创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

社区对比七款紧凑语言模型

AI 总结

一篇社区帖子对比了七款参数量在1.92B至9B之间的紧凑语言模型,涵盖规格、上下文长度、模态、许可证和基准测试结果。比较对象包括K2-Horizon-7B、Granite 4.2-8B、Qwen3.5-9B、MiMo-V2.6-Distill-Qwen-9B、LFM2.5-8B-A1B、Gemma 4 E4B和LFM3-VL-2B。作者指出,这些分数均由实验室报告,采用不同评测框架的结果不宜直接比较。

深度见解

该帖汇总了多款紧凑模型的规格和基准声明,为比较提供了便利起点;但由于分数来自实验室且使用了不同的评测框架,解读时仍需谨慎。

Scores are lab-reported so take them with a grain of salt.

Specs

ModelOrgParams (total/active)ContextModalityLicense
K2-Horizon-7BIFM7B dense512KtextApache-2.0
Granite 4.2-8BIBM8B dense (thinking)128K (512K ext.)textApache-2.0
Qwen3.5-9BQwen9B hybrid (delta-net, thinking)262K (~1M ext.)text + vision + videoApache-2.0
MiMo-V2.6-Distill-Qwen-9BXiaomi9B (SFT of Qwen3.5-9B)~262K (base)text + vision (visual coding)MIT
LFM2.5-8B-A1BLiquid8.3B / 1.5B active MoE128KtextLFM 1.0
Gemma 4 E4BGoogle4.5B effective / 8B total (PLE)128Ktext + image + audioApache-2.0
LFM3-VL-2BLiquid1.92B (1.73B backbone, thinking)128Ktext + image + videoLFM 1.0

Text benchmarks

Superscripts: a = K2 card (IFM harness), b = Liquid harness, c = MiMo card (Xiaomi harness); no mark = own card; e = from LFM3-1.7B, the text backbone; d/† = MiMo avg@3 / internal set. Bold = best in row (cross-harness caveat applies).

部分来源内容未展示,可前往原文继续阅读。

#K2-Horizon-7B#Granite 4.2-8B#Qwen3.5-9B#MiMo-V2.6-Distill-Qwen-9B#LFM2.5-8B-A1B#Gemma 4 E4B#LFM3-VL-2B#IFM#IBM#Xiaomi#Liquid#Google

原文约 2 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。