כרטיס כותרת הירו עם הכיתוב 'LFM2.5-24B-A2B vs Gemma 4 26B-A4B', עם כותרת המשנה 'שני מודלים דלילים, שני תקציבים שונים', ושתי לוחות מתויגים עם הכיתוב 'LFM2.5-24B-A2B: 24.0B סה"כ, 2.45B פעילים, טקסט בלבד' ו-'Gemma 4 26B A4B: 25.2B סה"כ, 3.8B פעילים, טקסט + תמונה', כאשר הלוגו של OrcaRouter משולב בפינה הימנית התחתונה.
Guides & Insights

LFM2.5-24B-A2B לעומת Gemma 4 26B-A4B: שני מודלים דלילים, שתי תאוריות שונות לאן הולך החישוב

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

LFM2.5-24B-A2Bו-Gemma 4 26B-A4B נראים כמו אותו רעיון פעמיים. הצ'קפוינט של Liquid AI שוחרר ב-13 באוקטובר 2026 עם 24.0 מיליארד פרמטרים בסך הכל, עם 2.45 מיליארד נקראים לכל טוקן. Gemma 4 26B-A4B של Google DeepMind נושאת 25.2 מיליארד בסך הכל עם 3.8 מיליארד פעילים לכל טוקן, פורסמה ב-Hugging Face ב-11 במרץ 2026. שניהם תערובות של מומחים, שניהם בקירוב צ'קפוינט של 25 מיליארד פרמטרים המחובר לתקציב חישוב של 2 עד 4 מיליארד פרמטרים, ושני הספקים נעזרים באותו משפט כשהם מסבירים את הפשרה — אתה משלם בזיכרון עבור מודל גדול ובהשהיה עבור מודל קטן. האריתמטיקה הכמעט זהה היא בדיוק הסיבה לכך שההשוואה ראויה להיעשות כראוי, כי שני המודלים אז מוציאים את התקציב הזה על דברים שונים לחלוטין: Gemma 4 26B-A4B מוציאה אותו על ראייה, הקשר של 256K ובסיס ידע רחב; LFM2.5-24B-A2B מוציא אותו על עקבות חשיבה, רתמת קריאה לכלים ולמידת חיזוק אג'נטית. אותה צורה, סדרי עדיפויות הפוכים.

יש עוד אסימטריה אחת מעל לכל זה: טבלת הבנצ'מרק של LFM2.5-24B-A2B משתמשת ב-Gemma-4-26B-A4B-it כאחד משלושת בסיסי ההשוואה שלה, כך שלשם שינוי איננו מציבים זו לצד זו שתי טבלאות השקה ומנחשים — Liquid הריצה את שתיהן, באותה סביבת vLLM, ופרסמה את השורות.

לשניהם חסר אותו דבר, וזה הדבר שכולם מניחים.

התחל בתפיסה המוטעית ששני המודלים האלה צפויים ביותר לייצר, כי היא זהה אצל שניהם. תערובת מומחים דלילה לא מקטינה את דרישות הזיכרון שלך. כל פרמטר בצ'קפוינט חייב להיות בזיכרון; מה ש-2.45B או 3.8B פעילים קונים לך הוא תפוקה לכל טוקן, לא טביעת זיכרון קטנה יותר. קורא שרואה "2.45B פעילים" ופונה למכונה עם 4 GB הולך לעבור אחר צהריים רע.

בקטלוג שלנו, הצ'קפוינט Gemma 4 26B A4B מופיע עם הקשר של 262,144 טוקנים, וכרטיס ה-LFM2.5-24B-A2B נותן 131,072. בדיסק הפער גדול יותר ממה שספירות הפרמטרים מרמזות: LFM2.5-24B-A2B מפרסם Q4_K_M GGUF בגודל 14.5 GB ו-QAT QAD-Q4_0 בגודל 13.6 GB, עם 48 GB ב-BF16; Gemma 4 26B A4B מפרסם bfloat16 safetensors כמקטע של 49.9 GB בתוספת מקטע של 1.7 GB, עם GGUF 4-ביט מודע לכימות שמזווג קובץ משקולות קומפקטי עם קובץ הקרנה מולטימודלי נפרד. במספרים עגולים: כ-14 GB לעומת כ-50 GB לא דחוס, משני צ'קפוינטים שסך ספירת הפרמטרים שלהם נבדל במיליארד. ההבדל הזה נובע מאוצר המילים, מפריסת המומחים ומערימת המולטימודל, ולא מהנתון הכותרתי של הפרמטרים, והוא השורה המעשית ביותר בכל המאמר הזה.

