Gemma 4 26B A4B IT adalah model Mixture-of-Experts (MoE) yang disesuaikan dengan instruksi dari Google DeepMind. Meskipun memiliki 25.2B total parameter, hanya 3.8B yang aktif per token selama inferensi — memberikan kualitas mendekati 31B pada...
Gemma 4 26B A4B adalah model Campuran Ahli (Mixture-of-Experts) yang dikembangkan oleh Google. Model ini memiliki total 26 miliar parameter, tetapi hanya 4 miliar yang aktif per token—desain ini…
Gemma 4 26B A4B menerima teks, gambar, dan video sebagai masukan. Gambar dapat diberikan sebagai data yang dikodekan base64 atau URL. Video dapat diberikan sebagai URL atau sebagai urutan bingkai (objek gambar). Model ini memproses modalitas-modalitas ini secara bersama-sama, memungkinkan tugas-tugas seperti menjawab pertanyaan visual, peringkasan video, dan pemahaman diagram. Audio tidak didukung; hanya konten visual dan teks. Outputnya hanya teks. Kemampuan multimodal model ini sangat berguna untuk menganalisis dokumen yang berisi grafik, tangkapan layar, atau rekaman video.
Jendela konteks adalah 262.144 token. Hal ini memungkinkan model untuk memproses urutan yang sangat panjang dalam satu kali lintasan—misalnya, dokumen sepanjang 200 halaman, jam video transkripsi, atau sekumpulan besar gambar dengan keterangan deskriptif. Jendela konteks yang lebih besar mengurangi kebutuhan akan pemotongan dan peringkasan, tetapi juga meningkatkan penggunaan memori. Panjang efektif yang dapat Anda gunakan akan bergantung pada total jumlah token masukan (token teks + gambar/video). Perhatikan bahwa masukan gambar dan video mengonsumsi banyak token; rujuk dokumentasi OrcaRouter untuk mengetahui cara penghitungan token untuk masukan non-teks.
Jika tugas Anda murni berbasis teks, hanya memerlukan konteks pendek (di bawah 8k token), atau tidak membutuhkan input multimodal, pertimbangkan model yang lebih kecil atau lebih murah—seperti Gemma 3 4B atau varian teks-saja. Gemma 4 26B A4B dibanderol dengan harga $0.06 per juta token masukan dan $0.33 per juta token keluaran. Untuk tanya jawab sederhana atau klasifikasi, model dengan biaya per token yang lebih rendah mungkin lebih ekonomis. Desain MoE membuatnya efisien relatif terhadap ukuran totalnya, tetapi bukan opsi termurah yang tersedia di OrcaRouter untuk tugas minimal.
GPQA Diamond adalah tolok ukur yang terdiri dari 448 pertanyaan pilihan ganda tingkat pascasarjana di bidang biologi, fisika, dan kimia. Skor 79,2 berarti model menjawab 79,2% dengan benar. Ini menunjukkan penalaran ilmiah yang kuat dan pengambilan pengetahuan yang baik. Tolok ukur ini dirancang sulit bagi banyak LLM. Namun, satu tolok ukur tidak dapat menangkap semua aspek kualitas model. Misalnya, kinerja model pada tugas lain seperti coding atau penulisan kreatif mungkin berbeda. Gunakan skor ini sebagai satu titik data saat membandingkan model untuk tugas penalaran ilmiah serupa.
Kekuatan termasuk pemahaman multimodal dengan konteks besar, efisiensi MoE untuk ukurannya, dan penalaran yang kuat pada pertanyaan ilmiah seperti yang ditunjukkan oleh GPQA. Keterbatasan tidak didokumentasikan secara menyeluruh tetapi tipikal untuk model MoE: kinerja dapat bervariasi berdasarkan domain, dan kapasitas efektif per token dibatasi oleh 4B parameter aktif. Model mungkin kesulitan dengan tugas-tugas yang memerlukan rantai logis yang sangat dalam atau jargon khusus domain yang tidak terwakili dengan baik dalam data pelatihan. Latensi dan throughput tergantung pada perangkat keras deployment; OrcaRouter tidak menjamin metrik kecepatan tertentu.
