Llama 3.2 1B Instruct
2623°
Meta | 60,000 token context | $0.03/M input, $0.20/M output。Llama 3.2 1B 是一个拥有 10 亿参数的语言模型，专注于高效执行自然语言任务，如摘要、对话和多语言文本分析。其较小的规模使其能够在资源有限的环境中高效运行，同时保持强劲的任务表现。支持八种核心语言并可微调以支持更多语言，Llama 1.3B 非常适合寻求轻量但强大 AI 解决方案的企业或开发者，能够在多语言多样化环境中运行，而无需大型模型的高计算需求。点击此处查看原始模型卡Opens in new tab。使用本模型需遵守 Meta 的可接受使用政策Opens in new tab。
本模型的指南
Ollama 与 LM Studio（2026）：选择哪个本地 AI 应用，以及各自支持的顶级模型
按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型
本地AI到底需要多少显存？
什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）
船长笔记
2026-10-13 的笔记
Llama 3.2 1B Instruct 是 Meta 最小的 Llama 3.2 文本模型，拥有 10 亿参数，权重开源可下载并本地运行。支持八种语言，适合资源有限的硬件，API 费用极低。若需要快速、廉价的摘要、对话或轻量多语言模型，且不要求深度推理，值得考虑。
以……著称
- 可在资源有限的硬件上运行，大模型无法适配的场景。
- 开箱支持八种核心语言，可微调支持更多。
- 开源权重：可下载、自托管或量化。
- API 定价是功能型指令模型中最便宜之一。
- 在同类规模中摘要和对话表现稳健。
注意
- 10 亿参数限制了复杂推理、编码和多步骤任务能力。
- 使用受 Meta 可接受使用政策约束，非完全开源许可。
- 6 万令牌上下文足够但不及长上下文模型。
推荐尝试的提示词
总结支持线程
以下是一段客户支持邮件线程。请用三句话总结客户的核心问题、尝试过的解决方案及当前状态。保持事实和简洁。线程内容：客户报告账户因三次登录失败被锁定。支持团队重置密码两次，但锁定问题依旧。问题未解决，已升级至安全团队。
翻译并简化
将以下英文段落翻译成法语，然后用更简单的语言重写法语版本，适合无技术背景的普通读者。段落内容：认证服务通过旋转密钥库验证持有者令牌，拒绝任何签名不匹配当前或前一个密钥的令牌。
轻量对话代理
你是小型牙科诊所的前台助理。患者发消息说：“你好，我需要将周四的洗牙预约改到下周某个上午时间。另外，洗牙前需要做什么特别准备吗？”请自然回复，确认能帮忙的事项，并简短回答问题。
与……比较
- Llama 3.2 3B Instruct开源权重模型131,072 令牌上下文 · $0.05/M 输入，$0.33/M 输出
- Llama 3.1 70B Instruct开源权重模型131,072 令牌上下文 · $0.40/M 输入，$0.40/M 输出
- Llama Guard 4 12B开源权重模型163,840 令牌上下文 · $0.18/M 输入，$0.18/M 输出
- Llama 3.3 70B Instruct开源权重模型131,072 令牌上下文 · $0.10/M 输入，$0.32/M 输出
来自 meta-llama 的更多文本模型
常见问题
- 我可以本地运行 Llama 3.2 1B 吗？
- 可以，权重开源并在 Hugging Face 上提供。10 亿参数是最容易本地运行的模型之一，包括仅 CPU 和适度内存的机器。
- 费用和上下文窗口是多少？
- API 费用为每百万输入令牌 0.03 美元，输出令牌 0.20 美元，支持 60,000 令牌上下文窗口。
- 1B 与同系列的 3B 有何区别？
- 1B 更小、更快、更便宜，适合边缘部署和高频轻量任务；3B 在语言细节处理上更有余地，资源成本略高。
船长评语当硬件或预算有限且任务简单时的合适选择——不要指望它做复杂推理。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Llama 3.2 1B Instruct 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153