Gemma 4 26B A4B IT est un modèle Mixture-of-Experts (MoE) ajusté par instructions de Google DeepMind. Malgré 25,2B paramètres totaux, seuls 3,8B s'activent par token lors de l'inférence — offrant une qualité proche de 31B à...
Gemma 4 26B A4B est un modèle Mixture-of-Experts développé par Google. Il totalise 26 milliards de paramètres, mais seulement 4 milliards sont actifs par jeton – cette conception réduit le coût de…
Gemma 4 26B A4B accepte du texte, des images et des vidéos en entrée. Les images peuvent être fournies sous forme de données encodées en base64 ou d’URL. Les vidéos peuvent être fournies sous forme d’URL ou d’une séquence d’images (objets image). Le modèle traite ces modalités conjointement, permettant des tâches comme la réponse à des questions visuelles, le résumé vidéo et la compréhension de diagrammes. L’audio n’est pas pris en charge ; seul le contenu visuel et textuel. La sortie est uniquement du texte. La capacité multimodale du modèle est particulièrement utile pour analyser des documents contenant des graphiques, des captures d’écran ou des enregistrements vidéo.
La fenêtre de contexte est de 262 144 tokens. Cela permet au modèle de traiter de très longues séquences en une seule passe — par exemple, un document de 200 pages, des heures de transcription vidéo ou un vaste ensemble d'images avec des légendes descriptives. Les fenêtres de contexte plus grandes réduisent le besoin de découpage et de résumé, mais augmentent également l'utilisation de la mémoire. La longueur effective que vous pouvez utiliser dépendra du nombre total de tokens d'entrée (tokens de texte + tokens d'image/vidéo). Veuillez noter que les entrées d'image et de vidéo consomment de nombreux tokens ; reportez-vous à la documentation d'OrcaRouter pour savoir comment les nombres de tokens sont calculés pour les entrées non textuelles.
Si votre tâche est purement textuelle, nécessite seulement un contexte court (moins de 8 000 tokens) ou n'a pas besoin d'entrée multimodale, envisagez un modèle plus petit ou moins cher—comme Gemma 3 4B ou une variante uniquement textuelle. Gemma 4 26B A4B est facturé à 0,06 $ par million de tokens d'entrée et 0,33 $ par million de tokens de sortie. Pour les réponses à des questions simples ou la classification, les modèles avec des coûts par token plus bas peuvent être plus économiques. La conception MoE le rend efficace par rapport à sa taille totale, mais ce n'est pas l'option la moins chère disponible sur OrcaRouter pour les tâches minimales.
GPQA Diamond est un benchmark de 448 questions à choix multiples de niveau graduate en biologie, physique et chimie. Un score de 79,2 signifie que le modèle a répondu correctement à 79,2 % des questions. Cela indique un raisonnement scientifique solide et une récupération de connaissances. Le benchmark est conçu pour être difficile pour de nombreux LLM. Cependant, un seul benchmark ne peut pas capturer tous les aspects de la qualité du modèle. Par exemple, les performances du modèle sur d'autres tâches comme le codage ou l'écriture créative peuvent différer. Utilisez ce score comme un point de données lors de la comparaison de modèles pour des tâches de raisonnement scientifique similaires.
Les points forts incluent la compréhension multimodale avec un large contexte, l'efficacité MoE pour sa taille, et un raisonnement solide sur les questions scientifiques comme l'indique GPQA. Les limitations ne sont pas documentées de manière exhaustive mais sont typiques des modèles MoE : les performances peuvent varier selon le domaine, et la capacité effective par jeton est limitée par les 4B paramètres actifs. Le modèle peut avoir des difficultés avec des tâches nécessitant des chaînes logiques extrêmement profondes ou un jargon spécifique à un domaine mal représenté dans les données d'entraînement. La latence et le débit dépendent du matériel de déploiement ; OrcaRouter ne garantit pas des mesures de vitesse spécifiques.