השוואת המפרט, שורה אחת לכל מימד

• סה"כ / פרמטרים פעילים — LFM2.5-24B-A2B 24.0B / 2.45B, 64 מומחים עם ניתוב top-4 לאורך 40 שכבות. Gemma 4 26B-A4B 25.2B / 3.8B, 8 מומחים פעילים מתוך 128 ועוד מומחה משותף אחד לאורך 30 שכבות.

A capture of the Hugging Face model page for google/gemma-4-26B-A4B-it, showing the image-text-to-text pipeline tag, the Transformers and Safetensors formats, the gemma4 and conversational tags, the Apache 2.0 licence, and the card text stating that Gemma 4 models are multimodal, handling text and image input with audio supported on the E2B, E4B and 12B models, that the family spans a context window of up to 256K tokens across five sizes, and the architecture list covering reasoning, extended multimodalities, dense and MoE variants, and on-device optimisation.

• הקשר — 131,072 טוקנים לעומת 262,144, כאשר Gemma 4 26B A4B משתמש בחלון הזזה של 1,024 טוקנים ובקשב היברידי המשזור שכבות מקומיות וגלובליות, תוך שמירה על השכבה האחרונה כגלובלית.

• מודאליות — LFM2.5-24B-A2B הוא טקסט נכנס וטקסט יוצא. Gemma 4 26B A4B מקבל טקסט ותמונה, עם מקודד חזותי של כ-550 מיליון פרמטרים; אודיו מוגבל לגדלים הקטנים יותר של Gemma 4.

• חשיבה — LFM2.5-24B-A2B תמיד פולט שרשרת חשיבה מפורשת בתוך בלוק <think>. Gemma 4 26B A4B הוא כללן מכוונן להוראות ללא עקבה מחייבת.

• אוצר מילים — 128,000 טוקנים, הוכפל מהדור הקודם על ידי הרחבת טוקנייזר במקום, לעומת אוצר מילים משפחתי של 262K המשותף לכל חמשת הגדלים של Gemma 4.

• רישיון — lfm1.0, בחינם לשימוש מסחרי עד 10 מיליון דולר בהכנסות שנתיות, ומעבר לכך נדרש רישיון מסחרי. Gemma 4 26B A4B הוא Apache 2.0, נוסח הרישיון הסטנדרטי נמצא בכתובת ai.google.dev/gemma/apache_2, כאשר מדיניות השימוש האסור של Google מופיעה לצידו כמסמך שימוש מקובל ולא כמגבלה של הרישיון.

• פורמטים שפורסמו — GGUF (מ-Q4_K_M ועד BF16), FP8, ONNX ו-MLX של 4/5/6/8-bit עבור מודל Liquid; bfloat16 safetensors, צ'קפוינט מאומן מראש, בניית QAT 4-bit ו-GGUF מוכן ל-llama.cpp, ובנוסף מודל טיוטה לחיזוי ריבוי טוקנים, עבור גודל Gemma.

Liquid הריצו את שניהם, והתוצאות אינן ניצחון מוחלט

פוסט ההשקה של LFM2.5-24B-A2B מציב את Gemma-4-26B-A4B-it בעמודת הבסיס של טבלת ששת-עשר-המדדים שלו, לצד Qwen3.6-35B-A3B ו-Nemotron-3.5-Lightning, כאשר כל ארבעת העמודות הורצו ב-vLLM תחת הגדרות יצירה לכל מדד בנפרד. כל מה שלהלן מדווח על ידי הספקים בשני הצדדים — המספרים של Liquid, בטבלה ש-Liquid הרכיבה. זה אינו הערכה בלתי תלויה, אבל זה לפחות הרנס אחד ואחיד, וזה יותר ממה שרוב העמודים של השוואת דגמים זוכים לו.