OrcaRouter tidak mempublikasikan tolok ukur latensi standar untuk model ini. Sebagai model MoE, Gemma 4 26B A4B hanya mengaktifkan subset parameter per token, yang dapat membuat inferensi lebih cepat daripada model padat 26B tetapi mungkin lebih lambat daripada model padat yang lebih kecil. Kinerja aktual tergantung pada faktor-faktor seperti ukuran batch, panjang input, dan tipe GPU backend. Untuk aplikasi waktu nyata, uji dengan beban kerja spesifik Anda. Anda juga dapat mempertimbangkan pertukaran antara latensi dan biaya—menggunakan model yang lebih kecil dapat meningkatkan kecepatan dengan biaya lebih rendah.
Biaya adalah $0,06 per 1 juta token input dan $0,33 per 1 juta token output. Ini adalah tarif yang ditagihkan oleh penyedia (Google) dan diteruskan oleh OrcaRouter tanpa markup. Artinya, Anda membayar persis sesuai tarif penyedia—OrcaRouter tidak menambahkan biaya tambahan. Token dihitung secara konsisten di seluruh platform; gambar dan bingkai video diberi token sesuai spesifikasi model Google. Untuk kueri multimodal yang umum dengan beberapa gambar, token input mungkin mendominasi, sehingga menjadikan harga input sebagai pendorong biaya utama.
OrcaRouter mungkin menyediakan mekanisme caching untuk templat awalan atau perintah yang berulang, yang dapat mengurangi konsumsi token dan menekan biaya. Namun, diskon caching khusus tidak dijamin untuk model ini dan bergantung pada pola penggunaan Anda. Tidak ada tingkatan harga batch terpisah yang dipublikasikan untuk Gemma 4 26B A4B. Untuk beban kerja volume tinggi, hubungi dukungan OrcaRouter untuk mendiskusikan potensi diskon. Seperti semua model di platform ini, Anda hanya dikenakan biaya untuk apa yang Anda gunakan—token masukan dan keluaran—tanpa biaya bulanan atau komitmen minimum.
Mengingat struktur harga, biaya total tergantung pada jumlah dan jenis token yang Anda kirim dan terima. Input multimodal (terutama video) dapat menggunakan banyak token input karena setiap frame dikodekan. Untuk video panjang, biaya input mungkin melebihi biaya output. Jika tugas Anda berat pada output (misalnya, menghasilkan laporan panjang), harga output ($0.33/M) lebih tinggi daripada input. Evaluasi rasio token yang Anda harapkan. Untuk tugas yang dapat diselesaikan dengan model teks-saja yang lebih murah, perbedaan biaya bisa signifikan. Gunakan alat penghitung token OrcaRouter untuk memperkirakan.
Tetapkan URL dasar ke https://api.orcarouter.ai/v1 dan gunakan ID model google/gemma-4-26b-a4b-it. Kirim permintaan POST ke /chat/completions dengan skema OpenAI standar. Untuk input multimodal, sertakan array objek konten dengan bidang tipe yang diatur ke 'text', 'image_url', atau 'video_url'. Contoh: messages: [{ role: 'user', content: [{ type: 'text', text: 'Deskripsikan video ini.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. API akan mengembalikan respons chat completion.
Anda dapat menggunakan parameter OpenAI standar seperti temperature, top_p, max_tokens, stop, frequency_penalty, dan presence_penalty. Selain itu, OrcaRouter mendukung parameter khusus penyedia melalui kolom opsional 'provider' di badan permintaan (tidak diperlukan untuk model ini). Model ini secara native mendukung streaming dengan mengatur stream=true. Untuk keluaran terstruktur, gunakan parameter 'response_format' dengan tipe 'json_object' atau skema JSON. Lihat dokumentasi OrcaRouter untuk parameter tambahan seperti 'reasoning_effort'—meskipun itu tidak tercantum untuk model ini.