OrcaRouter ne publie pas de benchmarks de latence standardisés pour ce modèle. En tant que modèle MoE, Gemma 4 26B A4B n’active qu’un sous-ensemble de paramètres par jeton, ce qui peut rendre l’inférence plus rapide qu’un modèle dense de 26B, mais potentiellement plus lente qu’un modèle dense plus petit. Les performances réelles dépendent de facteurs tels que la taille du lot, la longueur d’entrée et le type de GPU backend. Pour les applications en temps réel, testez avec votre charge de travail spécifique. Vous pouvez également considérer le compromis entre latence et coût : utiliser un modèle plus petit peut améliorer la rapidité à moindre coût.
Le prix est de 0,06 $ par million de tokens d’entrée et de 0,33 $ par million de tokens de sortie. Ce sont les tarifs facturés par le fournisseur (Google) et répercutés par OrcaRouter sans aucune majoration. Cela signifie que vous payez exactement le tarif du fournisseur — OrcaRouter n’ajoute aucun supplément. Les tokens sont comptés de manière cohérente sur l’ensemble de la plateforme ; les images et les images vidéo sont tokenisées selon les spécifications du modèle Google. Pour une requête multimodale typique avec quelques images, les tokens d’entrée peuvent prédominer, ce qui fait du prix des entrées le principal moteur des coûts.
OrcaRouter peut offrir des mécanismes de mise en cache pour les préfixes ou les modèles de prompt répétés, ce qui peut réduire la consommation de jetons et diminuer les coûts. Cependant, des réductions spécifiques pour la mise en cache ne sont pas garanties pour ce modèle et dépendent de votre modèle d'utilisation. Il n'existe pas de niveau de tarification par lot distinct publié pour Gemma 4 26B A4B. Pour les charges de travail à volume élevé, contactez le support OrcaRouter pour discuter des réductions potentielles. Comme pour tous les modèles de la plateforme, vous n'êtes facturé que pour ce que vous utilisez — les jetons d'entrée et de sortie — sans frais mensuels ni engagement minimum.
Compte tenu de la structure tarifaire, le coût total dépend du nombre et du type de jetons que vous envoyez et recevez. Les entrées multimodales (notamment les vidéos) peuvent utiliser de nombreux jetons d'entrée car chaque image est encodée. Pour les vidéos longues, le coût d'entrée peut dépasser le coût de sortie. Si votre tâche est lourde en sortie (par exemple, génération de longs rapports), le prix de sortie (0,33 $/M) est plus élevé que celui d'entrée. Évaluez votre ratio de jetons attendu. Pour les tâches pouvant être résolues avec un modèle textuel moins cher, la différence de coût peut être significative. Utilisez les outils de comptage de jetons d'OrcaRouter pour estimer.
Définissez l'URL de base sur https://api.orcarouter.ai/v1 et utilisez l'ID du modèle google/gemma-4-26b-a4b-it. Envoyez une requête POST à /chat/completions avec le schéma OpenAI standard. Pour une entrée multimodale, incluez un tableau d'objets de contenu avec le champ type défini sur 'text', 'image_url' ou 'video_url'. Exemple : messages: [{ role: 'user', content: [{ type: 'text', text: 'Décrivez cette vidéo.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. L'API renverra une réponse de complétion de chat.
Vous pouvez utiliser les paramètres standard d'OpenAI comme temperature, top_p, max_tokens, stop, frequency_penalty et presence_penalty. De plus, OrcaRouter prend en charge des paramètres spécifiques au fournisseur via le champ optionnel 'provider' dans le corps de la requête (non requis pour ce modèle). Le modèle prend en charge nativement le streaming en définissant stream=true. Pour les sorties structurées, utilisez le paramètre 'response_format' avec le type 'json_object' ou un schéma JSON. Reportez-vous à la documentation d'OrcaRouter pour tout paramètre supplémentaire comme 'reasoning_effort' — bien que celui-ci ne soit pas répertorié pour ce modèle.
