LFM3-1.7B-Base vs Gemma 4 12B: Un tronco especialista frente a un generalista

Ponga las dos descargas una al lado de la otra y la primera diferencia no es un benchmark. LFM3-1.7B-Base, publicado en Hugging Face el 26 de octubre de 2026 y anunciado en el lanzamiento de la familia de Liquid AI al día siguiente, es un archivo bfloat16 de 3,46 GB que contiene un modelo de texto preentrenado de 1730 millones de parámetros. Gemma 4 12B, lanzado por Google DeepMind el 3 de junio de 2026, es un modelo denso de 11.950 millones de parámetros que viene con ajuste por instrucciones, un contexto de 256K y la capacidad de leer imágenes y audio además de texto. Uno es un componente. El otro es un producto. Compararlos por capacidad es un error de categoría, y compararlos por precio por token es casi igual de malo, porque el checkpoint base no tiene precio por token: tiene una factura de ajuste fino. El enrutamiento no añade un margen al precio de lista de un proveedor. 0% de margen Consulte los precios de traspaso en nuestra página de precios.

La comparación merece su espacio de todos modos, porque ambos son modelos de pesos abiertos que un equipo pequeño podría descargar esta semana por la misma razón de fondo: quieren un modelo que controlen, en hardware que posean, sin un contrato por llamada. La pregunta útil es qué tipo de activo te lleva hasta ahí: un tronco pequeño que moldeas, o un generalista grande que adoptas.

La comparación de referencia que no se puede realizar

LFM3-1.7B-Base no tiene ninguna evaluación publicada. No una evaluación escasa, no una tabla de proveedor con un asterisco: ninguna. La ficha del modelo ofrece especificaciones y una guía de ajuste fino, y la publicación de lanzamiento de Liquid incluye una sustancial tabla de benchmarks para LFM3-1.7B, el modelo hermano con entrenamiento posterior que se construyó a partir de este checkpoint. Son artefactos distintos. Un modelo base predice texto; un modelo con entrenamiento posterior sigue instrucciones. Puntuar al primero en un benchmark de instrucciones te informa sobre el segundo.

Gemma 4 12B, en cambio, llega con una tabla completa de la familia para los checkpoints ajustados para instrucciones: 77,2 % en MMLU Pro, 78,8 % en GPQA Diamond, 77,5 % en AIME 2026 sin herramientas, 72,0 % en LiveCodeBench v6, un Elo de 1659 en Codeforces, 69,1 % en MMMU Pro y 43,4 % en MRCR v2 a 128K con ocho agujas. Todas esas son cifras propias de Google y ninguna ha sido reproducida de forma independiente. Artificial Analysis sitúa por separado a Gemma 4 12B en un Índice de Inteligencia de 14, en el puesto 20 de 141 modelos de su clase de comparación, con una velocidad de salida medida de 110,9 tokens por segundo.

Entonces, el marcador honesto tiene una columna con datos y otra vacía, y la columna vacía no es un fallo del modelo. Es lo que es un checkpoint base. Cualquiera que ponga 49.37 —el propio promedio de Liquid para el LFM3-1.7B ajustado— junto al MMLU Pro de Gemma está comparando dos conjuntos de pruebas diferentes, dos modelos diferentes y dos niveles de ajuste diferentes.

Para qué sirve realmente cada punto de control

LFM3-1.7B-Base existe para ser modificado. La ficha de Liquid dice que solo se recomienda para ajuste fino intensivo —asistentes específicos para un idioma, asistentes específicos para un dominio, entrenamiento con datos propietarios, enfoques novedosos de posentrenamiento— y dirige a quien quiera usar chat o herramientas al modelo ajustado. Se preentrenó con 22 billones de tokens, de los cuales los últimos 3,5 billones fueron datos de entrenamiento intermedio curados con trazas agénticas y llamadas a herramientas, y esa etapa amplió el contexto a 262.144 tokens. En 4 bits ocupa alrededor de 1 GB, que es todo el argumento de diseño: un tronco lo bastante pequeño como para ajustarlo con una sola GPU y ejecutarlo en un teléfono.

