LFM3-1.7B-Base vs Gemma 4 12B : un tronc spécialisé face à un généraliste

Placez les deux téléchargements côte à côte et la première différence ne tient pas à un benchmark. LFM3-1.7B-Base, publié sur Hugging Face le 26 octobre 2026 et nommé dès le lendemain dans le lancement de la famille de Liquid AI, est un fichier bfloat16 de 3,46 Go contenant un modèle de texte pré-entraîné de 1,73 milliard de paramètres. Gemma 4 12B, publié par Google DeepMind le 3 juin 2026, est un modèle dense de 11,95 milliards de paramètres livré avec un affinage sur instructions, un contexte de 256 K et la capacité de lire des images et de l'audio en plus du texte. L'un est un composant. L'autre est un produit. Les comparer sur leurs capacités relève d'une erreur de catégorie, et les comparer sur le prix par token n'est guère mieux, car le checkpoint de base n'a pas de prix par token — il a une facture d'affinage. Le routage n'ajoute aucune marge au prix catalogue d'un fournisseur. 0 % de majoration Consultez la tarification sans marge sur notre page de tarifs.

La comparaison mérite quand même sa page, car les deux sont des modèles à poids ouverts qu’une petite équipe pourrait télécharger cette semaine pour la même raison profonde : elle veut un modèle qu’elle contrôle, sur du matériel qu’elle possède, sans contrat par appel. La question utile est de savoir quel type d’actif vous y amène — un petit tronc que vous façonnez, ou un grand généraliste que vous adoptez.

La comparaison de référence qui ne peut pas être faite

LFM3-1.7B-Base n’a aucune évaluation publiée. Pas une évaluation minimale, pas un tableau de fournisseur avec un astérisque — aucune. La carte du modèle fournit des spécifications et un guide de fine-tuning, et l’article de lancement de Liquid comporte un tableau de benchmarks substantiel pour LFM3-1.7B, la version sœur post-entraînée qui a été construite à partir de ce checkpoint. Ce sont des artefacts différents. Un modèle de base prédit du texte ; un modèle post-entraîné suit des instructions. Évaluer le premier sur un benchmark d’instructions renseigne sur le second.

Gemma 4 12B, en revanche, arrive avec un tableau complet de la famille pour les checkpoints ajustés aux instructions : 77,2 % sur MMLU Pro, 78,8 % sur GPQA Diamond, 77,5 % sur AIME 2026 sans outils, 72,0 % sur LiveCodeBench v6, un Elo Codeforces de 1659, 69,1 % sur MMMU Pro et 43,4 % sur MRCR v2 à 128K avec huit aiguilles. Tous ces chiffres proviennent de Google lui-même et aucun n'a été reproduit de manière indépendante. Artificial Analysis classe séparément Gemma 4 12B à un Intelligence Index de 14, au 20e rang sur 141 modèles de sa classe de comparaison, avec une vitesse de sortie mesurée de 110,9 tokens par seconde.

Ainsi, le tableau de scores honnête comporte une colonne remplie et une colonne vide, et cette colonne vide ne constitue pas un échec du modèle. C’est ce qu’est un checkpoint de base. Quiconque place 49,37 — la moyenne propre à Liquid pour le LFM3-1.7B ajusté — à côté du MMLU Pro de Gemma compare deux suites différentes, deux modèles différents et deux niveaux d’ajustement différents.

À quoi sert réellement chaque point de contrôle

LFM3-1.7B-Base existe pour être modifié. La fiche de Liquid indique qu'il n'est recommandé que pour un fine-tuning intensif — assistants spécifiques à une langue, assistants spécifiques à un domaine, entraînement sur des données propriétaires, nouvelles approches de post-entraînement — et oriente quiconque souhaite utiliser le chat ou les outils vers le modèle affiné. Il a été pré-entraîné sur 22 000 milliards de tokens, dont les 3 500 derniers milliards constituaient des données de mi-entraînement sélectionnées avec des traces agentiques et des appels d'outils, et cette étape a étendu le contexte à 262 144 tokens. En 4 bits, il occupe environ 1 Go, ce qui résume tout l'argument de conception : un tronc suffisamment petit pour être fine-tuné sur un seul GPU et exécuté sur un téléphone.

