LFM2.5-350M
350M端侧指令模型，官方定位数据抽取、结构化输出与工具调用，支持9种语言、函数调用与32,768 token上下文。
最后核实：
https://huggingface.co/LiquidAI/LFM2.5-350M特点与限制
主要特点
- 350M参数，16层（10个双门控卷积块＋6个GQA块），词表65,536
- 32,768 token上下文，知识截止2024年年中
- 官方称AMD CPU解码约313 tok/s、Snapdragon Gen4约188 tok/s，内存占用低于1GB（官方声明，本站未复现）
- 预训练由10T扩展至28T token并叠加多阶段强化学习，与LFM2-350M同档对照
- 官方称发布即支持llama.cpp、MLX与vLLM，另提供GGUF、ONNX、MLX与OpenVINO导出
- 支持函数调用（默认Python式调用，可切换JSON）
使用边界
- 官方明确不推荐知识密集任务与编程。
- 权重采用LFM Open License v1.0：商用权利以年收入低于1000万美元为条件（许可第5节与定义将Threshold设为10,000,000美元年收入），超过该门槛的商业使用不在该许可范围内；非营利与研究用途不受门槛限制。
- 官方benchmark中MMLU-Pro为20.01，知识密集型问答能力有限。
- 官方支持语言为9种，未列入意大利语等语种。
- 官方未披露评测的数据版本、提示模板与采样配置，成绩为发布方自测；本站未复现评测与官方速度数据。
模型信息
- 家族与版本
- LFM2.5 / 2.5
- 输入与输出
- 文本 → 文本
- 公开参数规模
- 0.35B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 官方模型卡标注350M参数（16层：10个双门控卷积块＋6个GQA块）；HF权重元数据safetensors张量参数合计354,483,968（约0.354B），与官方口径一致。纯文本模型，无视觉或音频组件。 参数来源
- 原生上下文
- 32,768 tokens
- 扩展上下文
- 未提供
- 语言声明
- 英语、阿拉伯语、中文、法语、德语、日语、韩语、葡萄牙语、西班牙语；语言支持不代表对应语言的评测水平。
- 权重许可
- LFM Open License v1.0
- 代码许可
- 未核实
- 训练资料
- 官方公开训练口径：预训练从10T扩展至28T token，并采用大规模多阶段强化学习；知识截止2024年年中。未公开训练数据清单。
能力依据
模型变体：指令版；家族与版本：LFM2.5 / 2.5
文本生成
MMLU-Pro · accuracy20.01%MMLU-Pro · enIFEval · score76.96%IFEval · enMulti-IF · score44.92%Multi-IF · multilingual查看评估与来源收起补充信息
文本生成
MMLU-Pro · accuracy20.01%MMLU-Pro · en
IFEval · score76.96%IFEval · en
Multi-IF · score44.92%Multi-IF · multilingual
可作为端侧数据抽取、结构化输出与工具调用候选：官方benchmark表报告MMLU-Pro 20.01、IFEval 76.96、Multi-IF 44.92、BFCLv3 44.11。成绩均来自发布方自测，且官方明确不推荐知识密集任务与编程。
已有依据支持
- 官方表在同一行并列LFM2-350M、Granite 4.0/4.0-H-350M、Qwen3.5-0.8B与Gemma 3 1B IT等同规模对照模型。
- 相对同档LFM2-350M在指令跟随与多语言指令上明显提升（官方表给出对照数值）。
- 官方公开训练预算、层结构与知识截止时间，能力边界较清楚。
证据限制
- 官方明确不推荐知识密集任务与编程，官方benchmark也未覆盖代码生成能力。
- MMLU-Pro 20.01，知识密集型问答能力有限。
- 官方未披露基准数据版本、提示模板与采样配置，不能与外部榜单直接横比；本站未复现任何一项基准。
MMLU-Pro · accuracy
20.01%官方报告 · Liquid AI（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-350M / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MMLU-Pro / 未提供
- 基准 / 报告版本
- 官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-350M列MMLU-Pro为20.01，同表并列LFM2-350M（19.29）、Granite 4.0-H-350M（13.14）、Qwen3.5-0.8B (Instruct)（37.42）等对照模型。官方未披露该成绩的数据版本、模型revision、提示模板、few-shot与采样配置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-350m-benchmark-table
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-350M
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡原文或基准数据自身许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的数据版本、模型revision、提示模板与评测配置，无法与统一条件下的其他成绩比较。
IFEval · score
76.96%官方报告 · Liquid AI（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-350M / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- IFEval / 未提供
- 基准 / 报告版本
- 官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-350M列IFEval为76.96，同表列出LFM2-350M（64.96）、Granite 4.0-H-350M（61.27）等对照。官方未披露该成绩的数据版本、模型revision、提示模板与strict/loose口径。本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-350m-benchmark-table
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-350M
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡原文或基准数据自身许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的数据版本、模型revision与评测配置，无法与统一条件下的其他成绩比较。
Multi-IF · score
44.92%官方报告 · Liquid AI（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-350M / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- Multi-IF / 未提供
- 基准 / 报告版本
- 官方模型卡benchmark表（未注明数据版本）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡benchmark表列出LFM2.5-350M列Multi-IF为44.92，同表列出LFM2-350M（32.92）、Gemma 3 1B IT（44.25）等对照。官方未披露该成绩的语种范围、数据版本、模型revision与提示模板。本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-350m-benchmark-table
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-350M
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡原文或基准数据自身许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的语种范围、数据版本与评测配置，无法与统一条件下的其他成绩比较。
BFCLv3 · score
44.11%官方报告 · Liquid AI（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- LiquidAI/LFM2.5-350M / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- BFCL / 未提供
- 基准 / 报告版本
- v3
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；Liquid AI官方模型卡第二张benchmark表列出LFM2.5-350M列BFCLv3为44.11，同表列出Granite 4.0-H-350M（43.07）、Qwen3.5-0.8B (Instruct)（35.08）等对照。官方未披露该成绩的数据版本、模型revision、运行配置与handler设置；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- liquid-ai / lfm2-5-350m-benchmark-table
- 来源
- https://huggingface.co/LiquidAI/LFM2.5-350M
- 来源使用说明
- 引用来源；许可：未提供；仅摘录少量评测事实并署名链接，不覆盖模型卡原文或基准数据自身许可。 查看说明
- 比较状态
- 不可比：官方benchmark表未披露该成绩的数据版本、模型revision与运行配置，无法与统一条件下的其他成绩比较。
运行条件与获取
Transformers
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；官方列出AMD CPU约313 tok/s、Snapdragon Gen4约188 tok/s与低于1GB内存占用等设备数据，属于官方声明而非本站测量，不换算为通用资源保证。
内存：未核实；显存：未核实。
依赖：transformers。
STEP 01 准备运行环境
官方快速开始使用Transformers加载，模型卡未给出本型号的具体安装命令，命令留空；本站未执行安装。
STEP 02 加载模型并生成
按官方示例用AutoModelForCausalLM以bfloat16加载LiquidAI/LFM2.5-350M，并用tokenizer.apply_chat_template应用ChatML风格模板；官方推荐生成参数temperature 0.1、top_k 50、repetition_penalty 1.05、max_new_tokens 512。本站未下载权重或运行模型。