Beralih dari API yang kompatibel dengan OpenAI lain sangat sederhana: ubah URL dasar menjadi https://api.orcarouter.ai/v1 dan atur model menjadi google/gemma-4-26b-a4b-it. Struktur prompt, parameter, dan klien SDK Anda yang sudah ada tetap kompatibel karena OrcaRouter mengikuti skema yang sama. Jika Anda menggunakan SDK penyedia lain, Anda mungkin perlu memperbarui endpoint dan autentikasi. OrcaRouter menggunakan kunci API, bukan OAuth; sertakan kunci Anda di header Authorization sebagai 'Bearer YOUR_KEY'. Uji coba dengan permintaan kecil terlebih dahulu.
Gemma 4 26B A4B adalah model MoE multimodal yang lebih baru dengan konteks 262k dan skor GPQA Diamond 79,2, sedangkan Gemma 3 8B adalah model padat yang lebih kecil (parameter 8B) dengan jendela konteks 128k dan tanpa dukungan video asli. Gemma 3 8B lebih murah dalam token masukan (biasanya $0,05-0,10 per juta masukan) tetapi mungkin tidak menyamai kualitas penalaran pada pertanyaan ilmiah yang sulit. Untuk tugas yang melibatkan video atau dokumen yang sangat panjang, Gemma 4 26B A4B adalah pilihan yang jelas. Untuk tugas hanya teks dengan konteks sedang, Gemma 3 8B mungkin sudah cukup dan lebih hemat biaya.
Llama 3.1 70B adalah model padat dengan 70B parameter dan konteks 128k, tidak secara native multimodal untuk video (meskipun dapat memproses gambar). Gemma 4 26B A4B menggunakan MoE untuk hanya mengaktifkan 4B parameter per token, berpotensi memberikan inferensi yang lebih cepat daripada model Llama yang jauh lebih besar. Pada GPQA Diamond, Gemma 4 26B A4B mendapat skor 79,2; Llama 3.1 70B mendapat skor sekitar 65-70 (tidak dapat dibandingkan secara langsung karena perbedaan versi tolok ukur). Llama 3.1 70B mungkin lebih mahal pada token input (sekitar $0,35 per satu juta input). Untuk skenario multimodal dan konteks panjang, Gemma 4 mungkin lebih efisien.
GPT-4o adalah model kepemilikan padat dari OpenAI dengan dukungan multimodal dan jendela konteks 128k (standar) dan hingga 1M untuk beberapa versi. Harganya jauh lebih tinggi (misalnya, $2.50 per juta token masukan untuk GPT-4o). Gemma 4 26B A4B memiliki bobot terbuka dan tersedia melalui OrcaRouter dengan biaya yang jauh lebih rendah ($0.06/$0.33). Performa pada GPQA Diamond untuk GPT-4o tidak dapat dibandingkan secara langsung, tetapi biasanya lebih tinggi. Namun, untuk aplikasi yang sensitif terhadap biaya yang tidak memerlukan penalaran tingkat frontier, Gemma 4 26B A4B menawarkan rasio harga-kinerja yang kuat. Penanganan data berbeda: Gemma 4 berasal dari Google dengan ketentuan privasi yang terpisah.
Dibandingkan dengan model MoE open-weight lainnya seperti Mixtral 8x7B (total 46,7B, aktif 12,9B) atau Qwen2.5-72B-A3B (total 72B, aktif 3B), Gemma 4 26B A4B menawarkan kombinasi unik: jendela konteks 262k, dukungan multimodal penuh (gambar+video), dan skor GPQA Diamond yang dipublikasikan sebesar 79,2. Mixtral 8x7B memiliki konteks 32k dan tidak mendukung video. Qwen2.5-72B-A3B memiliki konteks 128k dan mendukung teks tetapi tidak video. Jumlah parameter aktif 4B sebanding dengan model MoE kecil lainnya, tetapi arsitektur spesifik Gemma 4—dilatih oleh Google dan disempurnakan untuk mengikuti instruksi—mungkin memberinya keunggulan dalam tugas multimodal dan ilmiah.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["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| Input / 1M token | $0.060 |
|---|---|
| Output / 1M token | $0.330 |
| Baca cache / 1M | $0.0075 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
Yang dibicarakan developer minggu ini
GET /api/public/models/google/gemma-4-26b-a4b-itBuka @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