Gemma 4 26B A4B IT es un modelo de Mezcla de Expertos (MoE) ajustado por instrucciones de Google DeepMind. A pesar de tener 25.2B parámetros totales, solo 3.8B se activan por token durante la inferencia — ofreciendo una calidad cercana a 31B a...
Gemma 4 26B A4B es un modelo de Mezcla de Expertos desarrollado por Google. Tiene 26 mil millones de parámetros totales, pero solo 4 mil millones están activos por token—este diseño reduce el costo…
Gemma 4 26B A4B acepta texto, imagen y video como entrada. Las imágenes pueden proporcionarse como datos codificados en base64 o URLs. El video puede proporcionarse como una URL o como una secuencia de fotogramas (objetos de imagen). El modelo procesa estas modalidades de forma conjunta, permitiendo tareas como respuesta a preguntas visuales, resumen de video y comprensión de diagramas. No se admite audio; solo contenido visual y textual. La salida es solo texto. La capacidad multimodal del modelo es particularmente útil para analizar documentos que contienen gráficos, capturas de pantalla o grabaciones de video.
La ventana de contexto es de 262,144 tokens. Esto permite que el modelo procese secuencias muy largas en una sola pasada, por ejemplo, un documento de 200 páginas, horas de video transcrito o un conjunto grande de imágenes con leyendas descriptivas. Las ventanas de contexto más grandes reducen la necesidad de fragmentación y resumen, pero también aumentan el uso de memoria. La longitud efectiva que puedes usar dependerá del número total de tokens de entrada (tokens de texto + tokens de imagen/video). Ten en cuenta que las entradas de imagen y video consumen muchos tokens; consulta la documentación de OrcaRouter para saber cómo se calculan los recuentos de tokens para entradas que no son texto.
Si tu tarea es puramente basada en texto, solo requiere un contexto corto (menos de 8k tokens), o no necesita entrada multimodal, considera un modelo más pequeño o más barato—como Gemma 3 4B o una variante solo de texto. Gemma 4 26B A4B tiene un precio de $0.06 por millón de tokens de entrada y $0.33 por millón de tokens de salida. Para responder preguntas simples o clasificación, los modelos con costos más bajos por token pueden ser más económicos. El diseño MoE lo hace eficiente en relación con su tamaño total, pero no es la opción más barata disponible en OrcaRouter para tareas mínimas.
GPQA Diamond es un benchmark de 448 preguntas de opción múltiple a nivel de posgrado en biología, física y química. Una puntuación de 79.2 significa que el modelo respondió correctamente el 79.2%. Esto indica un sólido razonamiento científico y recuperación de conocimiento. El benchmark está diseñado para ser difícil para muchos LLM. Sin embargo, un solo benchmark no puede capturar todos los aspectos de la calidad del modelo. Por ejemplo, el rendimiento del modelo en otras tareas como programación o escritura creativa puede diferir. Use esta puntuación como un dato más al comparar modelos para tareas similares de razonamiento científico.
Las fortalezas incluyen comprensión multimodal con contexto amplio, eficiencia MoE para su tamaño y un razonamiento sólido en preguntas científicas, como lo indica GPQA. Las limitaciones no están documentadas de manera exhaustiva, pero son típicas de los modelos MoE: el rendimiento puede variar según el dominio y la capacidad efectiva por token está limitada por los 4B parámetros activos. El modelo puede tener dificultades con tareas que requieren cadenas lógicas extremadamente profundas o jerga especializada de un dominio que no esté bien representada en los datos de entrenamiento. La latencia y el rendimiento dependen del hardware de implementación; OrcaRouter no garantiza métricas de velocidad específicas.
OrcaRouter no publica benchmarks de latencia estandarizados para este modelo. Como modelo MoE, Gemma 4 26B A4B activa solo un subconjunto de parámetros por token, lo que puede hacer que la inferencia sea más rápida que un modelo denso de 26B, pero posiblemente más lenta que un modelo denso más pequeño. El rendimiento real depende de factores como el tamaño del lote, la longitud de entrada y el tipo de GPU de backend. Para aplicaciones en tiempo real, prueba con tu carga de trabajo específica. También puedes considerar el equilibrio entre latencia y costo; usar un modelo más pequeño puede mejorar la velocidad a un costo menor.
Los precios son $0.06 por 1 millón de tokens de entrada y $0.33 por 1 millón de tokens de salida. Estas son las tarifas facturadas por el proveedor (Google) y transferidas por OrcaRouter sin margen de beneficio. Esto significa que pagas exactamente la tarifa del proveedor: OrcaRouter no añade ningún recargo. Los tokens se cuentan de manera consistente en toda la plataforma; las imágenes y los fotogramas de video se tokenizan según las especificaciones del modelo de Google. Para una consulta multimodal típica con algunas imágenes, los tokens de entrada pueden dominar, haciendo que el precio de entrada sea el principal factor de coste.
OrcaRouter puede ofrecer mecanismos de almacenamiento en caché para prefijos o plantillas de prompt repetidos, lo que puede reducir el consumo de tokens y disminuir los costos. Sin embargo, no se garantizan descuentos específicos por caché para este modelo; estos dependen de tu patrón de uso. No hay un nivel de precios por lotes independiente publicado para Gemma 4 26B A4B. Para cargas de trabajo de alto volumen, contacta al soporte de OrcaRouter para analizar posibles descuentos. Como con todos los modelos en la plataforma, solo se te cobra por lo que usas (tokens de entrada y salida), sin tarifa mensual ni compromiso mínimo.
