LFM2.5-24B-A2B vs Gemma 4 12B: Agen Sparse Melawan Yang Multimodal Dense

Dari Liquid AI, LFM2.5-24B-A2B dan dari G​oogle DeepMind, G​emma 4 12B adalah dua checkpoint open-weight yang paling mungkin berada di antrean unduhan yang sama bulan ini, dan keduanya datang dari arah yang berlawanan. LFM2.5-24B-A2B dirilis pada 13 Oktober 2026 dengan membawa 24,0 miliar parameter, yang hanya 2,45 miliar di antaranya dibaca per token, teks masuk dan teks keluar, konteks 131.072 token, dan tabel benchmark yang dibangun sepenuhnya di sekitar penggunaan alat. G​emma 4 12B dirilis pada 3 Juni 2026 sebagai model dense dengan 11,95 miliar parameter yang membaca teks, gambar, dan audio serta menulis teks, di bawah Apache 2.0, tanpa batas pendapatan yang melekat. Satu di antaranya adalah mesin agen spesialis yang berjalan di laptop yang sudah Anda miliki. Yang lainnya adalah generalis yang bisa melihat dan mendengar, berjalan di laptop yang sama dalam sekitar 7 GB, dan disertai lisensi yang tidak perlu Anda baca dua kali.

Jadi, pertanyaan yang dijawab halaman ini bukanlah "mana yang lebih baik," karena keduanya memang tidak pernah dibuat untuk pekerjaan yang sama. Pertanyaannya lebih sempit dan lebih berguna: jika Anda memasang agen pribadi di mesin yang Anda kendalikan, mana dari keduanya yang Anda unduh, dan apa yang Anda relakan dengan pilihan mana pun?

Jawabannya dalam satu paragraf, untuk orang-orang yang sudah tahu apa yang mereka inginkan.

Pilih LFM2.5-24B-A2B jika agen melakukan pemanggilan alat multi-langkah dan tidak ada hal lain — angka agentik milik vendor itu sendiri jauh di depan G​emma 4 12B pada segelintir baris yang cukup sebanding untuk disandingkan, dan model ini selalu menghasilkan jejak penalaran eksplisit sebelum bertindak. Pilih G​emma 4 12B jika tugasnya melibatkan tangkapan layar, dokumen yang difoto, halaman yang dipindai, atau klip audio, jika Anda ingin jejak penalaran dimatikan demi latensi, atau jika perusahaan Anda berada di dekat ambang pendapatan $10M tempat lisensi Liquid tidak lagi gratis. Bacalah terus jika Anda menginginkan angka di balik kedua kalimat itu, karena cukup banyak perbandingan yang bergantung pada bagaimana kedua vendor mengukur.

Di mana kedua pos pemeriksaan itu benar-benar berbeda

• Ekonomi parameter — LFM2.5-24B-A2B adalah mixture-of-experts: total 24,0B, 2,45B aktif per token, 64 pakar dengan perutean top-4 di 40 lapisan (30 blok konvolusi pendek dengan gerbang ganda, 10 grouped-query attention). G​emma 4 12B bersifat dense: total 11,95B di 48 lapisan, setiap parameter dibaca pada setiap token.

• Apa yang muat di disk — Liquid menerbitkan Q4_K_M GGUF sebesar 14,5 GB dan QAT QAD-Q4_0 sebesar 13,6 GB, dengan build MLX 4-bit sebesar 13,6 GB; 48 GB dalam BF16. QAT GGUF milik G​oogle untuk 12B sekitar 6,98 GB bobot ditambah file proyeksi multimodal 0,18 GB, dan build komunitas Unsloth berkisar dari sekitar 4,2 GB pada 2-bit hingga 7,12 GB pada Q4_K_M.

• Konteks — 131.072 token untuk LFM2.5-24B-A2B, dua kali lipat dari 32.768 generasi sebelumnya. Gemma 4 12B memiliki 256K (262.144), dengan jendela geser 1.024 token dan attention hibrida yang menyelang-seling lapisan lokal dan global.

• Modalitas — LFM2.5-24B-A2B hanya untuk teks, dan memang sengaja demikian. G​emma 4 12B menerima teks, gambar, dan audio, tanpa encoder multimodal sama sekali: patch gambar mentah dan bentuk gelombang audio diproyeksikan langsung ke ruang yang sama dengan token teks.

