LFM3-1.7B-Base vs Gemma 4 12B: un tronco specialista contro un generalista

Metti i due download uno accanto all'altro e la prima differenza non è un benchmark. LFM3-1.7B-Base, pubblicato su Hugging Face il 26 ottobre 2026 e citato nel lancio della famiglia di Liquid AI il giorno successivo, è un file bfloat16 da 3,46 GB contenente un modello di testo pre-addestrato da 1,73 miliardi di parametri. Gemma 4 12B, rilasciato da Google DeepMind il 3 giugno 2026, è un modello denso da 11,95 miliardi di parametri che viene fornito con instruction tuning, una finestra di contesto da 256K e la capacità di leggere immagini e audio oltre al testo. Uno è un componente. L'altro è un prodotto. Confrontarli sulle capacità è un errore di categoria, e confrontarli sul prezzo per token è quasi altrettanto sbagliato, perché il checkpoint base non ha un prezzo per token — ha una fattura di fine-tuning. Il routing non aggiunge un margine al prezzo di listino di un provider. 0% di ricarico Consulta i prezzi pass-through nella nostra pagina dei prezzi.

Il confronto merita comunque la sua pagina, perché entrambi sono modelli open-weight che un piccolo team potrebbe scaricare questa settimana per lo stesso motivo di fondo: vogliono un modello che controllano, su hardware che possiedono, senza un contratto per singola chiamata. La domanda utile è quale tipo di asset ti ci porta — un piccolo tronco che plasmi, oppure un grande generalista che adotti.

Il confronto benchmark che non può essere fatto

LFM3-1.7B-Base non ha una valutazione pubblicata. Non una scarna, non una tabella del fornitore con un asterisco — nessuna. La model card fornisce specifiche e una guida al fine-tuning, e il post di lancio di Liquid contiene una sostanziosa tabella di benchmark per LFM3-1.7B, il fratello post-addestrato che è stato costruito da questo checkpoint. Quelli sono artefatti diversi. Un modello base predice testo; un modello post-addestrato segue istruzioni. Valutare il primo su un benchmark per istruzioni ti dice qualcosa sul secondo.

Gemma 4 12B, al contrario, arriva con una tabella completa della famiglia per i checkpoint ottimizzati per le istruzioni: 77,2% su MMLU Pro, 78,8% su GPQA Diamond, 77,5% su AIME 2026 senza strumenti, 72,0% su LiveCodeBench v6, un Elo Codeforces di 1659, 69,1% su MMMU Pro e 43,4% su MRCR v2 a 128K con otto aghi. Tutti questi sono dati forniti da Google e nessuno è stato riprodotto in modo indipendente. Artificial Analysis colloca separatamente Gemma 4 12B a un Intelligence Index di 14, al 20º posto su 141 modelli nella sua classe di confronto, con una velocità di output misurata di 110,9 token al secondo.

Quindi il tabellone onesto ha una colonna popolata e una vuota, e la colonna vuota non è un fallimento del modello. È ciò che è un checkpoint di base. Chiunque metta 49.37 — la media di Liquid stessa per LFM3-1.7B messo a punto — accanto all'MMLU Pro di Gemma sta confrontando due suite diverse, due modelli diversi e due livelli diversi di messa a punto.

A cosa serve davvero ciascun checkpoint

LFM3-1.7B-Base esiste per essere modificato. La scheda di Liquid indica che è consigliato solo per un fine-tuning intensivo — assistenti specifici per una lingua, assistenti specifici per un dominio, addestramento su dati proprietari, nuovi approcci di post-training — e indirizza chiunque voglia una chat o l'uso di strumenti verso il modello ottimizzato. È stato pre-addestrato su 22 trilioni di token, gli ultimi 3,5 trilioni dei quali costituiti da dati curati di mid-training con tracce agentiche e chiamate agli strumenti, e quella fase ha esteso il contesto a 262.144 token. A 4 bit occupa circa 1 GB, che è l'intero argomento progettuale: un tronco abbastanza piccolo da poter essere sottoposto a fine-tuning su una singola GPU ed eseguito su un telefono.

