LFM3-1.7B-Base vs Gemma 4 12B: Trunk Spesialis Melawan Generalis

Letakkan kedua unduhan berdampingan dan perbedaan pertama bukanlah tolok ukur. LFM3-1.7B-Base, yang dipublikasikan ke Hugging Face pada 26 Oktober 2026 dan dinamai dalam peluncuran keluarga Liquid AI keesokan harinya, adalah berkas bfloat16 berukuran 3,46 GB yang berisi model teks pra-terlatih dengan 1,73 miliar parameter. Gemma 4 12B, yang dirilis oleh Google DeepMind pada 3 Juni 2026, adalah model dense dengan 11,95 miliar parameter yang hadir dengan penyetelan instruksi, konteks 256K, dan kemampuan membaca gambar serta audio selain teks. Yang satu adalah komponen. Yang lain adalah produk. Membandingkannya berdasarkan kemampuan adalah kesalahan kategori, dan membandingkannya berdasarkan harga per token hampir sama buruknya, karena checkpoint dasar tidak memiliki harga token — yang dimilikinya adalah tagihan fine-tuning. Routing tidak menambahkan margin pada harga daftar penyedia. 0% markup Lihat penetapan harga pass-through di halaman harga kami.

Perbandingan ini tetap layak mendapat tempat, karena keduanya adalah model open-weight yang mungkin diunduh tim kecil minggu ini untuk alasan mendasar yang sama: mereka ingin model yang mereka kendalikan, di perangkat keras milik mereka sendiri, tanpa kontrak per panggilan. Pertanyaan yang berguna adalah jenis aset mana yang membawa Anda ke sana — trunk kecil yang Anda bentuk, atau generalis besar yang Anda adopsi.

Perbandingan tolok ukur yang tidak dapat dilakukan

LFM3-1.7B-Base tidak memiliki evaluasi yang dipublikasikan. Bukan evaluasi yang minim, bukan tabel vendor dengan tanda bintang — tidak ada sama sekali. Kartu model memberikan spesifikasi dan panduan fine-tuning, dan pos peluncuran Liquid memuat tabel benchmark substansial untuk LFM3-1.7B, model saudara yang telah menjalani pasca-pelatihan yang dibangun dari checkpoint ini. Itu adalah artefak yang berbeda. Model base memprediksi teks; model yang telah menjalani pasca-pelatihan mengikuti instruksi. Menilai yang pertama pada benchmark instruksi memberi tahu Anda tentang yang kedua.

Gemma 4 12B, sebaliknya, hadir dengan tabel keluarga lengkap untuk checkpoint yang disetel untuk instruksi: 77,2% pada MMLU Pro, 78,8% pada GPQA Diamond, 77,5% pada AIME 2026 tanpa alat, 72,0% pada LiveCodeBench v6, Elo Codeforces 1659, 69,1% pada MMMU Pro, dan 43,4% pada MRCR v2 pada 128K dengan delapan jarum. Semua angka tersebut merupakan angka Google sendiri dan belum ada yang direproduksi secara independen. Artificial Analysis secara terpisah menempatkan Gemma 4 12B pada Intelligence Index 14, peringkat ke-20 dari 141 model dalam kelas perbandingannya, dengan kecepatan keluaran terukur 110,9 token per detik.

Jadi papan skor yang jujur memiliki satu kolom terisi dan satu kolom kosong, dan kolom kosong itu bukanlah kegagalan model. Itulah wujud checkpoint dasar. Siapa pun yang menempatkan 49,37 — rata-rata Liquid sendiri untuk LFM3-1.7B yang telah di-tune — di samping MMLU Pro milik Gemma sedang membandingkan dua rangkaian evaluasi berbeda, dua model berbeda, dan dua tingkat penyetelan berbeda.

Untuk apa setiap checkpoint sebenarnya

LFM3-1.7B-Base ada untuk diubah. Kartu Liquid menyatakan bahwa model ini direkomendasikan hanya untuk fine-tuning berat — asisten khusus bahasa, asisten khusus domain, pelatihan pada data milik sendiri, pendekatan pasca-pelatihan baru — dan mengarahkan siapa pun yang menginginkan chat atau penggunaan alat ke model yang sudah di-tuning. Model ini telah dilatih sebelumnya pada 22 triliun token, dengan 3,5 triliun token terakhir berupa data mid-training yang dikurasi dengan jejak agentic dan pemanggilan alat, dan tahap itu memperluas konteks menjadi 262.144 token. Pada 4-bit, model ini memakan sekitar 1 GB, dan itulah seluruh alasan desainnya: sebuah trunk yang cukup kecil untuk di-fine-tune di satu GPU dan dijalankan di ponsel.

