LFM3-1.7B-Base vs Gemma 4 12B: Een specialistische trunk tegenover een generalist

Zet de twee downloads naast elkaar en het eerste verschil is geen benchmark. LFM3-1.7B-Base, gepubliceerd op Hugging Face op 26 oktober 2026 en de volgende dag genoemd in de familieaankondiging van Liquid AI, is een bfloat16-bestand van 3,46 GB met een vooraf getraind tekstmodel van 1,73 miljard parameters. Gemma 4 12B, op 3 juni 2026 uitgebracht door Google DeepMind, is een dense model van 11,95 miljard parameters dat wordt geleverd met instruction tuning, een context van 256K en de mogelijkheid om naast tekst ook afbeeldingen en audio te lezen. Het ene is een component. Het andere is een product. Ze vergelijken op capaciteiten is een categoriefout, en ze vergelijken op prijs per token is bijna net zo erg, want het basis-checkpoint heeft geen tokenprijs — het heeft een fine-tuningrekening.Routing voegt geen marge toe aan de lijstprijs van een provider. 0% opslag Bekijk de pass-through-prijzen op onze prijzenpagina.

De vergelijking verdient toch zijn pagina, want beide zijn open-weightmodellen die een klein team deze week om dezelfde onderliggende reden zou kunnen downloaden: ze willen een model dat ze beheren, op hardware die ze bezitten, zonder een contract per aanroep. De nuttige vraag is welk soort asset je daar brengt — een kleine trunk die je vormt, of een grote generalist die je adopteert.

De benchmarkvergelijking die niet gemaakt kan worden

LFM3-1.7B-Base heeft geen gepubliceerde evaluatie. Niet een summiere, niet een leverancierstabel met een asterisk — geen enkele. De modelkaart geeft specificaties en een fine-tuninggids, en de launchpost van Liquid bevat een substantiële benchmarktabel voor LFM3-1.7B, het post-getrainde zusje dat uit dit checkpoint is gebouwd. Dat zijn verschillende artefacten. Een basismodel voorspelt tekst; een post-getraind model volgt instructies. Het eerste scoren op een instructiebenchmark zegt iets over het tweede.

Gemma 4 12B daarentegen komt met een volledige familietabel voor de op instructies afgestemde checkpoints: 77,2% op MMLU Pro, 78,8% op GPQA Diamond, 77,5% op AIME 2026 zonder hulpmiddelen, 72,0% op LiveCodeBench v6, een Codeforces-Elo van 1659, 69,1% op MMMU Pro en 43,4% op MRCR v2 bij 128K met acht needles. Al deze cijfers zijn afkomstig van Google zelf en geen ervan is onafhankelijk gereproduceerd. Artificial Analysis plaatst Gemma 4 12B afzonderlijk op een Intelligence Index van 14, op de 20e plaats van 141 modellen in zijn vergelijkingsklasse, met een gemeten outputsnelheid van 110,9 tokens per seconde.

Het eerlijke scorebord heeft dus één gevulde kolom en één lege, en de lege kolom is geen falen van het model. Het is wat een basis-checkpoint is. Iedereen die 49.37 — het eigen gemiddelde van Liquid voor de afgestemde LFM3-1.7B — naast Gemma's MMLU Pro zet, vergelijkt twee verschillende suites, twee verschillende modellen en twee verschillende niveaus van afstemming.

Waar elk checkpoint eigenlijk voor dient

LFM3-1.7B-Base is bedoeld om te worden aangepast. De modelkaart van Liquid zegt dat het alleen wordt aanbevolen voor zware fine-tuning — taalspecifieke assistenten, domeinspecifieke assistenten, training op propriëtaire data, nieuwe post-trainingbenaderingen — en verwijst iedereen die wil chatten of tools wil gebruiken naar het getunede model in plaats daarvan. Het is vooraf getraind op 22 biljoen tokens, waarvan de laatste 3,5 biljoen gecureerde mid-trainingdata met agentische sporen en tool-aanroepen waren, en die fase breidde de context uit tot 262.144 tokens. Bij 4-bit neemt het ongeveer 1 GB in beslag, en dat is het hele ontwerpargument: een trunk die klein genoeg is om op één GPU te fine-tunen en op een telefoon te draaien.