Gemma 4 12B esiste per essere utilizzato. È il membro denso di medie dimensioni della famiglia Gemma 4 di Google composta da cinque modelli, senza encoder multimodali separati: le patch delle immagini e le forme d'onda audio vengono proiettate direttamente nello stesso spazio dei token di testo. Funziona su un laptop con circa 7 GB a una quantizzazione a 4 bit, è distribuito con licenza Apache 2.0 senza soglie di ricavo e gode del tipo di supporto ecosistemico che un modello di sei mesi accumula: build quantizzate, integrazioni con framework e una community che ha già individuato le sue modalità di errore.

Sei differenze che fanno la differenza

• Parametri — 1,73B dense contro 11,95B dense. Il rapporto dimensionale è di 6,9 a 1 e determina tutto ciò che ne consegue: memoria, costi di fine-tuning, velocità di inferenza e il limite massimo sulle conoscenze generali.

• Modalità — testo in ingresso, testo in uscita, per LFM3-1.7B-Base. Testo, immagini e audio in ingresso, testo in uscita, per Gemma 4 12B. Il checkpoint di base non può vedere uno screenshot e nessuna quantità di fine-tuning aggiunge un encoder visivo che non è mai stato addestrato.

• Contesto — entrambi a 262.144 token. Questa è l'unica riga in cui il modello piccolo non lascia trapelare nulla, ed è un autentico risultato dell'architettura ibrida, non una coincidenza di marketing.

• Lingue — sedici elencate per LFM3-1.7B-Base, tra cui arabo, hindi, thai, vietnamita e indonesiano. Gemma 4 12B è pre-addestrato su oltre 140 lingue con supporto dichiarato pronto all'uso per oltre 35, una copertura molto più ampia e un vero vantaggio per il deployment multilingue.

• Vocabolario — 128.000 token per LFM3-1.7B-Base, 262.000 per Gemma 4 12B. Il vocabolario più grande comprime il testo in modo più aggressivo nelle lingue con alfabeto latino e nel codice; quello più piccolo mantiene ridotta la matrice di embedding, il che conta quando l'intero modello è di 3,46 GB.

• Licenza — la LFM Open License v1.0 è gratuita per uso commerciale sotto i 10 milioni di dollari di fatturato annuo, con una licenza commerciale al di sopra di tale soglia. Gemma 4 12B è Apache 2.0, con i termini di utilizzo accettabile di Google forniti insieme ai pesi anziché come condizione legata al fatturato.

L'unico numero della stessa suite, e perché non si trasferisce

C'è esattamente un punto in cui Liquid ha pubblicato un punteggio riferito a Gemma 4 12B sulla stessa suite di valutazione, e riguarda un modello diverso. Su 62 benchmark di visione, Liquid riporta LFM3-VL-2B, il suo modello di visione da 1,9B, a 66,0 nella categoria generale della suite, contro 74,0 di Gemma 4 12B. Altrove nella stessa tabella il modello più piccolo è più vicino, e il riassunto di Liquid è che il modello di visione "eguaglia" Gemma 4 12B pur essendo più di sei volte più piccolo.

Leggi la tabella invece della frase e dice qualcosa di più preciso: un modello multimodale da 1,9B arriva a otto punti da un modello multimodale da 12B su un'ampia suite di visione, e il divario è irregolare tra le categorie. Leggila come un'affermazione su LFM3-1.7B-Base e non dice proprio nulla. Il checkpoint base testuale non ha una torre di visione e non è stato valutato su nessuno di quei benchmark. L'affermazione appartiene a un modello gemello, ed è il tipo di errore di provenienza che trasforma un confronto accurato in uno fuorviante.

Quanto vale in denaro il generalista da 12B

Gemma 4 12B ha un prezzo di mercato perché sono terze parti a servirlo. Artificial Analysis riporta una mediana combinata di 0,10 $ per milione di token in input e 0,30 $ per milione di token in output tra le piattaforme che ospitano i pesi aperti: una mediana tra fornitori, non un prezzo di listino, e destinata a cambiare al variare del lato dell'offerta. È abbastanza economico che la maggior parte dei team non prende nemmeno in considerazione l'idea di eseguirlo in proprio.

