Gemma 4 26B A4B IT ist ein instruction-getuntes Mixture-of-Experts-Modell (MoE) von Google DeepMind. Trotz 25,2 Milliarden Gesamtparametern werden pro Token während der Inferenz nur 3,8 Milliarden aktiviert – und erreicht so annähernd die Qualität eines 31-Milliarden-Modells bei...
Gemma 4 26B A4B ist ein Mixture-of-Experts-Modell, das von Google entwickelt wurde. Es hat insgesamt 26 Milliarden Parameter, aber nur 4 Milliarden sind pro Token aktiv – dieses Design reduziert die…
Gemma 4 26B A4B akzeptiert Text, Bilder und Videos als Eingabe. Bilder können als base64-kodierte Daten oder URLs bereitgestellt werden. Videos können als URL oder als Sequenz von Frames (Bildobjekten) bereitgestellt werden. Das Modell verarbeitet diese Modalitäten gemeinsam und ermöglicht Aufgaben wie visuelle Fragenbeantwortung, Videozusammenfassung und Diagrammverständnis. Audio wird nicht unterstützt; nur visuelle und textuelle Inhalte. Die Ausgabe erfolgt ausschließlich als Text. Die multimodale Fähigkeit des Modells ist besonders nützlich für die Analyse von Dokumenten, die Diagramme, Screenshots oder Videoaufnahmen enthalten.
Der Kontextfenster umfasst 262.144 Token. Dadurch kann das Modell sehr lange Sequenzen in einem einzigen Durchlauf verarbeiten – beispielsweise ein 200-seitiges Dokument, stundenlange transkribierte Videos oder eine große Anzahl von Bildern mit beschreibenden Bildunterschriften. Größere Kontextfenster reduzieren die Notwendigkeit von Aufteilung und Zusammenfassung, erhöhen jedoch auch die Speichernutzung. Die tatsächlich nutzbare Länge hängt von der Gesamtanzahl der Eingabe-Token (Text- + Bild-/Video-Token) ab. Beachten Sie, dass Bild- und Video-Eingaben viele Token verbrauchen; lesen Sie in der Dokumentation von OrcaRouter nach, wie Token-Anzahlen für Nicht-Text-Eingaben berechnet werden.
Wenn Ihre Aufgabe rein textbasiert ist, nur einen kurzen Kontext (unter 8k Token) erfordert oder keine multimodale Eingabe benötigt, ziehen Sie ein kleineres oder günstigeres Modell in Betracht – wie zum Beispiel Gemma 3 4B oder eine textbasierte Variante. Gemma 4 26B A4B ist mit 0,06 $ pro Million Eingabe-Token und 0,33 $ pro Million Ausgabe-Token bepreist. Für einfache Frage-Antwort-Aufgaben oder Klassifikation können Modelle mit niedrigeren Kosten pro Token wirtschaftlicher sein. Das MoE-Design macht es im Verhältnis zu seiner Gesamtgröße effizient, aber es ist nicht die günstigste Option, die auf OrcaRouter für minimale Aufgaben verfügbar ist.
GPQA Diamond ist ein Benchmark mit 448 Multiple-Choice-Fragen auf Graduiertenniveau aus den Bereichen Biologie, Physik und Chemie. Ein Wert von 79,2 bedeutet, dass das Modell 79,2 % richtig beantwortet hat. Dies deutet auf starkes wissenschaftliches Denken und Wissensabruf hin. Der Benchmark wurde entwickelt, um für viele LLMs schwierig zu sein. Ein einzelner Benchmark kann jedoch nicht alle Aspekte der Modellqualität erfassen. Zum Beispiel kann die Leistung des Modells bei anderen Aufgaben wie Programmieren oder kreativem Schreiben abweichen. Verwenden Sie diesen Wert als einen Datenpunkt, wenn Sie Modelle für ähnliche wissenschaftliche Denkaufgaben vergleichen.
Zu den Stärken gehören multimodales Verständnis mit großem Kontext, MoE-Effizienz für seine Größe und starke logische Schlussfolgerungen bei wissenschaftlichen Fragen, wie durch GPQA angezeigt. Die Einschränkungen sind nicht vollständig dokumentiert, aber typisch für MoE-Modelle: Die Leistung kann je nach Bereich variieren, und die effektive Kapazität pro Token ist durch die 4B aktiven Parameter begrenzt. Das Modell könnte bei Aufgaben Schwierigkeiten haben, die extrem tiefe logische Ketten oder domänenspezifisches Fachvokabular erfordern, das in den Trainingsdaten nicht gut repräsentiert ist. Latenz und Durchsatz hängen von der Bereitstellungshardware ab; OrcaRouter garantiert keine spezifischen Geschwindigkeitsmetriken.
