Gemma 4 26B A4B IT è un modello Mixture-of-Experts (MoE) ottimizzato per le istruzioni di Google DeepMind. Nonostante 25,2 miliardi di parametri totali, solo 3,8 miliardi vengono attivati per token durante l'inferenza — offrendo una qualità vicina a quella di un modello da 31 miliardi a...
Gemma 4 26B A4B è un modello Mixture-of-Experts sviluppato da Google. Ha 26 miliardi di parametri totali, ma solo 4 miliardi sono attivi per token—questo design riduce il costo computazionale pur…
Gemma 4 26B A4B accetta testo, immagine e video come input. Le immagini possono essere fornite come dati codificati in base64 o come URL. Il video può essere fornito come URL o come sequenza di fotogrammi (oggetti immagine). Il modello elabora congiuntamente queste modalità, consentendo attività come risposta a domande visive, riepilogo video e comprensione di diagrammi. L'audio non è supportato; solo contenuti visivi e testuali. L'output è solo testo. La capacità multimodale del modello è particolarmente utile per analizzare documenti che contengono grafici, screenshot o registrazioni video.
Il contesto finestra è di 262.144 token. Ciò consente al modello di elaborare sequenze molto lunghe in un unico passaggio, ad esempio un documento di 200 pagine, ore di video trascritti o un ampio set di immagini con didascalie descrittive. Finestre contestuali più grandi riducono la necessità di suddivisione e riepilogo, ma aumentano anche l'utilizzo della memoria. La lunghezza effettiva che puoi utilizzare dipenderà dal numero totale di token di input (token di testo + token di immagini/video). Tieni presente che gli input di immagini e video consumano molti token; consulta la documentazione di OrcaRouter per informazioni su come vengono calcolati i conteggi dei token per input non testuali.
Se il tuo compito è puramente testuale, richiede solo un contesto breve (sotto 8k token) o non necessita di input multimodale, considera un modello più piccolo o più economico, come Gemma 3 4B o una variante solo testo. Gemma 4 26B A4B ha un prezzo di $0.06 per milione di token in input e $0.33 per milione di token in output. Per semplici domande e risposte o classificazione, modelli con costi per token inferiori potrebbero essere più economici. Il design MoE lo rende efficiente rispetto alla sua dimensione totale, ma non è l'opzione più economica disponibile su OrcaRouter per compiti minimi.
GPQA Diamond è un benchmark composto da 448 domande a scelta multipla di livello universitario in biologia, fisica e chimica. Un punteggio di 79.2 significa che il modello ha risposto correttamente al 79.2% delle domande. Ciò indica una forte capacità di ragionamento scientifico e di recupero delle conoscenze. Il benchmark è progettato per essere difficile per molti LLM. Tuttavia, un singolo benchmark non può catturare tutti gli aspetti della qualità del modello. Ad esempio, le prestazioni del modello in altri compiti come la programmazione o la scrittura creativa potrebbero essere diverse. Utilizza questo punteggio come un singolo punto di riferimento quando confronti modelli per compiti simili di ragionamento scientifico.
Punti di forza includono comprensione multimodale con ampio contesto, efficienza MoE per le sue dimensioni e forte ragionamento su questioni scientifiche come indicato da GPQA. Le limitazioni non sono documentate in modo esaustivo ma sono tipiche dei modelli MoE: le prestazioni possono variare a seconda del dominio e la capacità effettiva per token è limitata dai 4B parametri attivi. Il modello potrebbe avere difficoltà con compiti che richiedono catene logiche estremamente profonde o gergo specifico del dominio non ben rappresentato nei dati di addestramento. Latenza e throughput dipendono dall'hardware di deployment; OrcaRouter non garantisce metriche di velocità specifiche.
OrcaRouter non pubblica benchmark di latenza standardizzati per questo modello. Essendo un modello MoE, Gemma 4 26B A4B attiva solo un sottoinsieme di parametri per token, il che può rendere l'inferenza più veloce rispetto a un modello denso da 26B, ma possibilmente più lenta rispetto a un modello denso più piccolo. Le prestazioni effettive dipendono da fattori come la dimensione del batch, la lunghezza dell'input e il tipo di GPU del backend. Per applicazioni in tempo reale, testa con il tuo carico di lavoro specifico. Puoi anche considerare il compromesso tra latenza e costo: l'uso di un modello più piccolo può migliorare la velocità a un costo inferiore.
Il prezzo è di $0,06 per 1 milione di token di input e $0,33 per 1 milione di token di output. Queste sono le tariffe fatturate dal fornitore (Google) e trasmesse da OrcaRouter senza alcun ricarico. Ciò significa che paghi esattamente la tariffa del fornitore—OrcaRouter non aggiunge alcun sovrapprezzo. I token sono conteggiati in modo coerente su tutta la piattaforma; le immagini e i fotogrammi video sono tokenizzati secondo le specifiche del modello di Google. Per una tipica query multimodale con poche immagini, i token di input possono dominare, rendendo il prezzo di input il principale fattore di costo.
OrcaRouter può offrire meccanismi di caching per prefissi o modelli di prompt ripetuti, che possono ridurre il consumo di token e abbassare i costi. Tuttavia, sconti specifici per il caching non sono garantiti per questo modello e dipendono dal tuo pattern di utilizzo. Non esiste un livello di prezzo batch separato pubblicato per Gemma 4 26B A4B. Per carichi di lavoro ad alto volume, contatta il supporto di OrcaRouter per discutere di potenziali sconti. Come per tutti i modelli sulla piattaforma, ti viene addebitato solo ciò che usi—token di input e output—senza canone mensile o impegno minimo.