• Perilaku penalaran — LFM2.5-24B-A2B hanya untuk penalaran dalam penyebutan vendor: model ini selalu berpikir di dalam blok <think> sebelum menjawab. Kartu G​emma 4 12B menjelaskan model yang disetel dengan instruksi tanpa jejak wajib, yang pada laptop merupakan keuntungan latensi dan kerugian transparansi.

• Lisensi — lfm1.0 gratis untuk diunduh, di-fine-tuning, dan digunakan secara komersial hingga pendapatan tahunan $10 juta, lalu lisensi komersial berlaku. G​emma 4 12B berlisensi Apache 2.0 tanpa pemicu pendapatan; Ketentuan Penggunaan dan Kebijakan Penggunaan yang Dilarang milik G​oogle menyertai bobot tersebut sebagai dokumen penggunaan yang dapat diterima, bukan sebagai pembatasan lisensi.

• Skala kosakata dan pelatihan — LFM2.5-24B-A2B memperbesar kosakatanya dari 65K menjadi 128K melalui perluasan tokenizer in-place dan meningkatkan skala pra-pelatihan dari 17T menjadi 33T token, dengan 300B token pelatihan menengah pada konteks penuh dan tahap RL agentik di dalam harness nyata. G​emma 4 12B memiliki kosakata 262K yang dibagikan di seluruh keluarga dan dipra-latih pada 140+ bahasa dengan klaim dukungan siap pakai untuk 35+.

Satu-satunya tolok ukur yang dijalankan kedua vendor

Membandingkan dua tabel peluncuran yang berbeda biasanya adalah jebakan. Di sini ada tepat satu baris di mana kedua perusahaan mengukur hal yang sama dengan dasar yang sebanding, dan baris itu layak diisolasi justru karena ia begitu menyendiri.

GPQA Diamond — Liquid melaporkan 74,42 untuk LFM2.5-24B-A2B; tabel keluarga Gemma 4 milik Google melaporkan 78,8 untuk Gemma 4 12B yang disetel dengan instruksi. Keduanya dilaporkan vendor dan belum direproduksi. 12B dense sedikit unggul dalam pertanyaan sains tingkat pascasarjana, yang sejalan dengan cara Liquid sendiri membingkai bahwa modelnya bukan model untuk ditanyai pertanyaan pengetahuan — pos peluncurannya menyarankan memadukannya dengan retrieval atau pencarian web alih-alih mempercayai bobotnya.

Segala hal lainnya harus dibaca dalam tabelnya masing-masing, dan ringkasan jujurnya adalah bahwa kedua tabel mengukur hal-hal yang hampir saling lepas. Tabel enam belas benchmark Liquid mencakup AutomationBench (27.69), BFCLv4 (65.01), ToolSandbox (80.71), LiveClaw (48.09), PinchBench (83.18), τ³-Bench Banking (8.04), WebArena Verified (26.75), IFEval (96.75), IFBench (74.69), Multi-IF (84.38), MATH-500 (96.04), SWE-Bench Verified via OpenCode (51.00), SciCode (32.71), AA-Omniscience (−24.90) dan HLE (7.40). Tabel keluarga G​oogle mencakup MMLU Pro (77.2), AIME 2026 tanpa alat (77.5), LiveCodeBench v6 (72.0), ELO Codeforces sebesar 1659, MMMU Pro (69.1) dan MRCR v2 pada 128K dengan delapan jarum (43.4).

Hanya ada satu tumpang tindih, dan tidak ada harness bersama. Siapa pun yang menerbitkan papan skor gabungan dari kedua tabel itu sedang mengarang perbandingan yang tidak pernah dijalankan oleh kedua perusahaan tersebut.

Secara independen, dan inilah sisi yang lebih tajam

Artificial Analysis telah memberi skor pada G​emma 4 12B: Intelligence Index 14, peringkat ke-20 dari 141 model di kelas perbandingannya, dengan kecepatan terukur 110,9 token per detik dan biaya pihak ketiga gabungan sebesar $0,10 per juta token input dan $0,30 per juta token output. Itu adalah angka independen untuk model yang telah tersedia untuk publik selama empat bulan dan memiliki ekosistem yang mendukungnya.

