granite 4.2 30B มาพร้อมโหมดเต็ม โหมดใช้ความพยายามต่ำ และโหมดไม่คิด ส่วน LFM3-1.7B ไม่มีอินเทอร์เฟซแบบนั้น และการ์ดของโมเดลระบุว่าตั้งแต่แรกไม่ได้ถูกออกแบบมาสำหรับการให้เหตุผลหลายขั้นตอนที่ซับซ้อน

• สัญญาอนุญาต — Apache 2.0 สำหรับ Granite เทียบกับ LFM Open License v1.0 ซึ่งใช้งานได้ฟรีเมื่อมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ และต้องมีสัญญาอนุญาตเชิงพาณิชย์เมื่อมีรายได้เกินกว่านั้น

อะไรคือต้นทุนของ 30B dense ที่ 1.73B ไม่มี

Granite 4.2 30B เป็นโมเดลแบบ dense ซึ่งหมายความว่าพารามิเตอร์ทั้งหมดสามหมื่นล้านตัวทำงานในทุกโทเค็น ไม่มีส่วนลดสำหรับพารามิเตอร์ที่ใช้งานอยู่ในกรณีนี้ ต้นทุนการคำนวณต่อโทเค็นสูงกว่าของโมเดลเล็กประมาณสิบเจ็ดเท่า และต้นทุนหน่วยความจำคือไฟล์น้ำหนักเต็มรูปแบบ IBM มีการเผยแพร่การควอนไทซ์เพื่อให้ใช้งานได้จริง แต่ไม่มีคอนฟิกูเรชันใดที่มันจะรันบนโทรศัพท์ได้

ข้อได้เปรียบของ LFM3-1.7B ไม่ได้อยู่ที่ความเร็วเป็นหลัก แต่คือโมเดลนี้พอดีกับงบหน่วยความจำเดียวกับส่วนอื่น ๆ ของแอปพลิเคชันของคุณ โมเดลขนาด 1 GB เหลือพื้นที่ให้กับที่เก็บเอกสาร แคช และโมเดลที่สองบนอุปกรณ์เดียวกัน — ซึ่งเป็นสิ่งที่ทำให้เอเจนต์โลคอลเป็นไปได้จริง ไม่ใช่แค่ในทางทฤษฎี Liquid รายงานว่าการถอดรหัสเร็วกว่ารุ่นก่อน 1.8 ถึง 2.8 เท่าบนฮาร์ดแวร์ที่ทดสอบ และ KV cache ขนาด 1.6 GB ที่ 128K ซึ่งทั้งสองอย่างมีความสำคัญสำหรับเอเจนต์บนอุปกรณ์ที่ต้องสนทนายาว

สิ่งที่ถ่วงดุลคือความจุ 30B ของ Granite กำลังสร้างความแตกต่างจริงในตัวเลข SWE-bench หากงานของเอเจนต์ของคุณคือการเปลี่ยนโค้ดทั่วทั้งรีโพซิทอรี ช่องว่าง 13.6 จุดไม่ใช่สิ่งที่โมเดลที่เล็กกว่าจะชดเชยได้ผ่านการพรอมป์ต์ และการประหยัดคอมพิวต์แลกมาด้วยผลลัพธ์ที่แย่ลง

การอนุญาตให้ใช้สิทธิ การลงนาม และประเด็นการจัดซื้อจัดจ้าง

Apache 2.0 คือเหตุผลที่องค์กรขนาดใหญ่สามารถนำ Granite 4.2 30B ไปใช้ได้โดยไม่ต้องผ่านการตรวจสอบทางกฎหมาย ไม่มีเกณฑ์รายได้ ไม่มีเงื่อนไขเชิงพาณิชย์ และไม่มีการเจรจาต่อรอง IBM ยังลงนามทางคริปโตกราฟีในโมเดล Granite ที่เผยแพร่ตั้งแต่เดือนเมษายน 2026 ซึ่งฟังดูเหมือนเป็นรายละเอียดเล็ก ๆ จนกว่าคุณจะเป็นคนที่ต้องพิสูจน์ว่าน้ำหนักที่ใช้งานจริงในโปรดักชันคือน้ำหนักที่ผ่านการตรวจสอบแล้ว

Liquid's LFM Open License v1.0 เป็นสัญญาอนุญาตที่เปิดกว้างอย่างแท้จริงในระดับสตาร์ทอัพ — ใช้ฟรีสำหรับการใช้งานเชิงพาณิชย์เมื่อรายได้ต่อปีต่ำกว่า $10 million — แต่เมื่อเกินเส้นนั้นขึ้นไป จำเป็นต้องมีสัญญาอนุญาตเชิงพาณิชย์แบบเสียค่าใช้จ่าย สำหรับนักพัฒนารายบุคคลหรือทีมเล็ก ๆ นี่ไม่ใช่ประเด็นปัญหา สำหรับหน่วยธุรกิจภายในบริษัทขนาดใหญ่ มันเป็นการหารือที่เริ่มต้นก่อนการปรับใช้ครั้งแรก และอาจไม่จบลงอย่างรวดเร็ว ความไม่สมดุลนี้ไม่สะท้อนอยู่ใน benchmark ใด ๆ และมักตัดสินคำถามนี้ได้ด้วยตัวมันเอง