Gemma 4 12B existe para ser utilizado. Es el miembro denso de tamaño medio de la familia Gemma 4 de cinco modelos de Google, sin codificadores multimodales separados: los parches de imagen y las formas de onda de audio se proyectan directamente en el mismo espacio que los tokens de texto. Se ejecuta en un portátil con aproximadamente 7 GB en una cuantización de 4 bits, lleva Apache 2.0 sin umbral de ingresos y tiene el tipo de soporte de ecosistema que acumula un modelo de seis meses de antigüedad: compilaciones cuantizadas, integraciones de frameworks y una comunidad que ya ha encontrado sus modos de fallo.

Seis diferencias que lo deciden

• Parámetros — 1.73B densos frente a 11.95B densos. La proporción de tamaño es de 6.9 a 1, y condiciona todo lo que viene después: memoria, coste del ajuste fino, velocidad de inferencia y el techo en conocimiento general.

• Modalidad — texto de entrada, texto de salida, para LFM3-1.7B-Base. Texto, imagen y audio de entrada, texto de salida, para Gemma 4 12B. El checkpoint base no puede ver una captura de pantalla, y ningún ajuste fino por sí solo añade un codificador de visión que nunca fue entrenado.

• Contexto — ambos son 262,144 tokens. Esta es la única fila en la que el modelo pequeño no revela nada, y es un logro genuino de la arquitectura híbrida más que una coincidencia de marketing.

• Idiomas — dieciséis enumerados para LFM3-1.7B-Base, incluidos árabe, hindi, tailandés, vietnamita e indonesio. Gemma 4 12B está preentrenado en más de 140 idiomas, con soporte listo para usar declarado para más de 35: una cobertura mucho más amplia y una ventaja real para el despliegue multilingüe.

• Vocabulario — 128.000 tokens para LFM3-1.7B-Base, 262.000 para Gemma 4 12B. El vocabulario más grande comprime el texto de forma más agresiva en los idiomas de escritura latina y en el código; el más pequeño mantiene pequeña la matriz de embeddings, lo que importa cuando el modelo completo ocupa 3,46 GB.

• Licencia — la LFM Open License v1.0 es gratuita para uso comercial por debajo de $10 millones en ingresos anuales, con una licencia comercial por encima de ese umbral. Gemma 4 12B es Apache 2.0, con los términos de uso aceptable de Google junto con los pesos en lugar de como condición de ingresos.

El único número de la misma suite, y por qué no se transfiere

Hay exactamente un lugar donde Liquid ha publicado una puntuación frente a Gemma 4 12B en el mismo conjunto de evaluaciones, y corresponde a un modelo diferente. En 62 benchmarks de visión, Liquid reporta LFM3-VL-2B, su modelo de visión de 1.9B, con 66.0 en la categoría general del conjunto, frente a 74.0 de Gemma 4 12B. En otras partes de la misma tabla, el modelo más pequeño está más cerca, y el resumen de Liquid es que el modelo de visión "iguala" a Gemma 4 12B a pesar de ser más de seis veces más pequeño.

Lea la tabla en lugar de la frase y dice algo más preciso: un modelo multimodal de 1.9B se queda a menos de ocho puntos de un modelo multimodal de 12B en una amplia batería de visión, y la diferencia no es uniforme entre categorías. Léalo como una afirmación sobre LFM3-1.7B-Base y no dice absolutamente nada. El checkpoint base de texto no tiene torre de visión y no se evaluó en ninguno de esos benchmarks. La afirmación pertenece a un modelo hermano, y es el tipo de desliz de procedencia que convierte una comparación cuidadosa en una engañosa.

Cuánto vale en dinero el generalista de 12B

Gemma 4 12B tiene un precio de mercado porque hay terceros que lo sirven. Artificial Analysis reporta una mediana combinada de $0,10 por millón de tokens de entrada y $0,30 por millón de tokens de salida entre las plataformas que alojan los pesos abiertos: una mediana entre proveedores, no un precio de lista, y que cambiará a medida que cambie el lado de la oferta. Es lo bastante barato como para que la mayoría de los equipos nunca se planteen ejecutarlo por su cuenta.

