LFM3-1.7B

LFM3-1.7B 属于 liquid 系列，从命名看是这一家族中参数规模较小的一档，输入输出均为纯文本，未开放权重，只能通过 API 调用。它要解决的问题很明确：在 262144 tokens 的长上下文窗口下，把每次调用的成本压到极低——输入 0.08 美元/百万 tokens、输出 0.2 美元/百万 tokens、缓存读 0.02 美元/百万 tokens，单次最大输出 8192 tokens。能力面覆盖推理、工具调用、结构化输出与温度调节，说明它的使用方式偏向嵌入现有系统流程，而不是做长对话闲聊。目前该模型被 3 家平台收录，报价并不完全一致；本站未收录其公开跑分，能力只能做定性判断。适合把「长输入、短输出、高频次」作为主要形态的工程场景，例如长文档抽取、日志归类、把自然语言指令转换成固定 JSON 结构等。

选型建议需要超长上下文、输出格式固定且预算敏感时选它；任务涉及高难度推理、需要本地部署或必须看跑分背书时，应另作选择。

• 把长篇合同或报告整篇送入，抽取关键条款并输出固定字段的 JSON 结果
• 在 Agent 流程中承担工具调用与参数生成，把自然语言指令转成可执行的函数入参
• 对大批量客服对话或工单做分类、打标与摘要，利用低输入单价控制总成本
• 作为长上下文检索的预处理层，先粗筛再交给更大模型做深度推理

官方未披露网络结构、注意力机制与训练细节，公开资料较少，只能从命名与能力清单做定性判断。

• 结构型号带 1.7B 后缀，指向较小的参数规模，适合以低单价承载高并发调用；具体层数、注意力实现与位置编码方案未在可用资料中说明。
• 能力支持工具调用与结构化输出，配合温度调节，可把输出约束成固定字段格式，便于直接接入函数调用链或数据管道。
• 披露未开放权重，架构与训练数据不可核查；本站也未收录该模型的第三方跑分，结构层面的比较只能停留在家族归属与规模档位。

开源权重

否

模型家族

liquid

缺少公开跑分，性能只能从上下文规格与能力清单做定性推断，不宜与有榜单成绩的模型直接对位。

• 强项262144 tokens 上下文配合较低输入单价，长提示、长文档整篇送进去的成本压力小，缓存读价格进一步压低重复提示的开销。
• 短板小参数规模通常在复杂多步推理、长链数学与代码生成上弱于大模型；单次输出上限 8192 tokens，超长续写需要多次调用拼接。
• 适合输入重、输出轻、格式要求明确的任务，比通用大模型更划算；需要高难度推理时，把它当预处理或分流层更合理。

定价处于同类中的低价区间，输入与输出分开计价，缓存读另设更低单价，成本结构适合以长输入为主的调用形态。

• 定位输入 0.08 美元/百万 tokens、输出 0.2 美元/百万 tokens、缓存读 0.02 美元/百万 tokens，输出价约为输入价的 2.5 倍，鼓励少输出、精输出的用法。
• 横向对比Nex-N2.5-Mini 输入价比它低约 68.8%，是最直接的降价替代；Nemotron 3 Nano 30B A3B 输入便宜约 25% 但输出更贵；Glimpse 输入价高出约 650%。
• 平台差价models.dev 与其 kilo 入口报价一致，Nano-GPT 的输入、输出、缓存读三项均高出 25%，同一模型在不同渠道的实际账单会不同。
• 省钱反复使用同一段长系统提示时走缓存读，单价只有常规输入的约四分之一；把输出控制在必要字段内，也能明显压低整体费用。

同一个模型在不同网关的报价可能不同。本页基准取官方口径 $0.08/M / $0.2/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径本站未收录该模型的公开跑分，任何性能描述都只是基于规格与能力清单的定性判断，选型前应自行做小样本验证。
• 边界未开放权重，无法本地部署或微调，数据必须经第三方平台；单次输出 8192 tokens 的上限也限制了长文一次性生成。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。