BenchLeader

Llama 3.2 1B Instruct

质量第 335 / 339 名
30.6Index
后四分之一
较中位数 −19.6
价格第 10 / 255 名
$0.071每百万 token
最便宜的 10%
中位数的 0.1 倍
速度第 66 / 216 名
111token/秒
高于中位数
中位数的 1.4 倍
性价比第 15 / 255 名
431.0分/$
前 10%
中位数的 7.8 倍

性价比更高: Gemma 4 E4B $0.040/M 即可获得 Index 43.2,便宜 44%。

有 9 个更便宜的已排名模型得分更高:Qwen3.5-4B (46.7, $0.060)、Gemma 4 E4B (43.2, $0.040)、Qwen2.5 7B Instruct (39.8, $0.050),另有 6 个。

截至 2026年11月16日,Llama 3.2 1B Instruct(Meta)在 BenchLeader Index 上得分 30.6(共 608 个已排名配置)。表现最好的是智能体与工具(28),最弱的是推理(21)。API 价格为输入每百万 token $0.027、输出每百万 token $0.201(按 3:1 混合为 $0.071),为 2026年11月16日的标价。输出速度约为 110 token/秒(OpenRouter)。发布于 2024年9月24日。

要点(截至 2026年11月16日)

  • Llama 3.2 1B Instruct 的 API 价格为输入每百万 token $0.027、输出每百万 token $0.201(按 3:1 混合为 $0.071)(标价,2026年11月16日)。
  • Llama 3.2 1B Instruct 的输出速度约为 110 token/秒(OpenRouter,2026年11月16日)。
  • Llama 3.2 1B Instruct 于 2024年9月24日发布(Meta)。

详细说明:Llama 3.2 1B Instruct 是 Meta 的开放权重模型,发布于 2024年9月24日。其最佳配置在 BenchLeader Index 上得分 30.6 ±2.3,在 608 个配置中排第 604 名,处于下半区。关键在于这个“±”:另有 31 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,智能体与工具得分最高(28),推理最低(21)。按混合价格计,每百万 token $0.071,属于已排名模型中最便宜的五分之一。输出速度为 111 token/秒,首 token 延迟 0.2 秒,比大多数模型快。最近一次测量:2026年11月11日。

混合价格
$0.071/M
输入 $0.027 · 输出 $0.201
来源:OpenRouter
输出速度
111 tok/s
OpenRouter 流量,7 天中位数;Artificial Analysis 尚未测量
首次回答
0.23 s
上下文
128k
来源:Artificial Analysis
单任务成本
–
单任务 token 数
–
发布日期
2024年9月24日
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index31
  2. 推理21
  3. 编程23
  4. 智能体与工具28
  5. 数学26
  6. 指令遵循28
  7. 人类偏好22
  8. 长上下文26

嵌入这个排名

更多徽章样式
[![Llama 3.2 1B Instruct on BenchLeader: 综合第 327 名](https://www.benchleader.com/badge/llama-3-2-1b.svg?style=compact)](https://www.benchleader.com/models/llama-3-2-1b)

粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。

Meta 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

Index 走势

2026年9月8日 至 2026年11月16日
283135

Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。

基准测试结果

查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。

推理

基准测试默认来源趋势
GPQA Diamond23.9%#299Epoch AI Benchmarking Hub
Arena Hard Prompts1115#364Arena (LMArena)
GPQA Diamond (AA)不计入 Index19.6%#564Artificial Analysis
Humanity's Last Exam (AA)不计入 Index5.5%#450Artificial Analysis
CritPt不计入 Index0.0%#337Artificial Analysis
Arena Expert不计入 Index1083#339Arena (LMArena)

编程

基准测试默认来源趋势
Arena Coding1149#359Arena (LMArena)
LiveCodeBench (AA)不计入 Index1.9%#303Artificial Analysis

智能体与工具

数学

基准测试默认来源趋势
OTIS Mock AIME0.6%#284Epoch AI Benchmarking Hub
Arena Maths1124#335Arena (LMArena)
AIME 2025 (AA)不计入 Index0.0%#252Artificial Analysis

指令遵循

基准测试默认来源趋势
IFBench22.8%#408Artificial Analysis
Arena Instruction Following不计入 Index1086#365Arena (LMArena)

人类偏好

基准测试默认来源趋势
Arena Text1111#367Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index200#125EQ-Bench
Arena Creative Writing不计入 Index1082#364Arena (LMArena)
Arena Multi-turn不计入 Index1076#358Arena (LMArena)
Arena Longer Queries不计入 Index1103#356Arena (LMArena)

长上下文

基准测试默认来源趋势
AA-LCR v1.16.7%#504Artificial Analysis

综合

基准测试默认来源趋势
AA Intelligence Index v4.3.2不计入 Index4.8#628Artificial Analysis
AA Progress Index v1不计入 Index92.4#637Artificial Analysis

API 价格:在哪里调用

通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。

提供商速度首 token输入 $/M输出 $/M上下文量化
Cloudflare133 tok/s0.26 s$0.027$0.20160k–

一项任务的成本

根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存。未计入推理 token。

工作负载输入 / 输出 token成本使用缓存耗时
聊天回复400 / 300$0.0001–2.9 s
总结一份 30 页的报告12,000 / 600$0.0004–5.6 s
代码编辑6,000 / 1,500$0.0005–13.7 s
智能体编程会话60,000 / 4,000$0.0024–36.3 s
结构化信息提取2,000 / 200$0.0001–2.0 s

Meta 的更多模型

本月新上线

另请参阅

嵌入或引用

在模型卡片或 README 中展示 Llama 3.2 1B Instruct 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。

[![Llama 3.2 1B Instruct on BenchLeader: 综合第 327 名](https://www.benchleader.com/badge/llama-3-2-1b.svg)](https://www.benchleader.com/models/llama-3-2-1b)

引用本页

排名每天都会变化,因此引用时需注明数据日期。APA 格式:

BenchLeader. (2026, November 16). Llama 3.2 1B Instruct on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/llama-3-2-1b

BibTeX:

@misc{benchleader_llama_3_2_1b_20261116,
  author       = {{BenchLeader}},
  title        = {{Llama 3.2 1B Instruct on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/llama-3-2-1b}},
  note         = {Data as of 2026-11-16}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

常见问题

Llama 3.2 1B Instruct 的基准测试得分是多少?
截至 2026年11月16日,Llama 3.2 1B Instruct 的 BenchLeader Index 为 30.6 ±2.3。最强的是智能体与工具(28),最弱的是推理(21)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
Llama 3.2 1B Instruct 排名第几?
截至 2026年11月16日,Llama 3.2 1B Instruct 在 608 个已排名配置中排第 604 名。另有 31 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
Llama 3.2 1B Instruct 每百万 token 的价格是多少?
截至 2026年11月16日,Llama 3.2 1B Instruct 的价格为输入每百万 token $0.027、输出每百万 token $0.201,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $0.071。
Llama 3.2 1B Instruct 是什么时候发布的?
Meta 于 2024年9月24日发布了 Llama 3.2 1B Instruct。

数据截至 2026年11月16日。 与其他模型对比

引用格式:BenchLeader,《Llama 3.2 1B Instruct:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/llama-3-2-1b。