Gemma 4 12B hadir untuk digunakan. Ia adalah anggota dense berukuran sedang dari keluarga Gemma 4 lima model milik Google, tanpa encoder multimodal terpisah — patch gambar dan bentuk gelombang audio diproyeksikan langsung ke ruang yang sama dengan token teks. Model ini berjalan di laptop dengan sekitar 7 GB pada kuantisasi 4-bit, membawa Apache 2.0 tanpa pemicu pendapatan, dan memiliki jenis dukungan ekosistem yang terakumulasi pada model berusia enam bulan: build terkuantisasi, integrasi framework, dan komunitas yang telah menemukan mode kegagalannya.

Enam perbedaan yang menentukan

• Parameter — 1,73B dense dibandingkan 11,95B dense. Rasio ukurannya adalah 6,9 banding 1, dan ini memengaruhi segala hal di hilir: memori, biaya fine-tuning, kecepatan inferensi, dan batas atas pengetahuan umum.

• Modalitas — teks masuk, teks keluar, untuk LFM3-1.7B-Base. Teks, gambar, dan audio masuk, teks keluar, untuk Gemma 4 12B. Checkpoint dasar tidak dapat melihat tangkapan layar, dan berapa pun fine-tuning tidak akan menambahkan encoder visi yang tidak pernah dilatih.

• Konteks — keduanya adalah 262.144 token. Ini adalah satu-satunya baris di mana model kecil tidak memberikan celah apa pun, dan ini merupakan pencapaian nyata dari arsitektur hibrida, bukan kebetulan pemasaran.

• Bahasa — enam belas bahasa terdaftar untuk LFM3-1.7B-Base, termasuk Arab, Hindi, Thai, Vietnam, dan Indonesia. Gemma 4 12B telah dipra-latih pada 140+ bahasa dengan dukungan siap pakai yang diklaim untuk 35+, cakupan yang jauh lebih luas dan keunggulan nyata untuk penerapan multibahasa.

• Kosakata — 128.000 token untuk LFM3-1.7B-Base, 262.000 untuk Gemma 4 12B. Kosakata yang lebih besar memampatkan teks lebih agresif dalam bahasa beraksara Latin dan dalam kode; kosakata yang lebih kecil menjaga matriks embedding tetap kecil, yang penting ketika seluruh model berukuran 3,46 GB.

• Lisensi — LFM Open License v1.0 gratis untuk penggunaan komersial di bawah pendapatan tahunan $10 juta, dengan lisensi komersial di atas ambang tersebut. Gemma 4 12B adalah Apache 2.0, dengan ketentuan penggunaan yang dapat diterima Google disertakan bersama bobot, bukan sebagai syarat pendapatan.

Satu-satunya nomor suite yang sama, dan mengapa nomor itu tidak dapat dialihkan

Ada tepat satu tempat di mana Liquid telah menerbitkan skor terhadap Gemma 4 12B pada rangkaian evaluasi yang sama, dan itu melibatkan model yang berbeda. Di 62 tolok ukur visi, Liquid melaporkan LFM3-VL-2B, model visi 1,9B miliknya, pada 66,0 di kategori umum rangkaian tersebut berbanding 74,0 untuk Gemma 4 12B. Di bagian lain dalam tabel yang sama, model yang lebih kecil lebih mendekati, dan ringkasan Liquid adalah bahwa model visi tersebut "menyamai" Gemma 4 12B meskipun ukurannya lebih dari enam kali lebih kecil.

Bacalah tabelnya, bukan kalimatnya, dan tabel itu mengatakan sesuatu yang lebih tepat: model multimodal 1.9B mencapai selisih dalam delapan poin dari model multimodal 12B pada rangkaian visi yang luas, dan kesenjangannya tidak merata antarkategori. Bacalah itu sebagai pernyataan tentang LFM3-1.7B-Base dan itu tidak mengatakan apa pun sama sekali. Checkpoint basis teks tidak memiliki menara visi dan tidak dievaluasi pada benchmark mana pun di antaranya. Klaim itu milik model saudara, dan itu adalah jenis kekeliruan asal-usul yang mengubah perbandingan yang cermat menjadi perbandingan yang menyesatkan.

Berapa nilai uang dari generalis 12B itu

Gemma 4 12B memiliki harga pasar karena pihak ketiga menyediakannya. Artificial Analysis melaporkan median campuran sebesar $0,10 per juta token masukan dan $0,30 per juta token keluaran di berbagai platform yang meng-host bobot terbuka — median lintas penyedia, bukan harga daftar, dan nilai yang akan berubah seiring perubahan sisi pasokan. Itu cukup murah sehingga sebagian besar tim tidak pernah berpikir untuk menjalankannya sendiri.

