Meta发布MobileLLM-R1系列小参数模型，端侧AI推理效率突破新高

Meta AI团队近日正式发布MobileLLM-R1系列高效推理模型，该系列包含140M、360M和950M三种参数规模的基础模型及其对应最终版本，专为数学计算、编程（Python/C++）和科学问题解决而设计。这一发布标志着小参数语言模型在性能与效率上的重大突破，为端侧AI应用开辟了新路径。

技术突破方面，950M参数版本仅使用约2T高质量token进行预训练，总训练量不足5T，却在MATH、GSM8K、MMLU和LiveCodeBench等基准测试中表现优异。与使用36T token训练的Qwen3 0.6B模型相比，其性能达到同等或更优水平。具体而言，在MATH基准测试中，该模型准确率是Olmo1.24B模型的五倍，较SmolLM21.7B模型提升两倍，编码测试成绩创下开源模型新高。

研发团队由三位华人科学家领衔，他们在模型量化、多模态学习和极低比特量化领域具有深厚造诣。技术文档显示，该系列通过创新架构设计实现轻量化与高效推理的平衡，其神经网络设计理念可能影响下一代端侧AI开发方向。

行业分析师指出，这种”降本增效”模式正在重塑AI开发范式。训练成本的大幅降低与性能的显著提升形成鲜明对比，为资源受限环境下的AI部署提供了可行方案。随着完整技术方案公开，学术界已围绕其token效率提升机制展开深入探讨。

值得注意的是，该系列属于监督微调（SFT）模型而非通用聊天模型，体现了Meta在专业化AI赛道的前瞻布局。这一技术路线选择，既满足了移动设备对高效能AI的迫切需求，也避免了与通用大模型的直接竞争。