LFM2.5-24B-A2B tidak memiliki padanan. Usianya baru sehari, belum ada pihak ketiga yang menerbitkan skor, dan angka edge milik Liquid sendiri — 184 token per detik di Apple M5 Max, 114 di AMD Ryzen AI Max+ 395, "hingga 1,7× lebih cepat daripada MoE sebanding di perangkat" — tidak menyertakan baseline maupun reproduksi. Untuk model yang diukur vendor dibandingkan dengan model yang diukur secara independen, asimetri itulah temuannya: salah satu dari dua angka ini dapat Anda periksa sendiri hari ini, dan itu bukan yang lebih baru.

Jika Anda lebih memilih untuk tidak mempertaruhkan jalur produksi pada tabel vendor yang berumur empat hari, itulah gunanya failover otomatis. Arahkan agen ke LFM2.5-24B-A2B, pertahankan model berskor di belakangnya, dan biarkan router memindahkan permintaan saat harness mulai gagal — tanpa kontrak kedua, tanpa perubahan kode selain daftar fallback.

Biaya, dalam dua mata uang yang digunakan ini

Keduanya adalah model local-first, jadi tagihan sebenarnya adalah perangkat keras dan listrik. Di sisi hosted, Liquid menetapkan harga akses API sebesar $0,10 per juta token input ($0,05 di-cache) dan $1,00 per juta token output melalui Console miliknya sendiri, dengan kredit awal $2. G​oogle sama sekali tidak menerbitkan harga per token untuk G​emma 4 12B — campuran $0,10/$0,30 di atas adalah median pihak ketiga di berbagai platform yang menyediakan bobot terbuka, bukan harga resmi, dan menganggapnya sebagai harga resmi adalah keliru.

Inilah bagian yang penting bagi tim yang mengevaluasi keduanya: tidak ada satu pun checkpoint yang ada di katalog kami saat ini. Kami memang menyediakan titik referensi yang terus kembali menjadi acuan keputusan ini — qwen/qwen3.6-35b-a3b, model yang dijadikan tolok ukur oleh Liquid dengan parameter 1,5 kali lipat, ditambah google/gemma-4-26b-a4b-it, obsidian/gemma-4-26B-A4B dan google/gemma-4-31b-it dari keluarga G​emma 4 yang sama — semuanya melalui satu kunci, semuanya dengan markup 0% pada harga daftar milik penyedia sendiri, sehingga perubahan harga vendor sampai kepada Anda pada hari perubahan itu terjadi, bukan pada hari seseorang menandatangani ulang kontrak. Jalankan tugas Anda sendiri terhadap ukuran G​emma 4 yang dihosting, lalu putuskan apakah 12B di laptop Anda redundan.

Apa yang sebenarnya akan saya lakukan

Unduh kedua kuant. Gemma 4 12B pada Q4_K_M sekitar 7 GB dan akan memberi tahu Anda dalam satu jam apakah tugas Anda membutuhkan mata dan telinga — jika ya, keputusannya sudah final dan LFM2.5-24B-A2B sama sekali tidak masuk hitungan, karena ia tidak bisa melihat. Jika tidak, muat LFM2.5-24B-A2B QAD-Q4_0 pada 13,6 GB dan jalankan harness nyata Anda terhadapnya, karena seluruh argumen untuk checkpoint itu adalah pemanggilan alat multi-langkah dan tidak ada benchmark statis yang akan menyelesaikannya untuk alat Anda.

Dua hal yang perlu diingat saat Anda melakukannya. Pertama, tabel kedua vendor tidak direproduksi, dan satu-satunya model yang dinilai secara independen dalam perbandingan ini adalah model yang lebih tua dan lebih padat — yang menjadi alasan untuk lebih mempercayai angka Gemma 4 12B, bukan alasan untuk menganggap model yang lebih baru lebih lemah. Kedua, kesenjangan lisensi itu nyata dan asimetris dengan cara yang jarang muncul di postingan benchmark: Gemma 4 12B adalah Apache 2.0 selamanya, sedangkan LFM2.5-24B-A2B menjadi urusan komersial begitu perusahaan Anda melewati pendapatan $10M. Bagi pengembang individu, itu tidak terlihat. Bagi tim produk yang merilis agen di perangkat, itu adalah pos anggaran dalam siklus perencanaan berikutnya, dan itu adalah satu dimensi di mana model yang lebih kecil, lebih tua, dan multimodal jelas merupakan default yang lebih aman.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.