Gemma 4 12B existe pour être utilisé. C'est le membre dense de taille intermédiaire de la famille Gemma 4 à cinq modèles de Google, sans encodeurs multimodaux séparés — les patches d'image et les formes d'onde audio sont projetés directement dans le même espace que les tokens de texte. Il tourne sur un ordinateur portable en environ 7 Go avec une quantification 4 bits, est sous licence Apache 2.0 sans clause liée au chiffre d'affaires, et bénéficie du type de soutien écosystémique qu'un modèle de six mois accumule : builds quantifiés, intégrations de frameworks, et une communauté qui a déjà trouvé ses modes de défaillance.

Six différences décisives

• Paramètres — 1,73 Md de paramètres denses contre 11,95 Md de paramètres denses. Le rapport de taille est de 6,9 pour 1, et il conditionne tout ce qui en découle : la mémoire, le coût du fine-tuning, la vitesse d’inférence et le plafond de connaissances générales.

• Modalité — texte en entrée, texte en sortie, pour LFM3-1.7B-Base. Texte, image et audio en entrée, texte en sortie, pour Gemma 4 12B. Le checkpoint de base ne peut pas voir une capture d'écran, et aucun fine-tuning ne peut ajouter un encodeur visuel qui n'a jamais été entraîné.

• Contexte — les deux affichent 262 144 tokens. C'est la seule ligne où le petit modèle ne concède rien, et il s'agit d'une véritable prouesse de l'architecture hybride plutôt que d'une coïncidence marketing.

• Langues — seize langues répertoriées pour LFM3-1.7B-Base, dont l'arabe, l'hindi, le thaï, le vietnamien et l'indonésien. Gemma 4 12B est pré-entraîné sur plus de 140 langues, avec une prise en charge immédiate revendiquée pour plus de 35, une couverture bien plus large et un véritable atout pour les déploiements multilingues.

• Vocabulaire — 128 000 tokens pour LFM3-1.7B-Base, 262 000 pour Gemma 4 12B. Le vocabulaire plus grand compresse le texte plus agressivement dans les langues à écriture latine et dans le code ; le plus petit garde la matrice d'embeddings petite, ce qui compte lorsque le modèle entier fait 3,46 Go.

• Licence — la LFM Open License v1.0 est gratuite pour un usage commercial en dessous de 10 millions de dollars de chiffre d'affaires annuel, et nécessite une licence commerciale au-delà de ce seuil. Gemma 4 12B est sous Apache 2.0, les conditions d'utilisation acceptable de Google étant fournies avec les poids plutôt qu'imposées comme condition liée au chiffre d'affaires.

Le seul numéro de la même suite, et pourquoi il ne se transfère pas

Il existe exactement un endroit où Liquid a publié un score face à Gemma 4 12B sur la même suite d’évaluation, et cela concerne un modèle différent. Sur 62 benchmarks de vision, Liquid rapporte LFM3-VL-2B, son modèle de vision de 1,9 B, à 66,0 dans la catégorie générale de la suite, contre 74,0 pour Gemma 4 12B. Ailleurs dans le même tableau, le modèle plus petit est plus proche, et le résumé de Liquid est que le modèle de vision « égale » Gemma 4 12B bien qu’il soit plus de six fois plus petit.

Lisez le tableau plutôt que la phrase, et il dit quelque chose de plus précis : un modèle multimodal de 1,9 B arrive à moins de huit points d’un modèle multimodal de 12 B sur une vaste suite de vision, et l’écart est inégal selon les catégories. Lue comme une affirmation sur LFM3-1.7B-Base, elle ne dit absolument rien. Le checkpoint de base textuel n’a pas de tour de vision et n’a été évalué sur aucun de ces benchmarks. L’affirmation appartient à un modèle frère, et c’est le genre de glissement de provenance qui transforme une comparaison minutieuse en une comparaison trompeuse.

Ce que vaut en argent le généraliste 12B

Gemma 4 12B a un prix de marché parce que des tiers le servent. Artificial Analysis rapporte une médiane mixte de 0,10 $ par million de tokens d'entrée et de 0,30 $ par million de tokens de sortie sur les plateformes qui hébergent les poids ouverts — une médiane entre fournisseurs, et non un prix catalogue, qui évoluera à mesure que l'offre change. C'est assez bon marché pour que la plupart des équipes n'envisagent jamais de l'exécuter elles-mêmes.