OrcaRouter veröffentlicht keine standardisierten Latenz-Benchmarks für dieses Modell. Als MoE-Modell aktiviert Gemma 4 26B A4B nur eine Teilmenge der Parameter pro Token, was die Inferenz schneller machen kann als ein dichtes 26B-Modell, aber möglicherweise langsamer als ein kleineres dichtes Modell. Die tatsächliche Leistung hängt von Faktoren wie Batch-Größe, Eingabelänge und Backend-GPU-Typ ab. Testen Sie für Echtzeitanwendungen mit Ihrer spezifischen Arbeitslast. Sie können auch den Kompromiss zwischen Latenz und Kosten in Betracht ziehen – die Verwendung eines kleineren Modells kann die Geschwindigkeit bei geringeren Kosten verbessern.
Die Preise betragen $0.06 pro 1 Million Eingabetoken und $0.33 pro 1 Million Ausgabetoken. Dies sind die vom Anbieter (Google) berechneten Sätze, die von OrcaRouter ohne Aufschlag weitergegeben werden. Das bedeutet, dass Sie genau den Anbietersatz zahlen – OrcaRouter erhebt keinen Aufschlag. Token werden plattformübergreifend einheitlich gezählt; Bilder und Videobilder werden gemäß den Modellspezifikationen von Google tokenisiert. Bei einer typischen multimodalen Abfrage mit wenigen Bildern können die Eingabetoken dominieren, sodass die Eingabepreisgestaltung der Hauptkostentreiber ist.
OrcaRouter bietet möglicherweise Caching-Mechanismen für wiederholte Präfixe oder Prompt-Vorlagen an, die den Tokenverbrauch senken und Kosten reduzieren können. Für dieses Modell werden jedoch keine spezifischen Caching-Rabatte garantiert; sie hängen von Ihrem Nutzungsmuster ab. Für Gemma 4 26B A4B gibt es keine veröffentlichte separate Batch-Preisstufe. Bei hohem Arbeitsaufkommen setzen Sie sich bitte mit dem OrcaRouter-Support in Verbindung, um mögliche Rabatte zu besprechen. Wie bei allen Modellen auf der Plattform zahlen Sie nur für das, was Sie nutzen – Eingabe- und Ausgabetoken – ohne monatliche Gebühr oder Mindestverpflichtung.
Angesichts der Preisstruktur hängen die Gesamtkosten von der Anzahl und Art der Token ab, die Sie senden und empfangen. Multimodale Eingaben (insbesondere Videos) können viele Eingabe-Token verbrauchen, da jeder Frame codiert wird. Bei langen Videos können die Eingabekosten die Ausgabekosten übersteigen. Wenn Ihre Aufgabe ausgabeintensiv ist (z. B. Erstellung langer Berichte), ist der Ausgabepreis ($0.33/M) höher als der Eingabepreis. Bewerten Sie Ihr erwartetes Token-Verhältnis. Bei Aufgaben, die mit einem günstigeren Textmodell gelöst werden können, kann der Kostenunterschied erheblich sein. Nutzen Sie die Token-Zähltools von OrcaRouter zur Schätzung.
Setze die Basis-URL auf https://api.orcarouter.ai/v1 und verwende die Modell-ID google/gemma-4-26b-a4b-it. Sende eine POST-Anfrage an /chat/completions mit dem Standard-OpenAI-Schema. Für multimodale Eingaben füge ein Array von Inhaltsobjekten ein, bei denen das Feld type auf 'text', 'image_url' oder 'video_url' gesetzt ist. Beispiel: messages: [{ role: 'user', content: [{ type: 'text', text: 'Beschreibe dieses Video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. Die API gibt eine Chat-Completion-Antwort zurück.
Sie können Standardparameter von OpenAI wie temperature, top_p, max_tokens, stop, frequency_penalty und presence_penalty verwenden. Zusätzlich unterstützt OrcaRouter anbieterspezifische Parameter über das optionale Feld 'provider' im Request-Body (für dieses Modell nicht erforderlich). Das Modell unterstützt nativ Streaming durch Setzen von stream=true. Für strukturierte Ausgaben verwenden Sie den Parameter 'response_format' mit dem Typ 'json_object' oder ein JSON-Schema. Lesen Sie die Dokumentation von OrcaRouter für weitere Parameter wie 'reasoning_effort' – auch wenn dieser für dieses Modell nicht aufgeführt ist.