LFM3-1.7B-Base non ha un prezzo del genere perché non è un modello servito. Il suo costo è l'esecuzione del fine-tuning, la pipeline dei dati e lo stack di serving, e questi numeri variano di più di un ordine di grandezza a seconda di ciò che stai costruendo. La proposta di Liquid è che l'esecuzione stia su una singola GPU e che il risultato stia in circa un gigabyte, il che è vero per il modello e non dice nulla sul costo dei dati etichettati. Un fine-tuning specialistico non costa meno che chiamare un'API generalista a meno che tu non abbia già i dati; se li hai, è drasticamente più economico su larga scala.

È qui che un layer di routing si guadagna il suo posto. OrcaRouter applica ai prezzi di listino dei provider un ricarico dello 0%, così un taglio di prezzo da parte di un fornitore arriva lo stesso giorno invece di attendere un ciclo di riprezzamento, e la stessa chiave raggiunge oltre 200 modelli con failover automatico. Il modello pratico per un team che valuta questa decisione è mantenere il generalista sul percorso instradato mentre il fine-tune specialista è in fase di valutazione, poi spostare il traffico quando il fine-tune vince sul vostro set di validazione — non su una media del fornitore.

Tre acquirenti, tre risposte

Hai dati proprietari e un compito ristretto.Prendi LFM3-1.7B-Base. Il trunk da 1,73B è abbastanza piccolo da consentire il fine-tuning su una singola GPU, il contesto da 256K sopravvive al fine-tuning e il vocabolario in sedici lingue copre la maggior parte delle implementazioni regionali. Anche su Gemma 4 12B si può fare fine-tuning, ma pagheresti per riaddestrare capacità che stai per eliminare con la specializzazione.

Ti serve un modello che funzioni già questo pomeriggio. Prendi Gemma 4 12B. Il checkpoint di base non è in grado di rispondere a una domanda, e il fratello ottimizzato è un download diverso con una diversa questione di licenza. Gemma 4 12B è ottimizzato per le istruzioni, multimodale, documentato e disponibile a un prezzo mediano pubblicato. Il tempo per la prima risposta si misura in minuti.

Ti servono entrambi. Questo è il caso comune, ed è quello che l'inquadratura nasconde. Fai il fine-tuning del trunk per il compito ristretto e ad alto volume e indirizza tutto il resto a un generalista. I due non sono sostituti a livello architetturale, e trattare la decisione come esclusiva è il modo in cui i team finiscono per pagare troppo per uno specialista o per servire in modo inadeguato un caso d'uso per cui il loro modello piccolo non è mai stato addestrato.

La licenza è la questione latente.

Apache 2.0 è il motivo per cui molte aziende si fermano alla licenza di Gemma. Non c'è alcuna soglia di fatturato, nessun trigger commerciale e nessuna negoziazione: i pesi sono tuoi da modificare e mettere a disposizione, nel rispetto della politica di uso accettabile di Google. Anche la LFM Open License v1.0 di Liquid è permissiva su piccola scala, ma definisce una soglia di fatturato annuo di 10 milioni di dollari oltre la quale si applica una licenza commerciale. Per una startup la differenza è teorica. Per un'unità di business all'interno di un'azienda più grande, è una conversazione di procurement che inizia prima del primo fine-tuning.

Cosa cambierebbe la risposta

Due elementi di prova sposterebbero questo confronto da un'argomentazione per categorie a una numerica. Il primo è una valutazione del modello base da parte di Liquid — anche piccola, su un corpus held-out — che consenta al lettore di giudicare se 22 trilioni di token e lo stack tri-ibrido abbiano prodotto un punto di partenza migliore rispetto a LFM2.5-2.6B-Base. Il secondo è un fine-tuning indipendente di LFM3-1.7B-Base su un'attività pubblica, riportato rispetto a una baseline Gemma 4 12B. Nessuno dei due esiste ancora, e il post di lancio non li promette.

Finché non lo faranno, la decisione si basa su ciò che stai comprando più che su quale modello sia migliore: un trunk da 3,46 GB senza punteggi e senza instruction tuning, oppure un generalista da 12B con una tabella completa di numeri del fornitore e una licenza che non dovrai mai rivedere. Sul piano delle capacità non c'è partita. È una questione di idoneità, e la colonna vuota nel tabellone è la cosa più onesta di questa pagina.