llama3.2-3b-instruct
lambda_ai · Chat model
llama3.2-3b-instruct は lambda_ai の チャット モデルとして掲載されています。料金、上限、機能、ソースを比較しやすい形で確認できます。
正確性のため、プロバイダー名とモデル ID は原文のまま表示しています。
lambda_ai-lambda_ai-llama3-2-3b-instruct
カタログ生成日: 2026/08/10
要点
向いている確認
自分のワークロードで試す前に、料金、コンテキスト長、対応機能を短時間で確認したいときに使います。
公式側で確認すること
割引、キャッシュ料金、リージョン条件、公開メタデータに出ていないモデル上限は、必ずプロバイダーの公式ページで確認してください。
料金
| 項目 | 料金 |
|---|---|
| 入力 | $0.0150 / 1M tokens |
| 出力 | $0.0250 / 1M tokens |
| 埋め込み | $0.0150 / 1M tokens |
上限
機能
| 機能 | 対応 |
|---|---|
| Vision | - |
| Function calling | 対応 |
| Parallel function calling | 対応 |
| Tool choice | 対応 |
| Prompt caching | - |
| Reasoning | - |
| Response schema | - |
| System messages | 対応 |
| Audio input | - |
| Audio output | - |
| Web search | - |
| PDF input | - |
| Video input | - |
| Native streaming | - |
| Computer use | - |
| Assistant prefill | - |
| Structured output | - |
| Output config | - |
| URL context | - |
ベンチマーク
多くのベンチマーク行は、このプロバイダールートそのものではなく、ベースモデル系列に紐づいています。 ベンチマーク一覧を開く
| ベンチマーク | スコア | 指標 | 対象範囲 | 確認日 | ソース |
|---|---|---|---|---|---|
| MMLU | 32.2 | macro_avg/acc_char | ベースモデル: Llama 3.2 (Llama 3.2 1B) | 2026-05-31 | リンク |
| ARC-Challenge | 32.8 | acc_char | ベースモデル: Llama 3.2 (Llama 3.2 1B) | 2026-05-31 | リンク |
| SQuAD | 49.2 | em | ベースモデル: Llama 3.2 (Llama 3.2 1B) | 2026-05-31 | リンク |
| MMLU | 58 | macro_avg/acc_char | ベースモデル: Llama 3.2 (Llama 3.2 3B) | 2026-05-31 | リンク |
| ARC-Challenge | 69.1 | acc_char | ベースモデル: Llama 3.2 (Llama 3.2 3B) | 2026-05-31 | リンク |
| SQuAD | 67.7 | em | ベースモデル: Llama 3.2 (Llama 3.2 3B) | 2026-05-31 | リンク |
| MMLU | 49.3 | macro_avg/acc | ベースモデル: Llama 3.2 (Llama 3.2 1B bf16) | 2026-05-31 | リンク |
| IFEval | 59.5 | Avg(Prompt/Instruction acc Loose/Strict) | ベースモデル: Llama 3.2 (Llama 3.2 1B bf16) | 2026-05-31 | リンク |
| MMLU | 63.4 | macro_avg/acc | ベースモデル: Llama 3.2 (Llama 3.2 3B bf16) | 2026-05-31 | リンク |
| IFEval | 77.4 | Avg(Prompt/Instruction acc Loose/Strict) | ベースモデル: Llama 3.2 (Llama 3.2 3B bf16) | 2026-05-31 | リンク |
関連記事
このモデルのプロバイダー、機能、ユースケースに関連する記事です。
Model Routing Cascade
A four-tier Budget, Mid, Premium, and Reasoning model selection framework for routing queries to the lowest-cost suitable tier.
Hidden Costs of LLM APIs
Fine-tuning, rate limits, latency tradeoffs, evaluation, integration, and vendor risk — the LLM API costs that don't show up in per-token comparisons.
Output vs Input Pricing Multiplier
Output tokens cost 3.6× more than input on average across 2,076 chat models. Provider breakdowns, reasoning vs non-reasoning, and real workload estimates.
Reasoning LLM API Pricing Guide
Which reasoning models are cheapest, which are most expensive, and when to use reasoning vs non-reasoning models.
ソース
料金とメタデータの出典は英語版と同じデータベースを使っています。公式の提供元の事実情報は翻訳や推測で補完していません。
カタログ生成日: 2026-08-10T21:27:29.020Z