Meta AI 近期正式发布了 MobileLLM-R1 系列轻量级边缘推理模型，这一创新成果已在 Hugging Face 平台公开发布。该系列模型参数规模覆盖从 140M 到 950M 的广泛区间，其核心设计理念聚焦于高效执行数学运算、编码任务以及科学推理，令人惊喜的是，即便在参数总量不足 10 亿的条件下，依然实现了令人瞩目的性能表现。
MobileLLM-R1 系列中的旗舰模型 MobileLLM-R1-950M 采用了一系列精心设计的架构优化方案。该模型基于 22 层 Transformer 结构构建，配备了 24 个注意力头和 6 个分组 KV 头，嵌入维度设定为 1536，隐藏层维度则达到 6144。特别值得一提的是，模型引入了分组查询注意力（GQA）机制，有效降低了计算与内存资源消耗；通过块级权重共享技术，在控制参数数量的同时避免了显著增加延迟；SwiGLU 激活函数的应用则显著提升了小模型的表示能力。此外，该模型支持长达 4K 的上下文长度处理，以及 32K 的后训练模型参数规模。
在训练效率方面，MobileLLM-R1 同样展现出卓越表现。该模型总共在约 4.2 万亿个 token 上完成了训练，相较于 Qwen3 的 0.6B 模型（训练数据量为 36 万亿 token）而言，MobileLLM-R1 仅消耗了约 11.7% 的训练数据，却成功达到了甚至超越了 Qwen3 的准确率水平。同时，研发团队还针对数学、编码和推理数据集进行了细致的监督微调，进一步优化了训练成本与资源利用率。
MobileLLM-R1-950M 在各项基准测试中均取得了亮眼成绩。在 MATH500 数据集上，其准确率不仅比 OLMo-1.24B 高出约 5 倍，也比 SmolLM2-1.7B 高出约 2 倍。在 GSM8K、AIME 以及 LiveCodeBench 等推理和编码任务中，MobileLLM-R1 的表现更是与 Qwen3-0.6B 相当甚至更胜一筹，尽管其训练所使用的 token 数量远低于后者。
然而，MobileLLM-R1 的专注化设计也带来了相应的局限性。虽然该模型在数学、编码和结构化推理领域表现出色，但在一般对话能力、常识推理以及创造性任务方面，其表现仍不及大型通用模型。此外，模型在生产环境中的部署受到 FAIR NC（非商业）许可证的限制，而较长的 32K 上下文长度处理也确实会提升 KV 缓存和内存资源的需求。
总体而言，Meta 的 MobileLLM-R1 系列模型清晰地展现了人工智能领域的一个重要发展趋势——即朝着更小、更专业化的模型方向演进。这些模型能够在无需巨额训练预算的情况下，实现具有竞争力的推理能力。特别是在数学、编码和科学应用场景中，MobileLLM-R1 系列模型的表现尤为突出，为边缘设备上的大规模语言模型部署树立了新的标杆。
项目地址：https://huggingface.co/facebook/MobileLLM-R1-950M
划重点：
🧩 ** 新模型发布 **：Meta AI 推出 MobileLLM-R1 系列轻量级边缘推理模型，参数范围从 140M 到 950M。
📊 ** 训练效率 **：MobileLLM-R1 仅用约 11.7% 的数据训练，表现出色，训练成本和资源需求显著降低。
💡 ** 性能优势 **：在多项基准测试中，MobileLLM-R1-950M 表现超越多款大型开源模型，尤其在数学和编码任务上。