Dada la estructura de precios, el costo total depende del número y tipo de tokens que envíes y recibas. Las entradas multimodales (especialmente el video) pueden usar muchos tokens de entrada porque cada fotograma está codificado. Para videos largos, el costo de entrada puede exceder el costo de salida. Si tu tarea es intensiva en salida (por ejemplo, generar informes largos), el precio de salida ($0.33/M) es más alto que el de entrada. Evalúa tu proporción de tokens esperada. Para tareas que se pueden resolver con un modelo solo de texto más barato, la diferencia de costo puede ser significativa. Usa las herramientas de conteo de tokens de OrcaRouter para estimar.
Establece la URL base en https://api.orcarouter.ai/v1 y usa el ID del modelo google/gemma-4-26b-a4b-it. Envía una solicitud POST a /chat/completions con el esquema estándar de OpenAI. Para entrada multimodal, incluye un arreglo de objetos de contenido con el campo type establecido en 'text', 'image_url' o 'video_url'. Ejemplo: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. La API devolverá una respuesta de finalización de chat.
Puede usar parámetros estándar de OpenAI como temperature, top_p, max_tokens, stop, frequency_penalty y presence_penalty. Además, OrcaRouter admite parámetros específicos del proveedor a través del campo opcional 'provider' en el cuerpo de la solicitud (no es necesario para este modelo). El modelo admite nativamente streaming configurando stream=true. Para salidas estructuradas, use el parámetro 'response_format' con el tipo 'json_object' o un esquema JSON. Consulte la documentación de OrcaRouter para cualquier parámetro adicional como 'reasoning_effort'—aunque ese no está listado para este modelo.
Cambiar de otra API compatible con OpenAI es sencillo: cambie la URL base a https://api.orcarouter.ai/v1 y establezca el modelo en google/gemma-4-26b-a4b-it. Su estructura de prompt, parámetros y cliente SDK existentes son compatibles porque OrcaRouter sigue el mismo esquema. Si estaba usando el SDK de otro proveedor, es posible que deba actualizar el endpoint y la autenticación. OrcaRouter usa claves API en lugar de OAuth; incluya su clave en el encabezado Authorization como 'Bearer YOUR_KEY'. Pruebe primero con una solicitud pequeña.
Gemma 4 26B A4B es un modelo multimodal MoE más nuevo con contexto de 262k y una puntuación GPQA Diamond de 79.2, mientras que Gemma 3 8B es un modelo denso más pequeño (8B parámetros) con una ventana de contexto de 128k y sin soporte nativo de video. Gemma 3 8B es más barato en tokens de entrada (normalmente $0.05-0.10 por millón de entrada) pero puede no igualar la calidad de razonamiento en preguntas científicas difíciles. Para tareas que involucran video o documentos muy largos, Gemma 4 26B A4B es la elección clara. Para tareas solo de texto con contexto moderado, Gemma 3 8B puede ser suficiente y más rentable.
Llama 3.1 70B es un modelo denso con 70B parámetros y contexto de 128k, no nativamente multimodal para video (aunque puede procesar imágenes). Gemma 4 26B A4B utiliza MoE para activar solo 4B parámetros por token, ofreciendo potencialmente una inferencia más rápida que el modelo Llama mucho más grande. En GPQA Diamond, Gemma 4 26B A4B obtiene 79.2; Llama 3.1 70B obtiene alrededor de 65-70 (no directamente comparable debido a diferencias en la versión del benchmark). Llama 3.1 70B puede ser más caro en tokens de entrada (alrededor de $0.35 por millón de entrada). Para escenarios multimodales y de contexto largo, Gemma 4 puede ser más eficiente.
GPT-4o es un modelo propietario denso de OpenAI con soporte multimodal y una ventana de contexto de 128k (estándar) y hasta 1M para algunas versiones. Su precio es significativamente más alto (p. ej., $2.50 por millón de tokens de entrada para GPT-4o). Gemma 4 26B A4B es de peso abierto y está disponible a través de OrcaRouter a un costo mucho menor ($0.06/$0.33). El rendimiento en GPQA Diamond para GPT-4o no es directamente comparable, pero típicamente es mayor. Sin embargo, para aplicaciones sensibles al costo que no requieren razonamiento de nivel frontera, Gemma 4 26B A4B ofrece una fuerte relación precio-rendimiento. El manejo de datos difiere: Gemma 4 es de Google con términos de privacidad separados.
En comparación con otros modelos MoE de peso abierto como Mixtral 8x7B (46.7B total, 12.9B activos) o Qwen2.5-72B-A3B (72B total, 3B activos), Gemma 4 26B A4B ofrece una combinación única: una ventana de contexto de 262k, soporte multimodal completo (imagen + video) y una puntuación publicada de GPQA Diamond de 79.2. Mixtral 8x7B tiene un contexto de 32k y no soporta video. Qwen2.5-72B-A3B tiene un contexto de 128k y soporta texto pero no video. El conteo de parámetros activos de 4B es comparable al de otros modelos MoE pequeños, pero la arquitectura específica de Gemma 4 —entrenada por Google y ajustada para seguir instrucciones— podría darle una ventaja en tareas multimodales y científicas.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["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| Entrada / 1M tokens | $0.060 |
|---|---|
| Salida / 1M tokens | $0.330 |
| Lectura caché / 1M | $0.0075 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
De qué hablan los desarrolladores esta semana
GET /api/public/models/google/gemma-4-26b-a4b-itAbrir @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