LFM3-1.7B-Base n’a pas un tel prix, car ce n’est pas un modèle servi. Son coût correspond à l’exécution du fine-tuning, au pipeline de données et à la pile de serving, et ces chiffres varient de plus d’un ordre de grandeur selon ce que vous construisez. L’argument de Liquid est que l’exécution tient sur un seul GPU et que le résultat tient dans environ un gigaoctet, ce qui est vrai du modèle et ne dit rien du coût des données étiquetées. Un fine-tuning spécialisé n’est pas moins cher que l’appel à une API généraliste, sauf si vous disposez déjà des données ; si c’est le cas, il est nettement moins cher à grande échelle.

C'est ici qu'une couche de routage justifie sa place. OrcaRouter rėpercute les prix catalogue des fournisseurs avec 0 % de marge, de sorte qu'une baisse de prix d'un fournisseur s'applique le jour même plutôt que d'attendre un cycle de réévaluation tarifaire, et la même clé donne accès à plus de 200 modèles avec basculement automatique. Le schéma pratique, pour une équipe qui pèse cette décision, consiste à garder le modèle généraliste sur le chemin routé pendant que le fine-tuning spécialisé est en cours d'évaluation, puis à basculer le trafic lorsque le fine-tuning l'emporte sur votre propre jeu de validation — et non sur une moyenne de fournisseur.

Trois acheteurs, trois réponses

Vous disposez de données propriétaires et d'une tâche ciblée. Prenez LFM3-1.7B-Base. Le tronc de 1,73 B est suffisamment petit pour être affiné sur un seul GPU, la fenêtre de contexte de 256 K survit à l'affinage, et le vocabulaire de seize langues couvre la plupart des déploiements régionaux. Gemma 4 12B peut également être affiné, mais vous paieriez pour réentraîner une capacité dont vous êtes sur le point de vous spécialiser.

Il vous faut un modèle qui fonctionne dès cet après-midi. Prenez Gemma 4 12B. Le point de contrôle de base ne peut pas répondre à une question, et sa version ajustée est un téléchargement distinct, avec une question de licence tout aussi distincte. Gemma 4 12B est ajusté aux instructions, multimodal, documenté, et disponible à un prix médian publié. Le délai avant la première réponse se compte en minutes.

Vous avez besoin des deux. C’est le cas courant, et celui que le cadrage masque. Affinez le tronc pour la tâche étroite et à fort volume, puis aiguillez tout le reste vers un généraliste. Les deux ne sont pas interchangeables au niveau de l’architecture, et considérer la décision comme exclusive est précisément ce qui conduit les équipes soit à surpayer un spécialiste, soit à mal servir un cas d’usage pour lequel leur petit modèle n’a jamais été entraîné.

La licence est la question qui couve.

Apache 2.0 est la raison pour laquelle beaucoup d’entreprises cessent de lire la licence de Gemma. Il n’y a aucun seuil de revenus, aucun déclencheur commercial et aucune négociation — les poids sont à vous, à modifier et à servir, sous réserve de la politique d’utilisation acceptable de Google. La LFM Open License v1.0 de Liquid est également permissive à petite échelle, mais elle définit un seuil de chiffre d’affaires annuel de 10 millions de dollars au-delà duquel une licence commerciale s’applique. Pour une startup, la différence est théorique. Pour une unité commerciale au sein d’une grande entreprise, il s’agit d’une discussion avec les achats qui commence avant le premier fine-tuning.

Qu’est-ce qui changerait la réponse ?

Deux éléments de preuve feraient passer cette comparaison d’un argument de catégorie à une comparaison chiffrée. Le premier est une évaluation du modèle de base par Liquid — même de petite ampleur, sur un corpus tenu à l’écart — qui permettrait au lecteur de juger si 22 000 milliards de tokens et l’architecture tri-hybride ont produit un meilleur point de départ que LFM2.5-2.6B-Base. Le second est un fine-tuning indépendant de LFM3-1.7B-Base sur une tâche publique, comparé à une base de référence Gemma 4 12B. Aucun des deux n’existe encore, et l’article de lancement ne les promet pas.

Jusqu’à ce qu’ils le fassent, la décision repose sur ce que vous achetez plutôt que sur le modèle qui est meilleur : un tronc de 3,46 Go sans scores ni affinage par instructions, ou un généraliste de 12B avec un tableau complet de chiffres du fournisseur et une licence que vous n’avez jamais à revoir. Sur le plan des capacités, ce n’est pas un choix serré. C’est un choix serré en termes d’adéquation, et la colonne vide du tableau de scores est la chose la plus honnête sur cette page.