Passer d’une autre API compatible OpenAI est simple : remplacez l’URL de base par https://api.orcarouter.ai/v1 et définissez le modèle sur google/gemma-4-26b-a4b-it. La structure de vos prompts, vos paramètres et votre client SDK restent compatibles car OrcaRouter suit le même schéma. Si vous utilisiez le SDK d’un autre fournisseur, vous devrez peut-être mettre à jour le point de terminaison et l’authentification. OrcaRouter utilise des clés API plutôt que OAuth ; incluez votre clé dans l’en-tête Authorization sous la forme 'Bearer VOTRE_CLE'. Testez d’abord avec une petite requête.
Gemma 4 26B A4B est un modèle MoE multimodal plus récent avec un contexte de 262k et un score GPQA Diamond de 79.2, tandis que Gemma 3 8B est un modèle dense plus petit (8B paramètres) avec une fenêtre de contexte de 128k et sans support vidéo natif. Gemma 3 8B est moins cher sur les tokens d'entrée (généralement $0.05-0.10 par million d'entrée) mais peut ne pas égaler la qualité de raisonnement sur les questions scientifiques difficiles. Pour les tâches impliquant des vidéos ou des documents très longs, Gemma 4 26B A4B est le choix évident. Pour les tâches uniquement textuelles avec un contexte modéré, Gemma 3 8B peut être suffisant et plus rentable.
Llama 3.1 70B est un modèle dense avec 70B paramètres et un contexte de 128k, pas nativement multimodal pour la vidéo (bien qu'il puisse traiter des images). Gemma 4 26B A4B utilise MoE pour n'activer que 4B paramètres par token, offrant potentiellement une inférence plus rapide que le modèle Llama bien plus grand. Sur GPQA Diamond, Gemma 4 26B A4B obtient un score de 79,2 ; Llama 3.1 70B obtient environ 65-70 (non directement comparable en raison des différences de versions du benchmark). Llama 3.1 70B peut être plus cher sur les tokens d'entrée (environ 0,35 $ par million d'entrée). Pour les scénarios multimodaux et à long contexte, Gemma 4 peut être plus efficace.
GPT-4o est un modèle propriétaire dense d'OpenAI avec support multimodal et une fenêtre de contexte de 128k (standard) et jusqu'à 1M pour certaines versions. Son prix est nettement plus élevé (par exemple, 2,50 $ par million de tokens d'entrée pour GPT-4o). Gemma 4 26B A4B est open-weight et disponible via OrcaRouter à un coût bien inférieur (0,06 $ / 0,33 $). Les performances sur GPQA Diamond pour GPT-4o ne sont pas directement comparables, mais généralement supérieures. Cependant, pour les applications sensibles aux coûts qui ne nécessitent pas un raisonnement de pointe, Gemma 4 26B A4B offre un excellent rapport qualité-prix. Le traitement des données diffère : Gemma 4 provient de Google avec des conditions de confidentialité distinctes.
Comparé à d'autres modèles MoE open-weight comme Mixtral 8x7B (46.7B total, 12.9B actif) ou Qwen2.5-72B-A3B (72B total, 3B actif), Gemma 4 26B A4B offre une combinaison unique : une fenêtre de contexte de 262k, un support multimodal complet (image+vidéo) et un score GPQA Diamond publié de 79.2. Mixtral 8x7B a un contexte de 32k et aucun support vidéo. Qwen2.5-72B-A3B a un contexte de 128k et prend en charge le texte mais pas la vidéo. Le nombre de paramètres actifs de 4B est comparable à celui d'autres petits modèles MoE, mais l'architecture spécifique de Gemma 4 — entraînée par Google et affinée pour le suivi d'instructions — pourrait lui donner un avantage sur les tâches multimodales et scientifiques.
Compatible OpenAI — gardez votre SDK actuel
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrée / 1M tokens | $0.060 |
| Sortie / 1M tokens | $0.330 |
| Lecture cache / 1M | $0.0075 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/google/gemma-4-26b-a4b-itOuvrir @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