Der Wechsel von einer anderen OpenAI-kompatiblen API ist einfach: Ändern Sie die Basis-URL zu https://api.orcarouter.ai/v1 und setzen Sie das Modell auf google/gemma-4-26b-a4b-it. Ihre vorhandene Prompt-Struktur, Parameter und SDK-Client sind kompatibel, da OrcaRouter das gleiche Schema verwendet. Wenn Sie ein SDK eines anderen Anbieters verwendet haben, müssen Sie möglicherweise den Endpunkt und die Authentifizierung aktualisieren. OrcaRouter verwendet API-Schlüssel anstelle von OAuth; fügen Sie Ihren Schlüssel im Authorization-Header als 'Bearer YOUR_KEY' ein. Testen Sie zuerst mit einer kleinen Anfrage.
Gemma 4 26B A4B ist ein neueres multimodales MoE-Modell mit 262k Kontext und einem GPQA Diamond Score von 79,2, während Gemma 3 8B ein kleineres dichtes Modell (8B Parameter) mit einem Kontextfenster von 128k und ohne native Video-Unterstützung ist. Gemma 3 8B ist günstiger bei den Eingabe-Token (typischerweise $0.05-0.10 pro Million Input), kann aber bei schwierigen wissenschaftlichen Fragen nicht die gleiche Argumentationsqualität erreichen. Für Aufgaben mit Video oder sehr langen Dokumenten ist Gemma 4 26B A4B die klare Wahl. Für reine Textaufgaben mit moderatem Kontext kann Gemma 3 8B ausreichend und kosteneffizienter sein.
Llama 3.1 70B ist ein dichtes Modell mit 70B Parametern und 128k Kontext, nativ nicht multimodal für Video (obwohl es Bilder verarbeiten kann). Gemma 4 26B A4B verwendet MoE, um nur 4B Parameter pro Token zu aktivieren, was möglicherweise schnellere Inferenz als das viel größere Llama-Modell bietet. Auf GPQA Diamond erreicht Gemma 4 26B A4B 79,2; Llama 3.1 70B erreicht etwa 65-70 (nicht direkt vergleichbar aufgrund von Benchmark-Versionsunterschieden). Llama 3.1 70B könnte bei Eingabe-Tokens teurer sein (etwa 0,35 $ pro Million Eingabe). Für multimodale und Langkontext-Szenarien könnte Gemma 4 effizienter sein.
GPT-4o ist ein dichtes, proprietäres Modell von OpenAI mit multimodaler Unterstützung und einem Kontextfenster von 128k (Standard) und bis zu 1M für einige Versionen. Seine Preisgestaltung ist deutlich höher (z. B. 2,50 $ pro Million Input-Tokens für GPT-4o). Gemma 4 26B A4B hat offene Gewichte und ist über OrcaRouter zu deutlich geringeren Kosten erhältlich (0,06 $/0,33 $). Die Leistung auf GPQA Diamond für GPT-4o ist nicht direkt vergleichbar, aber in der Regel höher. Für kostenbewusste Anwendungen, die keine Spitzenlogik erfordern, bietet Gemma 4 26B A4B jedoch ein starkes Preis-Leistungs-Verhältnis. Die Datenverarbeitung unterscheidet sich: Gemma 4 stammt von Google mit separaten Datenschutzbestimmungen.
Im Vergleich zu anderen Open-Weight-MoE-Modellen wie Mixtral 8x7B (46,7B gesamt, 12,9B aktiv) oder Qwen2.5-72B-A3B (72B gesamt, 3B aktiv) bietet Gemma 4 26B A4B eine einzigartige Kombination: ein 262k Kontextfenster, vollständige multimodale Unterstützung (Bild+Video) und einen veröffentlichten GPQA Diamond Score von 79.2. Mixtral 8x7B hat einen 32k Kontext und keine Video-Unterstützung. Qwen2.5-72B-A3B hat einen 128k Kontext und unterstützt Text, aber kein Video. Die aktive Parameterzahl von 4B ist mit anderen kleinen MoE-Modellen vergleichbar, aber die spezifische Architektur von Gemma 4 – von Google trainiert und für die Befolgung von Anweisungen feinabgestimmt – könnte ihr bei multimodalen und wissenschaftlichen Aufgaben einen Vorteil verschaffen.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="google/gemma-4-26b-a4b-it",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_ppresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p| Eingabe / 1M Tokens | $0.060 |
| Ausgabe / 1M Tokens | $0.330 |
| Cache-Lesen / 1M | $0.0075 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
GET /api/public/models/google/gemma-4-26b-a4b-itÖffnen @misc{orcarouter_gemma_4_26b_a4b_it,
title = {Gemma 4 26B A4B API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemma-4-26b-a4b-it}
}Google. (2026). Gemma 4 26B A4B API. OrcaRouter. https://www.orcarouter.ai/models/google/gemma-4-26b-a4b-it