Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Minico M1

Ein 350M-Finetune von Liquids LFM2.5 mit fünfstufigem Denkregler; sauber und winzig, doch das Denken hilft ihm kaum.

Getestet von ReviewRamble editors · Aktualisiert

Minico M1 besuchen Open Source

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

3.3/5

Minico M1 ist ein sorgfältiges Hobby-Finetune, das ein 350M-Modell zum Benehmen bringt, aber sein Hauptmerkmal, der Denkregler, macht es nicht genauer.

Was ist Minico M1?

Minico M1 1105 ist ein Reasoning-Modell mit 350 Millionen Parametern von Mincofficial, einem Einzelentwickler, feinabgestimmt auf Basis von LFM2.5-350M von Liquid AI und am 5. November 2026 auf Hugging Face veröffentlicht. Sein Kennzeichen ist eine Einstellung für den Denkaufwand mit fünf Stufen (off, low, medium, high und max), die bestimmt, wie lange das Modell vor der Antwort nachdenkt, von gar nicht bis zu einem Median von 78 Reasoning-Token. Außerdem ruft es Werkzeuge im LFM-Format auf.

Es ersetzt Minico M1 Preview, das laut Autor in Schleifen geriet, sein Reasoning in der Antwort wiederholte und die Aufwandseinstellung ignorierte. Das Training lief in vier Stufen (zwei Runden überwachtes Finetuning, DPO und GRPO mit überprüfbaren Belohnungen) plus einer Gewichtszusammenführung, alles auf einem MacBook Air mit 32GB und MLX. Es gibt Builds als safetensors, GGUF, MLX und ONNX, und eine Browser-Demo führt es per WebGPU auf deiner eigenen GPU aus.

Lohnt sich Minico M1?

Minico M1 ist in den Tests seines Autors das sich am besten verhaltende 350M-Chatmodell, und der Vorsprung vor dem eigenen Basismodell ist dünn. Auf dem Fünf-Benchmark-Prüfstand der Model Card kommt es im Schnitt auf 49,8, gegenüber 47,0 für das unveränderte LFM2.5-350M, 43,6 für IBMs Granite 4.0 350M und 24,2 für Googles Gemma 3 270M. Der Autor merkt an, dass Unterschiede unter etwa 3 Punkten im Rauschen zwischen Durchläufen liegen, was den größten Teil des Abstands zum Basismodell abdeckt.

Die echten Gewinne liegen im Verhalten, nicht im Wissen. Gegenüber dem Basismodell steigert es die Mehrrunden-Antworten, die auf die letzte Nachricht eingehen, von 91 auf 99 von 100 und die korrekten Werkzeugaufrufe im Test des Autors von 54,8% auf 100%. Die Schleifenrate, also der Anteil von 80 Prompts, bei denen sich die Ausgabe bis zum Token-Limit wiederholt, liegt bei 0%, gegenüber 18,8% für das Preview und für Gemma 3 270M. Mit etwa 229MB als Q4_K_M-GGUF meldet die Model Card 371 Token pro Sekunde auf einem lüfterlosen MacBook Air.

Der Aufwandsregler ist ehrlich, aber vorerst vor allem Kosmetik. Bei den Schulmathe-Aufgaben von GSM8K erreicht das Modell 39,8 ohne Denken und bestenfalls 37 mit Denken, und die Model Card sagt das offen. Denken behebt aber manche Fallen: 20-mal gefragt "What is 5 + 5 x 5?", lag es ohne Denken 7-mal richtig und auf jeder anderen Stufe 20-mal.

Der Haken: Es ist ein 350M-Modell, also gehen Fakten und schwierigere Mathematik schief, und getestet wurde nur Englisch. Jede Zahl stammt vom Prüfstand einer einzelnen Person mit nahezu gieriger Stichprobe, nicht aus unabhängiger Bewertung. Mit verfügbaren Werkzeugen ließ es einen unnötigen Aufruf nur in 75% der Fälle weg, und die LFM Open License entzieht jedem Unternehmen mit $10 Millionen oder mehr Jahresumsatz die kommerziellen Rechte.

Unser Fazit: Als Befehlsparser für einen Sprachassistenten oder eine Browser-Erweiterung, die offline laufen muss, ist Minico M1 ein saubererer Ausgangspunkt als das serienmäßige LFM2.5-350M; als kleines Reasoning-Modell zeigt es, dass ein Regler an einem 350M-Modell ändert, wie viel es sagt, nicht wie viel es weiß.

Wo es sich lohnt

  • Ein Entwickler, der einen Offline-Sprachassistenten für einen Smart-Home-Hub baut

    Gesprochene Befehle in Funktionsaufrufe wie set_volume(level=30) übersetzen

    Übergib die Gerätefunktionen über `tools` im Chat-Template und führe das 229-MB-GGUF in Q4_K_M mit llama.cpp aus. Lass den Aufwand für Tempo auf off und prüfe, dass es kein Werkzeug aufruft, wenn der Nutzer nur plaudert, was im Test in 25% der Fälle schiefging.

  • Ein Frontend-Entwickler, der einer Browser-Erweiterung private Texthilfe hinzufügt

    Text auf der Seite umschreiben oder kürzen, ohne ihn an einen Server zu schicken

    Der ONNX-Build läuft per WebGPU im Browser, wie die Demo des Autors, sodass nichts den Rechner des Nutzers verlässt. Es gibt keine Hosting-Rechnung; die Kosten sind der Download und die GPU des Nutzers.

