
LFM2.5-24B-A2B vs Gemma 4 26B-A4B: Dua Model Sparse, Dua Teori Berbeda tentang Ke Mana Komputasi Dialokasikan
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 182 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 356 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 147 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
LFM2.5-24B-A2B dan Gemma 4 26B-A4B terlihat seperti ide yang sama yang muncul dua kali. Checkpoint Liquid AI dirilis pada 13 Oktober 2026 dengan total 24,0 miliar parameter dan 2,45 miliar yang dibaca per token. Gemma 4 26B-A4B dari Google DeepMind membawa total 25,2 miliar dengan 3,8 miliar aktif per token, diterbitkan di Hugging Face pada 11 Maret 2026. Keduanya adalah campuran ahli, keduanya kira-kira merupakan checkpoint 25 miliar parameter yang disandingkan dengan anggaran komputasi dua hingga empat miliar parameter, dan kedua vendor menggunakan kalimat yang sama saat menjelaskan trade-off ini — Anda membayar dengan memori untuk model besar dan dengan latensi untuk model kecil. Aritmetika yang nyaris identik itu justru menjadi alasan mengapa perbandingan ini layak dilakukan dengan benar, karena kedua model kemudian menghabiskan anggaran itu untuk hal-hal yang sepenuhnya berbeda: Gemma 4 26B-A4B menghabiskannya untuk visi, konteks 256K, dan basis pengetahuan yang luas; LFM2.5-24B-A2B menghabiskannya untuk jejak penalaran, harness pemanggilan alat, dan pembelajaran penguatan agentik. Bentuk yang sama, prioritas yang berlawanan.
Ada satu lagi asimetri yang berada di atasnya: tabel benchmark LFM2.5-24B-A2B menggunakan Gemma-4-26B-A4B-it sebagai salah satu dari tiga baseline-nya, jadi untuk sekali ini kita tidak menyejajarkan dua tabel peluncuran dan menebak-nebak — Liquid menjalankan keduanya, di lingkungan vLLM yang sama, dan menerbitkan baris-barisnya.
Keduanya sama-sama kehilangan hal yang sama, dan itulah hal yang semua orang anggap.
Mulailah dengan kesalahpahaman yang paling mungkin dihasilkan oleh kedua model ini, karena kesalahpahaman itu sama untuk keduanya. Campuran pakar yang sparse tidak mengecilkan kebutuhan memori Anda. Setiap parameter dalam checkpoint harus tetap berada di memori; yang Anda dapatkan dari 2,45 miliar atau 3,8 miliar parameter aktif adalah throughput per token, bukan jejak memori yang lebih kecil. Pembaca yang melihat "2,45 miliar aktif" lalu menggapai mesin 4 GB akan mengalami sore yang buruk.
Di katalog kami sendiri, checkpoint Gemma 4 26B A4B tercantum dengan konteks 262.144 token, dan kartu LFM2.5-24B-A2B memberikan 131.072. Di disk, selisihnya lebih besar daripada yang disiratkan oleh jumlah parameter: LFM2.5-24B-A2B menerbitkan Q4_K_M GGUF sebesar 14,5 GB dan QAT QAD-Q4_0 sebesar 13,6 GB, dengan 48 GB dalam BF16; Gemma 4 26B A4B menerbitkan bfloat16 safetensors sebagai shard 49,9 GB plus shard 1,7 GB, dengan GGUF 4-bit yang sadar kuantisasi memadukan file bobot yang ringkas dengan file proyeksi multimodal terpisah. Angka bulat: sekitar 14 GB versus sekitar 50 GB tanpa kompresi, dari dua checkpoint yang jumlah total parameternya berbeda satu miliar. Perbedaan itu berasal dari kosakata, tata letak expert, dan tumpukan multimodal, bukan dari angka parameter di judul, dan itulah satu baris paling praktis di seluruh tulisan ini.
Perbandingan spesifikasi, satu baris per dimensi
• Total / parameter aktif — LFM2.5-24B-A2B 24.0B / 2.45B, 64 expert dengan routing top-4 di 40 lapisan. Gemma 4 26B-A4B 25.2B / 3.8B, 8 expert aktif dari 128 plus satu expert bersama di 30 lapisan.

• Konteks — 131.072 token versus 262.144, dengan Gemma 4 26B A4B menggunakan jendela geser 1.024 token dan atensi hibrida yang menyisipkan lapisan lokal dan global secara bergantian, dengan lapisan terakhir tetap global.