השורות האג'נטיות נראות כמו תבוסה מוחצת: AutomationBench 27.69 מול 5.46, ToolSandbox 80.71 מול 72.09, LiveClaw 48.09 מול 41.25, τ³-Bench Banking 8.04 מול 4.54, BFCLv4 65.01 מול 57.09. ביצוע הוראות הוא אותו סיפור — IFEval 96.75 מול 92.00, IFBench 74.69 מול 47.44, Multi-IF 84.38 מול 82.19.

ואז החצי השני של הטבלה, שאותו Liquid פרסמה בכל מקרה: PinchBench 83.18 מול 77.12 הולך לכיוון ההפוך, וכך גם שלוש שורות שחשובות יותר מכל אחד מהניצחונות בקריאה לכלים. GPQA Diamond — 74.42 מול 74.90, למעשה שוויון בקצה העליון של מדעי התואר השני. SWE-Bench Verified דרך OpenCode — 51.00 מול 25.80, יתרון של שניים לאחד לטובת מודל Liquid, שהוא המספר הבודד המפתיע ביותר בשתי הטבלאות. SciCode — 32.71 מול 35.42, כשגודל Gemma מוביל. AA-Omniscience — ‎−24.90 מול ‎−59.39, כאשר שני המודלים מקבלים ציונים גרועים וגודל Gemma מקבל ציון גרוע יותר מכפליים.

שתי פרשנויות לכך, והישרה שבהן היא השנייה. הראשונה היא שמודל סוכנים עם 2.45B פרמטרים פעילים מנצח ג'נרליסט עם 3.8B פעילים במשימות סוכנים, וזה מה שהוא נבנה לעשות. השנייה היא שהעמודה של Gemma 4 26B A4B נראית חלשה באופן חריג בכל החזיתות — 25.2B פרמטרים בסך הכול ו-3.8B פעילים שממוקמים מתחת למודל עם 2.45B פעילים בביצוע הוראות, שימוש בכלים וידע אינו מה שטבלת המשפחה של G​oogle עצמה הייתה חוזה, וזו תזכורת לכך שמערכת בדיקה משותפת אינה הופכת בנצ'מרק להשוואתי אם מריצים את המודלים עם הגדרות יצירה ופרומפטים שונים. התייחסו לכיוון השורות האלה כאל מלמד, ולגדלים — לא.

מה שאינו מופיע בטבלה כלל הוא החצי הרב-מודלי של Gemma 4 26B A4B. אי אפשר לערוך כאן בנצ'מרק ראייה כי LFM2.5-24B-A2B אינו יכול לראות. אם חלק כלשהו מעומס העבודה שלך כולל תמונה שמגיעה ממשתמש, להשוואה הזו יש מנצח עוד לפני שהיא מתחילה, והוא אינו המודל החדש יותר.

מחיר, ומה העלות בפועל של החזקת כל אחד מהם

ל-LFM2.5-24B-A2B יש מחיר לפי טוקן: $0.10 למיליון טוקני קלט ($0.05 במטמון) ו-$1.00 למיליון פלט ב-Console של Liquid עצמה, עם קרדיט התחלתי של $2. ל-Gemma 4 26B A4B אין כלל מחיר מחירון ספק — Google לא מפרסמת כזה — כך שנתון העלות הכנה היחיד הוא מה שהפלטפורמות המארחות את המשקולות הפתוחות גובות, וזה משתנה לפי מארח ולפי יום.