Dato la struttura dei prezzi, il costo totale dipende dal numero e dal tipo di token che invii e ricevi. Gli input multimodali (soprattutto video) possono utilizzare molti token di input perché ogni fotogramma viene codificato. Per video lunghi, il costo di input può superare il costo di output. Se il tuo compito è incentrato sull'output (ad esempio, generare report lunghi), il prezzo di output ($0,33/M) è più alto di quello di input. Valuta il rapporto di token previsto. Per compiti che possono essere risolti con un modello solo testo più economico, la differenza di costo può essere significativa. Utilizza gli strumenti di conteggio token di OrcaRouter per fare una stima.
Imposta l'URL di base su https://api.orcarouter.ai/v1 e utilizza l'ID del modello google/gemma-4-26b-a4b-it. Invia una richiesta POST a /chat/completions con lo schema standard di OpenAI. Per input multimodali, includi un array di oggetti content con il campo type impostato su 'text', 'image_url' o 'video_url'. Esempio: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. L'API restituirà una risposta di completamento chat.
Puoi utilizzare parametri standard di OpenAI come temperature, top_p, max_tokens, stop, frequency_penalty e presence_penalty. Inoltre, OrcaRouter supporta parametri specifici del provider tramite il campo opzionale 'provider' nel corpo della richiesta (non richiesto per questo modello). Il modello supporta nativamente lo streaming impostando stream=true. Per output strutturati, usa il parametro 'response_format' con tipo 'json_object' o uno schema JSON. Fai riferimento alla documentazione di OrcaRouter per eventuali parametri aggiuntivi come 'reasoning_effort'—sebbene non sia elencato per questo modello.
Passare da un'altra API compatibile con OpenAI è semplice: cambia l'URL di base a https://api.orcarouter.ai/v1 e imposta il modello su google/gemma-4-26b-a4b-it. La struttura dei tuoi prompt esistenti, i parametri e il client SDK sono compatibili perché OrcaRouter segue lo stesso schema. Se stavi usando un SDK di un altro provider, potrebbe essere necessario aggiornare l'endpoint e l'autenticazione. OrcaRouter utilizza chiavi API invece di OAuth; includi la tua chiave nell'intestazione Authorization come 'Bearer YOUR_KEY'. Esegui prima un test con una richiesta piccola.
Gemma 4 26B A4B è un più recente modello MoE multimodale con contesto di 262k e un punteggio GPQA Diamond di 79.2, mentre Gemma 3 8B è un modello denso più piccolo (8B parametri) con una finestra di contesto di 128k e nessun supporto video nativo. Gemma 3 8B è più economico sui token di input (tipicamente $0.05-0.10 per milione di input) ma potrebbe non eguagliare la qualità di ragionamento su domande scientifiche difficili. Per compiti che coinvolgono video o documenti molto lunghi, Gemma 4 26B A4B è la scelta chiara. Per compiti solo testuali con contesto moderato, Gemma 3 8B può essere sufficiente e più conveniente.
Llama 3.1 70B è un modello denso con 70B parametri e contesto di 128k, non nativamente multimodale per video (sebbene possa elaborare immagini). Gemma 4 26B A4B utilizza MoE per attivare solo 4B parametri per token, offrendo potenzialmente un'inferenza più veloce rispetto al modello Llama molto più grande. Su GPQA Diamond, Gemma 4 26B A4B ottiene 79,2; Llama 3.1 70B ottiene circa 65-70 (non direttamente confrontabili a causa delle differenze di versione del benchmark). Llama 3.1 70B potrebbe essere più costoso sui token di input (circa $0,35 per milione di input). Per scenari multimodali e di contesto lungo, Gemma 4 potrebbe essere più efficiente.
GPT-4o è un modello proprietario denso di OpenAI con supporto multimodale e una finestra di contesto di 128k (standard) e fino a 1M per alcune versioni. Il suo prezzo è significativamente più alto (e.g., $2.50 per milione di token di input per GPT-4o). Gemma 4 26B A4B è open-weight e disponibile tramite OrcaRouter a un costo molto inferiore ($0.06/$0.33). Le prestazioni su GPQA Diamond per GPT-4o non sono direttamente confrontabili, ma generalmente superiori. Tuttavia, per applicazioni sensibili ai costi che non richiedono ragionamenti di frontiera, Gemma 4 26B A4B offre un ottimo rapporto qualità-prezzo. La gestione dei dati è diversa: Gemma 4 è di Google con termini di privacy separati.
Rispetto ad altri modelli MoE open-weight come Mixtral 8x7B (46,7B totali, 12,9B attivi) o Qwen2.5-72B-A3B (72B totali, 3B attivi), Gemma 4 26B A4B offre una combinazione unica: una finestra di contesto di 262k, supporto multimodale completo (immagine+video) e un punteggio GPQA Diamond pubblicato di 79,2. Mixtral 8x7B ha un contesto di 32k e nessun supporto video. Qwen2.5-72B-A3B ha un contesto di 128k e supporta il testo, ma non il video. Il numero di parametri attivi di 4B è paragonabile ad altri piccoli modelli MoE, ma l'architettura specifica di Gemma 4—addestrata da Google e ottimizzata per il seguimento delle istruzioni—potrebbe darle un vantaggio in attività multimodali e scientifiche.
Compatibile con OpenAI: mantieni il tuo SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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 |
| Lettura cache / 1M | $0.0075 |
| Valuta | USD |
Stima basata sul prezzo di listino
Solo una stima — il numero effettivo di token dipende dal tokenizzatore del provider.
GET /api/public/models/google/gemma-4-26b-a4b-itApri @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