• Modalitas — LFM2.5-24B-A2B adalah teks masuk, teks keluar. Gemma 4 26B A4B menerima teks dan gambar, dengan encoder visi berukuran sekitar 550M parameter; audio dibatasi pada ukuran Gemma 4 yang lebih kecil.
• Penalaran — LFM2.5-24B-A2B selalu mengeluarkan rantai pemikiran eksplisit di dalam blok <think>. Gemma 4 26B A4B adalah generalis yang disetel instruksi tanpa jejak wajib.
• Kosakata — 128.000 token, dua kali lipat dari generasi sebelumnya melalui perluasan tokenizer secara in-place, dibandingkan kosakata keluarga 262K yang dibagikan di kelima ukuran Gemma 4.
• Lisensi — lfm1.0, gratis untuk penggunaan komersial hingga pendapatan tahunan $10M dan lisensi komersial setelah melampaui angka itu. Gemma 4 26B A4B adalah Apache 2.0, teks lisensi standar di ai.google.dev/gemma/apache_2, dengan kebijakan penggunaan yang dilarang dari Google berada di sampingnya sebagai dokumen penggunaan yang dapat diterima, bukan sebagai pembatasan lisensi.
• Format yang diterbitkan — GGUF (Q4_K_M hingga BF16), FP8, ONNX, dan MLX 4/5/6/8-bit untuk model Liquid; bfloat16 safetensors, checkpoint pra-terlatih, build QAT 4-bit, dan GGUF siap llama.cpp, plus drafter prediksi multi-token, untuk ukuran Gemma.
Liquid menjalankan keduanya, dan hasilnya bukan sapu bersih
Pos peluncuran LFM2.5-24B-A2B menempatkan Gemma-4-26B-A4B-it di kolom baseline pada tabelnya yang berisi enam belas tolok ukur, bersama Qwen3.6-35B-A3B dan Nemotron-3.5-Lightning, dengan keempat kolom dijalankan di vLLM menggunakan pengaturan generasi per tolok ukur. Semua yang di bawah ini dilaporkan oleh vendor di kedua sisi — angka-angka Liquid, dalam tabel yang disusun Liquid. Ini bukan evaluasi independen, tetapi setidaknya ini merupakan satu harness yang sama, yang lebih daripada yang didapatkan sebagian besar halaman perbandingan antar-model.
Baris-baris agentic terbaca seperti kemenangan telak: AutomationBench 27.69 berbanding 5.46, ToolSandbox 80.71 berbanding 72.09, LiveClaw 48.09 berbanding 41.25, τ³-Bench Banking 8.04 berbanding 4.54, BFCLv4 65.01 berbanding 57.09. Pengikutan instruksi juga sama ceritanya — IFEval 96.75 berbanding 92.00, IFBench 74.69 berbanding 47.44, Multi-IF 84.38 berbanding 82.19.
Kemudian separuh tabel lainnya, yang lagipula dipublikasikan oleh Liquid: PinchBench 83,18 versus 77,12 berjalan sebaliknya, dan begitu pula tiga baris yang lebih penting daripada kemenangan dalam pemanggilan alat mana pun. GPQA Diamond — 74,42 versus 74,90, pada dasarnya setara di level tertinggi sains pascasarjana. SWE-Bench Verified via OpenCode — 51,00 versus 25,80, selisih dua banding satu yang menguntungkan model Liquid, yang merupakan angka tunggal paling mengejutkan di kedua tabel tersebut. SciCode — 32,71 versus 35,42, ukuran Gemma lebih unggul. Dan AA-Omniscience — −24,90 versus −59,39, di mana kedua model mendapat skor buruk dan ukuran Gemma skornya lebih buruk lebih dari dua kali lipat.
Ada dua cara membaca itu, dan yang jujur adalah yang kedua. Yang pertama adalah bahwa model agen dengan 2,45B aktif mengalahkan model generalis dengan 3,8B aktif dalam hal agen, yang memang menjadi tujuan pembuatannya. Yang kedua adalah bahwa kolom Gemma 4 26B A4B tampak lemah secara tidak wajar di semua bidang — 25,2B total parameter dan 3,8B aktif berada di bawah model dengan 2,45B aktif pada pengikutan instruksi, penggunaan alat, dan pengetahuan bukanlah seperti yang akan diprediksi oleh tabel keluarga Google sendiri, dan ini menjadi pengingat bahwa harness yang sama tidak membuat benchmark dapat dibandingkan jika model-modelnya dijalankan dengan pengaturan generasi dan prompting yang berbeda. Anggaplah arah baris-baris ini sebagai informatif dan besaran angkanya sebagai tidak.