האסימטריה הזו היא הטיעון בעד מעבר דרך ראוטר במקום לחבר את נקודת הקצה של ספק אחד ישירות לתוך הקוד שלכם. מלבד הגיאומטריה, זו הנקודה שבה בחינה של שני הצדדים חשובה: אנחנו מגישים את ה-checkpoint של Gemma 4 26B A4B תחת שני מזהים — google/gemma-4-26b-a4b-it וגם obsidian/gemma-4-26B-A4B — ושתי התייחסויות המחיר ש-Liquid משתמשת בהן בטבלה שלה, qwen/qwen3.6-35b-a3b ביניהן, תחת מפתח אחד ב-0% תוספת על מחיר המחירון של הספק. אנחנו לא מגישים את LFM2.5-24B-A2B. הגרסה המעשית של העמוד הזה היא אפוא: משכו את ה-checkpoint של Liquid והריצו אותו מקומית, וקראו ל-Gemma 4 בגודל הזה ולבסיס Qwen דרך אותו מפתח בזמן שאתם מחליטים, כך שאתם משווים על המשימות שלכם ולא על בחירת ה-harness של אף אחד מהספקים.

A two-column scoreboard titled 'LFM2.5-24B-A2B vs Gemma 4 26B A4B — the scoreboard'. The left column, LFM2.5-24B-A2B, lists 24.0B total and 2.45B active parameters, a 131,072-token context, text-only input, SWE-Bench Verified 51.00, AutomationBench 27.69, and a Q4_K_M download of 14.5 GB. The right column, Gemma 4 26B A4B, lists 25.2B total and 3.8B active parameters, a 262,144-token context, text and image input, SWE-Bench Verified 25.80, AutomationBench 5.46, and bfloat16 weights of about 50 GB, above a footer reading 'Benchmark rows from Liquid AI's 2026-10-13 vLLM table, which ran both models; vendor-reported and unreproduced.' and the OrcaRouter logo composited bottom-right.A capture of OrcaRouter's own model page for google/gemma-4-26b-a4b-it, showing the 'Gemma 4 26B A4B' heading and the google/gemma-4-26b-a4b-it identifier, the vision, tools, JSON and reasoning chips, Google as the vendor with a 2026-04-03 date, the summary noting 25.2B total parameters with only 3.8B activating per token, and the 262K-token context row listing text, image and video input with a p50 time-to-first-token figure.

איזה מהם, ומתי השאלה היא באמת על המכונה שלך

אם עומס העבודה שלך הוא טקסט והסוכן שלך צריך לתכנן, לקרוא לכלים ולהסביר את עצמו, הצ'קפוינט החדש יותר הוא זה שכדאי להוריד: 14.5 GB ב-Q4_K_M, הקשר של 131K, חשיבה מפורשת, וטבלת בנצ'מרקים שבה הוא מנצח בשורות האג'נטיות מול היריב המדויק הזה. אם חלק מהעבודה שלך כולל תמונות, או שאתה צריך הקשר של 256K במקום 128K, או שאתה רוצה רישיון Apache 2.0 בלי סעיף הכנסות שצריך לעקוב אחריו, Gemma 4 26B A4B עונה על שאלה ש-LFM2.5-24B-A2B אפילו לא שואל — בערך פי שלושה וחצי מנפח הדיסק הלא דחוס.

הדבר שאף אחד מהמודלים לא מתקן הוא ששניהם מוגבלי זיכרון ולא מוגבלי חישוב, ושני הספקים צריכים להיקרא באותו אופן. פוסט ההשקה של משפחת Google מתאר את שני הגדלים הגדולים יותר של Gemma 4 כמשקולות bfloat16 ש"מתאימות ביעילות ל-GPU בודד 80GB של NVIDIA H100" — נכון, וגם מסגור של היצרן עצמו ולא מדידה של הבנייה הספציפית הזו. ל-Liquid יש 184 טוקנים לשנייה על Apple M5 Max ו"עד פי 1.7 מהר יותר מ-MoEs דומים במכשיר" — גם אלה אינם כוללים שחזור. שני מודלים דלילים, שני ספקים, הוראה משותפת אחת: האריתמטיקה בשם מספרת לך על מהירות, ושום דבר בשם לא מספר לך על זיכרון.

גם בהשוואות כמו זו מתגלים מצבי הכשל: התקריות המתועדות ב-AI וכשלי סוכנים מאחורי מודלים בקטגוריה הזו נאספים ב-OrcaRouter AI Incident Archive, שם כל רשומה נושאת את מקורותיה, החומרה, דרגת הוודאות ודגל המחלוקת שלה.