LBS-27B vs Gemma 4 26B A4B: lo que un repositorio vacío tiene que superar

Si tu carga de trabajo implica una imagen, una página escaneada o una captura de pantalla, la comparación entre LBS-27B y Gemma 4 26B A4B ya está decidida. Gemma 4 26B A4B acepta imágenes y fotogramas de vídeo y devuelve texto; LBS-27B aún no existe en ninguna forma ejecutable, así que no acepta nada. Todo lo demás en este enfrentamiento es una pregunta sobre en qué podría convertirse el repositorio vacío de inclusionAI, y la forma honesta de responderla es describir el listón que Gemma ya ha fijado en lugar de fingir que los dos modelos se han comparado entre sí.

Esa asimetría lo explica todo. Uno de estos modelos está en Hugging Face desde marzo de 2026, tiene 8,1 millones de descargas, una tabla de evaluación completa y un precio publicado. El otro se creó a las 05:36 UTC del 26 de octubre de 2026 y contiene un encabezado de licencia y nada más. Una comparación lado a lado que los trate como pares sería ficción. Una comparación lado a lado que te diga qué tendría que superar LBS-27B es útil, y eso es lo que viene a continuación.

El lado conocido del libro mayor

Gemma 4 26B A4B es un modelo de mezcla de expertos con 25,2 mil millones de parámetros totales y 3,8 mil millones activos por token, provenientes de 128 expertos, con ocho activos más uno compartido. Tiene 30 capas, un vocabulario de 262.144 tokens y una ventana de contexto de 256K. La pila de atención alterna cinco capas de ventana deslizante de 1.024 tokens con una capa de atención completa, que es como Google mantiene asequible la ventana larga.

Es multimodal de una forma específica y limitada. Hay un codificador de visión de aproximadamente 550 millones de parámetros, entrada de imágenes y fotogramas de vídeo, y salida de texto. El audio no es compatible con este modelo: está disponible en las variantes más pequeñas E2B, E4B y 12B. La ficha afirma compatibilidad con más de 140 idiomas, de los cuales unos 35 funcionan de forma inmediata. La licencia es Apache-2.0 y la fecha de corte de entrenamiento es enero de 2025.

La tabla de benchmarks en la ficha del modelo de Google —reportada por el proveedor, no reproducida de forma independiente— dice lo siguiente: MMLU Pro 82,6; GPQA Diamond 82,3; AIME 2026 sin herramientas 88,3; LiveCodeBench v6 77,1; ELO de Codeforces 1718; tau2 promediado en tres suites 68,2; MMMU Pro 73,8; MATH-Vision 82,4. Las filas débiles son tan informativas como las fuertes: Humanity's Last Exam obtiene 8,7 sin herramientas y 17,2 con búsqueda, y MRCR v2 a 128K con ocho agujas promedia 44,1. Una ventana de 256K no significa que el modelo recupere bien a lo largo de 256K.

El lado desconocido, dicho sin rodeos

LBS-27B es un repositorio, una licencia y un nombre. El repositorio se creó el 26 de octubre de 2026 y contiene dos archivos: un archivo estándar llamado .gitattributes y un README de 28 bytes cuyo contenido completo es la línea license: apache-2.0. No hay config.json, ni fragmento de pesos, ni tokenizador, ni tarjeta de modelo. No hay descargas registradas y cero «me gusta». No pudimos encontrar ningún anuncio, artículo ni publicación en redes sociales en ninguna parte.

Lo que eso significa para esta comparación es simple: cada fila excepto la licencia está en blanco. El "27B" es una cadena en el nombre del repositorio, no un recuento de parámetros verificado. La arquitectura podría ser densa o dispersa. La longitud de contexto podría ser cualquiera. Puede que haya o no un codificador de visión. Hasta que aparezca un archivo de configuración, ninguna de esas preguntas tiene respuesta, y cualquier artículo que las rellene se lo está inventando.

