Liquid-LFM-1.2B 评测：1.2B 端侧王，<1GB 内存

查看模型详情 →

结论：推荐

优点

✓ 1.2B 却在多项 benchmark 超 Qwen3-1.7B / Llama-3.2-1B：MMLU-Pro 44.35、GPQA 38.89、IFEval 86.23（Ollama 官方）
✓ 极致内存效率：4-bit 量化 <1GB（AMD Ryzen AI Max+ 395 上 Q4_0 仅 853MB）
✓ 推理极快：AMD CPU decode 239 tok/s、移动 NPU 82 tok/s，全框架支持（llama.cpp/MLX/vLLM/ONNX）
✓ LFM Open License：年营收 < $10M 可免费商用（Liquid AI 官方 license）
✓ 32K 上下文 + 工具调用/函数调用/结构化输出，有 Thinking 版强化数学（AIME25 31.73）

缺点

✗ 官方明确不推荐知识密集型任务和编程
✗ License 有 $10M 年营收门槛（非纯 Apache-2.0），大企业需购商业授权
✗ 1.2B 绝对能力天花板低，复杂推理/代码远逊 7B+
✗ 中文等非英语优化非最优（日语有专用版，其他公开资料未明确）

适合场景：端侧 / 边缘部署（手机、IoT、车载、嵌入式）、低延迟 Agent 与工具调用流水线（BFCLv3 49.12）、RAG 与数据提取（官方推荐场景）、本地隐私优先的轻量对话与指令跟随

本文基于公开资料综述（智谱 / Kimi / DeepSeek 3 家 AI 采集交叉，2026-07-21），非实机测试。

① 公开证据综合

Liquid AI 2026-01 发布 LFM2.5-1.2B（1.17B），基于 LFM2 架构扩展，训练数据 10T→28T tokens，多阶段 RL 后训练（Ollama 官方 / MarkTechPost）。1B-2B 区间领先：MMLU-Pro 44.35（Qwen3-1.7B 42.91、Llama-3.2-1B 20.80）、GPQA 38.89、IFEval 86.23、BFCLv3 49.12——指令跟随 + 工具调用优势显著。官方明确不推荐知识密集型/编程任务。

Thinking 版（2026-01 推理版）：MATH-500 87.96、AIME25 31.73、GSM8K 85.60（强化数学逻辑，增延迟）。

② 与同类模型横评

vs Qwen3-1.7B：LFM 指令跟随（IFEval 86.23 vs 73.68）+ 工具调用（BFCLv3 49.12 vs 46.30）+ 内存（853MB vs 1306MB）占优；Qwen3-1.7B 中文/多语言生态更优
vs Llama-3.2-1B：LFM 各项碾压（MMLU-Pro 44.35 vs 20.80）

③ 本地部署建议与 verdict

能不能本地跑？能，且非常适合端侧。 4-bit < 1GB 内存/显存，可在智能手机（Snapdragon 8 Elite 720MB）、树莓派、车载 ECU 运行。Day-one 支持 llama.cpp / MLX / vLLM / ONNX Runtime，Ollama + LM Studio 上架。推理速度：AMD Ryzen AI Max+ 395 prefill 5049 tok/s、decode 239 tok/s；移动 NPU 82 tok/s。

Verdict：recommend（推荐）。 LFM2.5-1.2B 是当前 1B-2B 区间最具竞争力的端侧模型——极小内存 footprint（<1GB）实现超更大参数的 benchmark，完整工具调用 + 32K 上下文。个人开发者、中小企业、边缘设备厂商、隐私敏感场景性价比极高。注意：①年营收 > $10M 需商业授权；②编程/深度知识任务选更大模型；③中文复杂任务先行验证。