LFM2.5-230M

ondersteunt llama.cpp, MLX, vLLM en ONNX

“met ondersteuning voor llama.cpp, MLX, vLLM en ONNX”

is open-weight en beschikbaar op Hugging Face

“Het model is open-weight: je kunt het downloaden, finetunen en zelf uitrollen, en het staat klaar op Hugging Face”

haalt op Samsung Galaxy S25 Ultra ongeveer 213 tokens per seconde

“op een Samsung Galaxy S25 Ultra zo'n 213 tokens per seconde”

spreekt tien talen, waaronder Engels, Duits, Frans en Spaans

“spreekt tien talen, waaronder Engels, Duits, Frans en Spaans”

heeft contextvenster van 32K

“heeft een contextvenster van 32K”

is getraind op 19 biljoen tokens

“Het model is getraind op 19 biljoen tokens”

gebruikt LFM2-architectuur met acht convolutieblokken en zes aandachtsblokken, veertien lagen

“acht convolutieblokken en zes aandachtsblokken, samen veertien lagen”

is gebouwd voor data-extractie, het aanroepen van tools en lichte agent-workflows

“Het is gebouwd voor data-extractie, het aanroepen van tools en lichte agent-workflows.”

scoort op MMLU-Pro 20,25

“Op de kennistest MMLU-Pro scoort het 20,25”

heeft hogere IFEval-score dan IBM's Granite 4.0-350M en Gemma 3 1B

“hoger dan IBM's Granite 4.0-350M en Gemma 3 1B”

haalt op IFEval 71,71

“op instructies volgen (IFEval) haalt het 71,71”

scoort op BFCLv3 43,26

“Op functie-aanroepen (BFCLv3) staat het op 43,26”

scoort op CaseReportBench 22,51

“Op CaseReportBench scoort het model 22,51”

verslaat op concrete taken modellen die vier keer zo groot zijn

“verslaat op een paar concrete taken modellen die vier keer zo groot zijn”

draait op Raspberry Pi 5

“op een Raspberry Pi 5 haalt het model ongeveer 42 tokens per seconde”

heeft 230 miljoen parameters

“LFM2.5-230M heeft 230 miljoen parameters”