Dónde se decidiría realmente el enfrentamiento

Si LBS-27B se lanza como un modelo de clase 27B, estas son las dimensiones que lo diferenciarán de Gemma 4 26B A4B. Cada línea incluye ambos lados, con lo desconocido marcado como desconocido en lugar de dejarse en blanco.

• Parámetros totales y activos — Gemma 4 26B A4B tiene 25,2B en total y 3,8B activos, según el proveedor; LBS-27B es un 27B no verificado y sin cifra de parámetros activos.

• Arquitectura — Gemma utiliza 128 expertos con enrutamiento top-8; se desconoce LBS, y denso frente a disperso es la incógnita más determinante para el coste de servicio.

• Ventana de contexto — 262.144 tokens para Gemma; se desconoce para LBS.

• Modalidad — entrada de texto, imagen y fotogramas de vídeo con salida de texto para Gemma; desconocida para LBS, y solo texto es el caso base hasta que aparezca una torre de visión.

• Licencia — Apache-2.0 para Gemma; Apache-2.0 declarada para LBS, aunque una licencia puede cambiar antes de que se distribuyan los pesos.

• Precio — $0.06 por millón de tokens de entrada y $0.33 por millón de tokens de salida para Gemma en OrcaRouter, con 262,144 tokens de contexto; no existe un precio para LBS porque no hay nada que servir.

• Evaluaciones publicadas: una tabla completa de proveedores para Gemma; ninguna para LBS.

El número que decide la economía: 3.800 millones

El A4B en el nombre de Gemma es la parte más importante de este. Con aproximadamente 3.800 millones de parámetros activos por token, el modelo realiza el cómputo de un modelo pequeño mientras posee el conocimiento de uno de 25B. Por eso se puede ofrecer a seis centavos por millón de tokens de entrada y aun así prestarse comercialmente, y por eso el modelo se ejecuta en hardware con el que un 25B denso tendría dificultades.

Un 27B denso es un producto diferente. Lee todos los parámetros para cada token, por lo que su coste de decodificación escala con el número total de pesos. Si LBS-27B resulta ser denso, no competirá con Gemma 4 26B A4B en precio a igual calidad; competirá en calidad a un precio mayor, lo que es un argumento mucho más difícil en 2026. Si resulta ser disperso con un pequeño número de parámetros activos, la comparación se vuelve real e interesante.

Por eso el primer artefacto creíble que hay que observar no es una puntuación de benchmark. Es el número de expertos en el archivo de configuración. Todo lo relativo a la forma comercial de LBS-27B se desprende de ese único campo.

La visión es una categoría de carga de trabajo, no una función.

Es fácil tratar {{1}}la entrada de imágenes de Gemma{{/1}} como una casilla de verificación. En la práctica, cambia qué trabajos puede desempeñar el modelo siquiera. La extracción de documentos, el triaje de capturas de pantalla, la lectura de gráficos, las comprobaciones de regresión de la interfaz de usuario, el procesamiento de facturas y los flujos de trabajo adyacentes al OCR no son tareas de texto con una imagen adjunta; son tareas en las que la imagen es la entrada. Un {{2}}modelo solo de texto{{/2}} no puede acceder a ellas con ninguna puntuación de benchmark.

Las cifras de visión de Gemma son respetables más que dominantes: 73,8 en MMMU Pro, 82,4 en MATH-Vision y una distancia de edición media de 0,149 en OmniDocBench 1.5, todas según la ficha de Google. El presupuesto de tokens visuales se puede seleccionar en 70, 140, 280, 560 o 1.120 tokens por imagen, lo que permite intercambiar resolución por coste por solicitud: un detalle práctico que importa más en producción que un punto en una tabla de clasificación.

Para LBS-27B, la cuestión es binaria. Si inclusionAI lanza una torre de visión, el modelo entra en la misma clase de carga de trabajo y la comparación se convierte en una contienda de calidad y precio. Si no lo hace, LBS-27B solo puede asumir la mitad textual del trabajo de Gemma, y la decisión pasa a ser una cuestión de enrutamiento en lugar de una cuestión de sustitución.