LFM3-1.7B-Base tidak memiliki harga seperti itu karena model ini bukan model yang dilayani. Biayanya adalah proses fine-tuning, pipeline data, dan stack penyajian, dan angka-angka itu bervariasi lebih dari satu orde besaran tergantung pada apa yang Anda bangun. Pitch Liquid adalah bahwa proses tersebut muat di satu GPU dan hasilnya muat dalam sekitar satu gigabita, yang benar untuk modelnya dan tidak mengatakan apa pun tentang biaya data berlabel. Fine-tune spesialis tidak lebih murah daripada memanggil API generalis kecuali Anda sudah memiliki datanya; jika sudah, biayanya jauh lebih murah pada volume besar.

Di sinilah lapisan perutean membuktikan nilainya. OrcaRouter meneruskan harga daftar penyedia apa adanya dengan markup 0%, sehingga penurunan harga vendor berlaku pada hari yang sama alih-alih menunggu siklus penetapan harga ulang, dan kunci yang sama menjangkau lebih dari 200 model dengan failover otomatis. Pola praktis bagi tim yang mempertimbangkan keputusan ini adalah membiarkan model generalis tetap di jalur perutean selama fine-tune spesialis dievaluasi, lalu mengalihkan lalu lintas ketika fine-tune tersebut menang pada held-out set Anda sendiri — bukan pada rata-rata vendor.

Tiga pembeli, tiga jawaban

Anda memiliki data proprietari dan tugas yang sempit. Ambil LFM3-1.7B-Base. Trunk 1,73B cukup kecil untuk di-fine-tune di satu GPU, konteks 256K tetap bertahan setelah fine-tune, dan kosakata enam belas bahasa mencakup sebagian besar deployment regional. Gemma 4 12B juga dapat di-fine-tune, tetapi Anda akan membayar untuk melatih ulang kemampuan yang akan Anda hilangkan melalui spesialisasi.

Anda memerlukan model yang berfungsi sore ini. Ambil Gemma 4 12B. Checkpoint dasar tidak dapat menjawab pertanyaan, dan saudara yang telah disetel adalah unduhan berbeda dengan pertanyaan lisensi yang berbeda. Gemma 4 12B disetel instruksi, multimodal, terdokumentasi, dan tersedia pada harga median yang dipublikasikan. Waktu hingga jawaban pertama diukur dalam menit.

Anda membutuhkan keduanya. Ini adalah kasus yang umum dan kasus yang justru disembunyikan oleh framing tersebut. Fine-tune trunk untuk tugas yang sempit dan bervolume tinggi, lalu arahkan semua hal lainnya ke model generalis. Keduanya bukan pengganti satu sama lain di tingkat arsitektur, dan memperlakukan keputusan ini sebagai hal yang eksklusif adalah cara tim berakhir dengan membayar terlalu mahal untuk seorang spesialis atau kurang melayani kasus penggunaan yang model kecil mereka tidak pernah dilatih untuk menanganinya.

Lisensi adalah isu yang terpendam.

Apache 2.0 adalah alasan banyak perusahaan berhenti membaca pada lisensi Gemma. Tidak ada ambang pendapatan, tidak ada pemicu komersial, dan tidak ada negosiasi — bobotnya menjadi milik Anda untuk dimodifikasi dan disajikan, dengan tunduk pada kebijakan penggunaan yang dapat diterima Google. Liquid's LFM Open License v1.0 juga permisif pada skala kecil, tetapi lisensi ini menetapkan ambang pendapatan tahunan $10 juta yang di atasnya lisensi komersial berlaku. Bagi startup, perbedaannya bersifat teoretis. Bagi unit bisnis di dalam perusahaan yang lebih besar, ini adalah percakapan pengadaan yang dimulai sebelum fine-tune pertama dilakukan.

Apa yang bisa mengubah jawabannya

Dua bukti akan mengubah perbandingan ini dari argumen kategori menjadi argumen numerik. Yang pertama adalah evaluasi model dasar dari Liquid — bahkan yang kecil sekalipun, pada korpus held-out — yang memungkinkan pembaca menilai apakah 22 triliun token dan tumpukan tri-hybrid menghasilkan titik awal yang lebih baik daripada LFM2.5-2.6B-Base. Yang kedua adalah fine-tune independen LFM3-1.7B-Base pada tugas publik, yang dilaporkan terhadap baseline Gemma 4 12B. Keduanya belum ada, dan postingan peluncuran tidak menjanjikannya.

Sampai hal itu terjadi, keputusan bergantung pada apa yang Anda beli, bukan pada model mana yang lebih baik: trunk 3.46 GB tanpa skor dan tanpa instruction tuning, atau generalist 12B dengan tabel lengkap angka dari vendor dan lisensi yang tidak perlu Anda tinjau lagi. Itu bukan keputusan yang tipis soal kemampuan. Ini keputusan yang tipis soal kecocokan, dan kolom kosong di papan skor adalah hal paling jujur di halaman ini.