Yang sama sekali tidak ada dalam tabel adalah bagian multimodal dari Gemma 4 26B A4B. Tolok ukur visi tidak mungkin dilakukan di sini karena LFM2.5-24B-A2B tidak dapat melihat. Jika ada bagian dari beban kerja Anda yang melibatkan gambar yang datang dari pengguna, perbandingan ini sudah punya pemenang sebelum dimulai, dan pemenangnya bukan model yang lebih baru.
Harga, dan berapa biaya masing-masing untuk benar-benar menyimpannya
LFM2.5-24B-A2B memiliki harga per token: $0,10 per juta token masukan ($0,05 di-cache) dan $1,00 per juta token keluaran di Console milik Liquid sendiri, dengan kredit $2 untuk memulai. Gemma 4 26B A4B sama sekali tidak memiliki harga daftar vendor — Google tidak menerbitkan satu pun — jadi satu-satunya angka biaya yang jujur adalah berapa pun yang dibebankan oleh platform yang menghosting bobot terbuka tersebut, yang bervariasi menurut host dan dari hari ke hari.
Asimetri itulah argumen untuk melewati router alih-alih menyambungkan endpoint satu vendor ke dalam kode Anda. Terlepas dari soal geometri, di sinilah checkout untuk kedua sisi menjadi penting: kami menyediakan checkpoint Gemma 4 26B A4B dengan dua id — google/gemma-4-26b-a4b-it dan obsidian/gemma-4-26B-A4B — dan kedua referensi harga yang digunakan Liquid dalam tabelnya, qwen/qwen3.6-35b-a3b di antaranya, di balik satu kunci dengan markup 0% atas harga daftar penyedia. Kami tidak menyediakan LFM2.5-24B-A2B. Versi praktis dari halaman ini karena itu adalah: unduh checkpoint Liquid dan jalankan secara lokal, serta panggil ukuran Gemma 4 dan baseline Qwen melalui kunci yang sama selagi Anda memutuskan, sehingga Anda membandingkan pada tugas Anda sendiri, bukan pada pilihan harness dari salah satu vendor.


Yang mana, dan ketika pertanyaannya sebenarnya tentang mesin Anda
Jika beban kerja Anda berupa teks dan agen Anda perlu merencanakan, memanggil alat, serta menjelaskan dirinya sendiri, checkpoint yang lebih baru adalah yang perlu diunduh: 14,5 GB pada Q4_K_M, konteks 131K, penalaran eksplisit, dan tabel benchmark tempat ia memenangkan baris-baris agentik melawan lawan yang persis ini. Jika ada pekerjaan Anda yang melibatkan gambar, atau Anda memerlukan konteks 256K alih-alih 128K, atau Anda menginginkan lisensi Apache 2.0 tanpa klausul pendapatan yang perlu dilacak, Gemma 4 26B A4B menjawab pertanyaan yang bahkan tidak ditanyakan oleh LFM2.5-24B-A2B — dengan ukuran disk tak terkompresi sekitar tiga setengah kali lipat.
Yang tidak diperbaiki oleh kedua model adalah bahwa keduanya terikat memori, bukan terikat komputasi, dan kedua vendor harus dibaca dengan cara yang sama. Post peluncuran keluarga Google menggambarkan dua ukuran Gemma 4 yang lebih besar sebagai bobot bfloat16 yang "muat secara efisien pada satu GPU NVIDIA H100 80GB" — benar, dan juga merupakan cara vendor itu sendiri membingkainya, bukan pengukuran build spesifik ini. Angka 184 token per detik Liquid pada Apple M5 Max dan "hingga 1,7× lebih cepat daripada MoEs sebanding di perangkat" juga tidak menyertakan reproduksi. Dua model sparse, dua vendor, satu pelajaran bersama: aritmetika pada nama memberi tahu Anda tentang kecepatan, dan tidak ada apa pun pada nama yang memberi tahu Anda tentang memori.
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.