¿Qué tendría que superar LBS-27B?

Supongamos, a modo de hipótesis, que los pesos llegan y que el modelo es un 27B competente. Para que valga la pena cambiar desde Gemma 4 26B A4B en cargas de trabajo de texto, tendría que hacer tres cosas a la vez.

Primero, superar las filas reportadas por el proveedor de Gemma por un margen que resista las diferencias de harness. MMLU Pro 82,6, GPQA Diamond 82,3 y AIME 2026 con 88,3 son cifras sólidas para un modelo con 3,8B de parámetros activos, y una ventaja de dos puntos en una versión diferente del harness no es una ventaja. Segundo, lograrlo a un precio combinado comparable. El precio de salida de Gemma de $0,33 por millón es la restricción vinculante; un modelo denso de 27B a tres o cinco veces esa tarifa de salida necesita una brecha de calidad mucho mayor para justificarse. Tercero, superarlo en algo en lo que Gemma es visiblemente débil: la recuperación de contexto largo, donde el 44,1 de Gemma en MRCR v2 a 128K deja margen real, o el uso de herramientas, donde su promedio de tau2 de 68,2 es bueno pero no excepcional.

La forma más plausible de que un nuevo 27B gane no es vencer a Gemma en todo. Es ser claramente mejor en un trabajo costoso —análisis de documentos largos, cadenas de herramientas agénticas o un idioma que no sea el inglés, donde la cobertura de Gemma es escasa— y ser solo competitivo en lo demás.

Precio, disponibilidad y la respuesta práctica

Gemma 4 26B A4B está disponible hoy en OrcaRouter como google/gemma-4-26b-a4b-it, con un contexto de 262.144 tokens y precios de $0,06 por millón de tokens de entrada y $0,33 por millón de tokens de salida. Como OrcaRouter aplica directamente el precio de lista del proveedor con un 0% de recargo, cualquier cambio de precio que hagan Google o sus socios de alojamiento se refleja de nuestro lado el mismo día, en lugar de en el siguiente ciclo de facturación. También hay un segundo listado de Gemma 4 26B A4B en la plataforma a una tarifa más alta, algo que conviene saber antes de asumir que la opción más barata es la única.

LBS-27B no está en OrcaRouter, y no vamos a fingir que lo está. No hay pesos que servir. Cuando eso cambie, y si cambia, la forma sensata de evaluarlo no es una migración total, sino una división: enrutar una parte del tráfico al nuevo modelo con la misma clave de API, mantener Gemma como respaldo y comparar con tus propias entradas. La conmutación automática por error hace que eso sea seguro de una manera en que una integración directa no lo es, porque un modelo defectuoso o no disponible degrada a uno conocido en lugar de tumbar la solicitud.

Quién debería actuar, y quién debería esperar

Si esta semana necesitas un modelo multimodal económico con un contexto largo y una licencia permisiva, Gemma 4 26B A4B es la respuesta y LBS-27B no está en la conversación. Eso no es una crítica a inclusionAI; es lo que significa un repositorio vacío.

Si estás siguiendo la clase 27B como caballo de batalla para solo texto y puedes permitirte esperar, lo que hay que vigilar es el archivo de configuración. Una arquitectura dispersa con un número reducido de parámetros activos haría de LBS-27B un auténtico competidor en precio frente a Gemma. Una densa lo convertiría en una apuesta por la calidad a un coste mayor. Y una torre de visión en el repositorio cambiaría la comparación de «alternativa de texto» a «rival directo» de la noche a la mañana.

Hasta que aparezca uno de esos, lo más útil que esta página puede decir es lo menos emocionante: Gemma tiene una ficha de especificaciones mesurada y un precio en vivo, LBS tiene una línea de licencia, y la distancia entre ambas no es una distancia de calidad sino una distancia de evidencia.