ทำทั้งสองอย่างโดยไม่ลงเดิมพันฝ่ายใดฝ่ายหนึ่ง

รูปแบบการปฏิบัติจริงสำหรับทีมที่กำลังประเมินสองตัวนี้ ไม่ใช่การเลือกตัวใดตัวหนึ่งก่อน ทั้งสองเป็นโมเดลแบบโอเพนเวตและทั้งคู่ยังไม่ได้รับการพิสูจน์โดยผู้ประเมินอิสระ ซึ่งหมายความว่าเกณฑ์มาตรฐานเดียวที่สำคัญคือของคุณเอง ให้ส่งโมเดลผู้สมัครผ่านปลายทางเดียว รัน agent traces ชุดเดียวกันผ่านทั้งสอง แล้วเปรียบเทียบจากงานของคุณ ไม่ใช่จาก BFCL หรือ SWE-bench

OrcaRouter มีประโยชน์ในที่นี้ในฐานะพื้นผิวควบคุมมากกว่าจะเป็นโฮสต์: คีย์เดียวและบิลเดียวครอบคลุมโมเดลมากกว่า 200 รุ่น โดยราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยไม่บวกกำไรเลย (0%) และมีระบบ failover อัตโนมัติ เพื่อให้การรันประเมินผลไม่ล่มเพียงเพราะผู้ให้บริการรายหนึ่งมีช่วงเวลาที่มีปัญหา ทั้ง LFM3-1.7B และ Granite 4.2 30B ยังไม่มีในแคตตาล็อกของเราในวันนี้ — ทั้งคู่เป็นดาวน์โหลดแบบ open-weight และการโฮสต์เองคือเส้นทางสำหรับแต่ละรุ่น จุดที่การจัดเส้นทางพิสูจน์คุณค่าของมันคือสแต็กโดยรอบ: โมเดล frontier ที่เอเจนต์ของคุณยกระดับไปใช้ หรือความเห็นที่สองที่คุณใช้เปรียบเทียบเมื่อแพตช์ของโมเดลโลคัลไม่ผ่านการทดสอบ

ใครควรรับอันไหน

เลือก LFM3-1.7B หากเอเจนต์ทำงานบนอุปกรณ์ของผู้ใช้ หากงานคือการเรียกใช้เครื่องมือและการดึงข้อมูลแบบมีโครงสร้างกับ API และหากบริบทขนาด 256K ที่ใช้หน่วยความจำ 1 GB คือสิ่งที่ทำให้ผลิตภัณฑ์นี้เป็นไปได้ ยอมรับคำเตือนของผู้จำหน่ายเองว่าไม่เหมาะสำหรับการเขียนโค้ดแบบเอเจนต์ และมีโมเดลที่ใหญ่กว่าไว้เป็นตัวสำรองสำหรับกรณีที่จำเป็นต้องใช้

เลือก Granite 4.2 30B หากเอเจนต์ต้องเข้าไปแตะโค้ดเบส หากคุณต้องการ Apache 2.0 และเวตที่ลงนามรับรองแล้วสำหรับการจัดซื้อจัดจ้าง หากปริมาณงานได้ประโยชน์จากความพยายามในการคิดที่ปรับแต่งได้ และหากคุณมี GPU ไว้ให้บริการมัน ข้อด้อยด้าน BFCL นั้นมีอยู่จริงแต่แคบ: มันวัดความถูกต้องของสคีมาในการเรียกเพียงครั้งเดียว และโมเดลขนาด 30B ที่มีสคีมาเครื่องมือซึ่งออกแบบมาอย่างดีจะปิดช่องว่างนั้นได้มากในทางปฏิบัติ

เลือกใช้การแบ่งงานแบบนี้ หากคุณกำลังสร้างสิ่งที่ผู้ขายทั้งสองรายต่างมุ่งเป้าไปที่ — เอเจนต์โลคัลที่จัดการการเรียกเครื่องมือตามปกติได้ภายในหนึ่งกิกะไบต์ และส่งงานระดับรีโพซิทอรีไปยังเซิร์ฟเวอร์ สถาปัตยกรรมนี้ใช้แต่ละโมเดลในจุดที่ตาราง benchmark ของโมเดลนั้นระบุว่ามีจุดแข็ง และเป็นเพียงการจัดวางแบบเดียวที่ทำให้แกนที่ไขว้กันไม่เป็นปัญหาอีกต่อไป

คำถามที่ควรจับตาคือสูตรการฝึกหลังการฝึกแบบเอเจนต์ของ Liquid จะถ่ายโอนไปยังเช็กพอยต์ที่ใหญ่ขึ้นได้หรือไม่ หากโมเดล LFM ในอนาคตคงพฤติกรรม BFCL ระดับ 71.39 ไว้ได้และเพิ่มความสามารถสำหรับงานกับรีโพซิทอรี การแยกตามแกนจะยุบลง และการเปรียบเทียบนี้จะกลายเป็นการตัดสินใจเรื่องขนาดอย่างตรงไปตรงมา จนถึงตอนนั้น โมเดลทั้งสองไม่ได้แข่งขันกันในงานเดียวกัน แต่เป็นสองครึ่งของสิ่งเดียวกัน