LFM3-1.7B-Base no tiene ese precio porque no es un modelo servido. Su costo es la ejecución del fine-tuning, el pipeline de datos y el stack de servicio, y esas cifras varían en más de un orden de magnitud según lo que estés construyendo. El argumento de Liquid es que la ejecución cabe en una sola GPU y el resultado cabe en aproximadamente un gigabyte, lo cual es cierto para el modelo y no dice nada sobre el costo de los datos etiquetados. Un fine-tune especializado no es más barato que llamar a una API generalista a menos que ya tengas los datos; si los tienes, es drásticamente más barato a volumen.

Aquí es donde una capa de enrutamiento se gana su lugar. OrcaRouter traslada los precios de lista de los proveedores con un 0 % de recargo, por lo que una bajada de precios de un proveedor se aplica el mismo día en lugar de esperar un ciclo de repreciación, y la misma clave da acceso a más de 200 modelos con conmutación por error automática. El patrón práctico para un equipo que sopesa esta decisión es mantener el modelo generalista en la ruta enrutada mientras se evalúa el ajuste fino especializado, y luego desviar el tráfico cuando el ajuste fino gane en tu propio conjunto reservado —no en un promedio del proveedor.

Tres compradores, tres respuestas

Tiene datos propietarios y una tarea específica. Tome LFM3-1.7B-Base. El tronco de 1,73B es lo bastante pequeño para aplicar un ajuste fino en una sola GPU, el contexto de 256K sobrevive al ajuste fino y el vocabulario de dieciséis idiomas cubre la mayoría de los despliegues regionales. Gemma 4 12B también se puede ajustar finamente, pero estaría pagando por reentrenar una capacidad que está a punto de descartar mediante la especialización.

Necesitas un modelo que funcione esta tarde. Toma Gemma 4 12B. El checkpoint base no puede responder a una pregunta, y la variante ajustada es una descarga distinta con una cuestión de licencia diferente. Gemma 4 12B está ajustado para instrucciones, es multimodal, está documentado y disponible a un precio medio publicado. El tiempo hasta la primera respuesta se mide en minutos.

Necesitas ambas cosas. Este es el caso habitual y el que el encuadre oculta. Ajusta el trunk para la tarea acotada y de alto volumen, y enruta todo lo demás a un generalista. Ambos no son sustitutos a nivel de arquitectura, y tratar la decisión como excluyente es como los equipos acaban pagando de más por un especialista o dando un servicio insuficiente a un caso de uso para el que su modelo pequeño nunca se entrenó.

La licencia es el problema latente

Apache 2.0 es la razón por la que muchas empresas dejan de leer al llegar a la licencia de Gemma. No hay umbral de ingresos, ni activador comercial, ni negociación: los pesos son tuyos para modificarlos y servirlos, sujeto a la política de uso aceptable de Google. La LFM Open License v1.0 de Liquid también es permisiva a pequeña escala, pero define un umbral de ingresos anuales de 10 millones de dólares por encima del cual se aplica una licencia comercial. Para una startup, la diferencia es teórica. Para una unidad de negocio dentro de una empresa más grande, es una conversación de compras que empieza antes que el primer ajuste fino.

¿Qué cambiaría la respuesta?

Dos pruebas harían que esta comparación pasara de ser un argumento de categoría a uno numérico. La primera es una evaluación del modelo base de Liquid —aunque sea pequeña y sobre un corpus reservado— que permita al lector juzgar si 22 billones de tokens y la pila trihíbrida produjeron un mejor punto de partida que LFM2.5-2.6B-Base. La segunda es un ajuste fino independiente de LFM3-1.7B-Base en una tarea pública, reportado frente a una línea base de Gemma 4 12B. Ninguna de las dos existe todavía, y la publicación de lanzamiento no las promete.

Hasta que lo hagan, la decisión depende de lo que estás comprando, no de qué modelo es mejor: un tronco de 3,46 GB sin puntuaciones ni ajuste por instrucciones, o un generalista de 12B con una tabla completa de cifras del proveedor y una licencia que nunca tendrás que revisar. Eso no es una decisión reñida en capacidad. Es una decisión reñida en encaje, y la columna vacía del tablero de puntuaciones es lo más honesto de esta página.