Gemma 4 12B bestaat om gebruikt te worden. Het is het middelgrote dense lid van de uit vijf modellen bestaande Gemma 4-familie van Google, zonder afzonderlijke multimodale encoders — afbeeldingspatches en audiogolfvormen worden rechtstreeks in dezelfde ruimte als teksttokens geprojecteerd. Het draait op een laptop in ongeveer 7 GB bij 4-bits kwantisatie, is vrijgegeven onder Apache 2.0 zonder omzetdrempel, en heeft het soort ecosysteemondersteuning dat een model van zes maanden oud accumuleert: gekwantiseerde builds, framework-integraties en een community die de faalmodi ervan al heeft ontdekt.

Zes verschillen die de doorslag geven

• Parameters — 1,73B dense tegenover 11,95B dense. De grootteverhouding is 6,9 tegen 1, en die bepaalt alles wat er verder uit volgt: geheugen, fine-tuningkosten, inferencesnelheid en het plafond op algemene kennis.

• Modaliteit — tekst in, tekst uit, voor LFM3-1.7B-Base. Tekst, afbeelding en audio in, tekst uit, voor Gemma 4 12B. Het basis-checkpoint kan geen schermafbeelding zien, en geen enkele hoeveelheid fine-tuning voegt een vision-encoder toe die nooit is getraind.

• Context — beide zijn 262,144 tokens. Dit is de enige rij waarop het kleine model niets prijsgeeft, en het is een echte prestatie van de hybride architectuur in plaats van een marketingtoeval.

• Talen — zestien vermeld voor LFM3-1.7B-Base, waaronder Arabisch, Hindi, Thais, Vietnamees en Indonesisch. Gemma 4 12B is vooraf getraind op 140+ talen, met naar verluidt out-of-the-box ondersteuning voor 35+, een veel breder bereik en een echt voordeel voor meertalige implementatie.

• Woordenschat — 128.000 tokens voor LFM3-1.7B-Base, 262.000 voor Gemma 4 12B. De grotere woordenschat comprimeert tekst agressiever in talen met een Latijns schrift en in code; de kleinere houdt de embedding-matrix klein, wat van belang is wanneer het hele model 3,46 GB groot is.

• Licentie — de LFM Open License v1.0 is gratis voor commercieel gebruik onder de 10 miljoen dollar jaaromzet, met daarboven een commerciële licentie. Gemma 4 12B is Apache 2.0, met de acceptable-use-voorwaarden van Google naast de modelgewichten in plaats van als omzetvoorwaarde.

Het enige nummer binnen dezelfde suite, en waarom het niet overdraagbaar is

Er is precies één plek waarop Liquid een score tegen Gemma 4 12B heeft gepubliceerd op dezelfde evaluatiesuite, en daarbij gaat het om een ander model. Verspreid over 62 vision-benchmarks rapporteert Liquid LFM3-VL-2B, zijn 1,9B-visionmodel, met 66,0 op de algemene categorie van de suite tegenover 74,0 voor Gemma 4 12B. Elders in dezelfde tabel zit het kleinere model dichterbij, en de samenvatting van Liquid is dat het visionmodel Gemma 4 12B "evenaart", ondanks dat het meer dan zes keer kleiner is.

Lees de tabel in plaats van de zin, dan zegt die iets preciezers: een multimodaal model van 1,9B komt binnen acht punten van een multimodaal model van 12B op een brede visiesuite, en de kloof is ongelijk verdeeld over de categorieën. Lees het als een uitspraak over LFM3-1.7B-Base, en het zegt helemaal niets. Het tekstbasis-checkpoint heeft geen vision tower en is op geen van die benchmarks geëvalueerd. De bewering hoort bij een zustermodel, en het is het soort herkomstfout waardoor een zorgvuldige vergelijking misleidend wordt.

Wat de 12B-generalist in geld waard is

Gemma 4 12B heeft een marktprijs omdat derde partijen het aanbieden. Artificial Analysis rapporteert een gemengde mediaan van $0,10 per miljoen invoertokens en $0,30 per miljoen uitvoertokens over platforms die de open gewichten hosten — een mediaan over aanbieders, geen lijstprijs, en een die zal verschuiven naarmate de aanbodzijde verandert. Dat is goedkoop genoeg dat de meeste teams er nooit aan denken om het zelf te draaien.