  • Ein Forscher, der kleine Reasoning-Modelle untersucht

    Vergleichen, wie die Länge des Reasonings die Genauigkeit bei 350M Parametern beeinflusst

    Stelle reasoning_effort von off bis max ein und protokolliere die mittleren Reasoning-Token (laut Model Card 40 bei low, 78 bei max). Das veröffentlichte Trainingsrezept, SFT, DPO, GRPO und ExPO-Merge, lässt sich auf einem 32-GB-Mac mit MLX nachbauen.

Bevor du dich festlegst

Einrichtung
Mincofficial/Minico-M1-1105 mit Transformers laden oder `llama-server -hf Mincofficial/Minico-M1-1105-GGUF:Q8_0 --jinja` ausführen und reasoning_effort über die Chat-Template-kwargs übergeben; ein MLX-Build deckt Apple Silicon ab.
Integrationen
Transformers, llama.cpp, MLX und ONNX Runtime (WebGPU im Browser); Werkzeugaufrufe nutzen LFM-typische <|tool_call_start|>-Tags statt OpenAI-JSON.
Daten und Datenschutz
Die Gewichte laufen lokal; die Browser-Demo läuft auf deiner GPU, und laut Autor verlässt nichts deinen Rechner. Die Trainingsdaten wurden aus Liquids LFM2.5-1.2B-Thinking und LFM2.5-1.2B-Instruct destilliert.
Kosten im großen Maßstab
Keine Nutzungsgebühr. Kommerzielle Nutzung ist nur unter $10 Millionen Jahresumsatz lizenziert; darüber gewährt die Lizenz keine kommerziellen Rechte, und gesonderte Bedingungen sind nicht veröffentlicht.
Grenzen
32K Token Kontext vom Basismodell; empfohlene Output-Grenzen von 640 Token (low) bis 4.608 (max). Der Autor rät zu einer Aufwandsstufe pro Unterhaltung, nur Englisch und keinem Einsatz für medizinische, rechtliche oder finanzielle Fragen.

Was gut ist

  • Fünf Stufen für den Denkaufwand, von aus bis zu einem Median von 78 Reasoning-Token
  • 100% korrekte Werkzeugaufrufe im Test des Autors, gegenüber 54,8% beim Basismodell
  • 0% Schleifenrate über 80 Prompts
  • Etwa 229MB als Q4_K_M; 371 Token pro Sekunde auf einem lüfterlosen MacBook Air
  • GGUF-, MLX- und ONNX-Builds plus WebGPU-Demo im Browser

Was nicht

  • Denken erhöht die GSM8K-Genauigkeit nicht: bestenfalls 37 gegenüber 39,8 ohne
  • Durchschnittlicher Vorsprung vor dem Basismodell (49,8 zu 47,0) liegt nahe am angegebenen Rauschen
  • Alle Benchmarks stammen vom Prüfstand des Autors; nur Englisch
  • Kommerzielle Nutzung für Unternehmen ab $10 Millionen Umsatz ausgeschlossen

Am besten für

Entwickler von Offline-Assistenten, Browser-Erweiterungen oder Befehlsparsern auf dem Gerät, die ein Modell unter 400M brauchen, das Anweisungen befolgt und Werkzeuge zuverlässig aufruft.

Alternativen zu Minico M1

Minico M1: häufige Fragen

Lohnt sich Minico M1?
Minico M1 ist ein sorgfältiges Hobby-Finetune, das ein 350M-Modell zum Benehmen bringt, aber sein Hauptmerkmal, der Denkregler, macht es nicht genauer. Wir bewerten es mit 3.3 von 5.
Was kostet Minico M1?
Kostenlose Gewichte unter der LFM Open License v1.0. Kommerzielle Nutzung ist nur für Organisationen mit weniger als $10 Millionen Jahresumsatz lizenziert; gemeinnützige Forschung ist ausgenommen.
Welche Nachteile hat Minico M1?
Denken erhöht die GSM8K-Genauigkeit nicht: bestenfalls 37 gegenüber 39,8 ohne; Durchschnittlicher Vorsprung vor dem Basismodell (49,8 zu 47,0) liegt nahe am angegebenen Rauschen; Alle Benchmarks stammen vom Prüfstand des Autors; nur Englisch; Kommerzielle Nutzung für Unternehmen ab $10 Millionen Umsatz ausgeschlossen.
Für wen eignet sich Minico M1?
Entwickler von Offline-Assistenten, Browser-Erweiterungen oder Befehlsparsern auf dem Gerät, die ein Modell unter 400M brauchen, das Anweisungen befolgt und Werkzeuge zuverlässig aufruft.
Was kostet Minico M1 für ein Team oder im Produktivbetrieb?
Keine Nutzungsgebühr. Kommerzielle Nutzung ist nur unter $10 Millionen Jahresumsatz lizenziert; darüber gewährt die Lizenz keine kommerziellen Rechte, und gesonderte Bedingungen sind nicht veröffentlicht.
Ist Minico M1 sicher für Firmendaten?
Die Gewichte laufen lokal; die Browser-Demo läuft auf deiner GPU, und laut Autor verlässt nichts deinen Rechner. Die Trainingsdaten wurden aus Liquids LFM2.5-1.2B-Thinking und LFM2.5-1.2B-Instruct destilliert.
Was sind die besten Alternativen zu Minico M1?
Die nächsten Alternativen, die wir getestet haben, sind LFM3, Granite 4.2, SmolLM3-3B und Gemma 4.

Antworten geprüft am 21. Nov. 2026.