LFM3-1.7B-Base heeft niet zo'n prijs, omdat het geen als dienst aangeboden model is. De kosten ervan zijn de fine-tuningrun, de datapipeline en de servingstack, en die getallen variëren met meer dan een orde van grootte, afhankelijk van wat je bouwt. De pitch van Liquid is dat de run op één GPU past en het resultaat in ongeveer een gigabyte past; dat klopt voor het model en zegt niets over de kosten van de gelabelde data. Een gespecialiseerde fine-tune is niet goedkoper dan het aanroepen van een generalistische API, tenzij je de data al hebt; heb je die, dan is het bij volume dramatisch goedkoper.

Hier bewijst een routeringslaag zijn waarde. OrcaRouter geeft de lijstprijzen van providers door tegen 0% opslag, waardoor een prijsverlaging van een leverancier dezelfde dag doorwerkt in plaats van te wachten op een prijsherzieningscyclus, en dezelfde sleutel meer dan 200 modellen bereikt met automatische failover. De praktische aanpak voor een team dat deze beslissing afweegt, is de generalist op het gerouteerde pad te houden terwijl de gespecialiseerde fine-tune wordt geëvalueerd, en vervolgens het verkeer te verplaatsen wanneer de fine-tune wint op je eigen held-outset — niet op een leveranciersgemiddelde.

Drie kopers, drie antwoorden.

Je hebt propriëtaire data en een beperkte taak. Neem LFM3-1.7B-Base. De 1,73B-trunk is klein genoeg om op één GPU te fine-tunen, de 256K-context overleeft de fine-tune, en de woordenschat voor zestien talen dekt de meeste regionale implementaties. Gemma 4 12B kan ook worden fine-getuned, maar dan betaal je om capaciteit opnieuw te trainen die je op het punt staat weg te specialiseren.

Je hebt een model nodig dat vanmiddag werkt. Neem Gemma 4 12B. Het basischeckpoint kan geen vraag beantwoorden, en het afgestemde zusje is een andere download met een andere licentiekwestie. Gemma 4 12B is op instructies afgestemd, multimodaal, gedocumenteerd en beschikbaar tegen een gepubliceerde mediane prijs. De tijd tot het eerste antwoord wordt in minuten gemeten.

Je hebt beide nodig. Dit is het gangbare geval, en juist datgene wat de framing verbergt. Fine-tune de trunk voor de smalle, hoogvolume taak en routeer al het overige naar een generalist. De twee zijn op architectuurniveau geen vervangers van elkaar, en door de beslissing als exclusief te behandelen, komen teams er ofwel op uit dat ze te veel betalen voor een specialist, ofwel dat ze een use case onderbedienen waarvoor hun kleine model nooit is getraind.

De licentie is het sluimerende probleem.

Apache 2.0 is de reden dat veel bedrijven al stoppen met lezen bij Gemma's licentie. Er is geen omzetdrempel, geen commerciële trigger en geen onderhandeling — de gewichten zijn van jou om aan te passen en te serveren, met inachtneming van Google's acceptable-use policy. Liquid's LFM Open License v1.0 is op kleine schaal ook permissief, maar definieert een jaarlijkse omzetdrempel van $10 miljoen waarboven een commerciële licentie geldt. Voor een startup is het verschil theoretisch. Voor een bedrijfsonderdeel binnen een groter bedrijf is het een inkoopgesprek dat begint voordat de eerste fine-tune plaatsvindt.

Wat zou het antwoord veranderen

Twee stukken bewijs zouden deze vergelijking van een categorieargument naar een numeriek argument verplaatsen. Het eerste is een basismodelevaluatie van Liquid — zelfs een kleine, op een achtergehouden corpus — waarmee een lezer kan beoordelen of 22 biljoen tokens en de tri-hybride stack een beter startpunt opleverden dan LFM2.5-2.6B-Base. Het tweede is een onafhankelijke fine-tune van LFM3-1.7B-Base op een publieke taak, gerapporteerd tegen een Gemma 4 12B-baseline. Geen van beide bestaat nog, en het lanceringsbericht belooft ze niet.

Totdat ze dat doen, hangt de beslissing af van wat je koopt in plaats van welk model beter is: een trunk van 3,46 GB zonder scores en zonder instruction tuning, of een 12B-generalist met een volledige tabel met cijfers van de leverancier en een licentie waar je nooit meer naar hoeft om te kijken. Dat is qua capaciteit geen moeilijke keuze. Het is een moeilijke keuze qua geschiktheid, en de lege kolom in het scorebord is het eerlijkste ding op deze pagina.