Gemma 4 26B A4B IT is een instructie-afgestemd Mixture-of-Experts (MoE) model van Google DeepMind. Ondanks 25.2B totale parameters, worden er tijdens inferentie slechts 3.8B per token geactiveerd — wat bijna 31B kwaliteit levert bij...
Gemma 4 26B A4B is een Mixture-of-Experts-model ontwikkeld door Google. Het heeft in totaal 26 miljard parameters, maar slechts 4 miljard zijn actief per token—dit ontwerp verlaagt de rekenkosten…
Gemma 4 26B A4B accepteert tekst, afbeeldingen en video als invoer. Afbeeldingen kunnen worden aangeleverd als base64-gecodeerde gegevens of URL's. Video kan worden aangeleverd als een URL of als een reeks frames (afbeeldingsobjecten). Het model verwerkt deze modaliteiten gezamenlijk, waardoor taken zoals visuele vraagbeantwoording, videosamenvatting en diagrambegrip mogelijk worden. Audio wordt niet ondersteund; alleen visuele en tekstuele inhoud. De uitvoer is alleen tekst. De multimodale capaciteit van het model is bijzonder nuttig voor het analyseren van documenten die grafieken, screenshots of video-opnamen bevatten.
Het contextvenster is 262.144 tokens. Hierdoor kan het model zeer lange sequenties in één keer verwerken – bijvoorbeeld een document van 200 pagina's, uren aan getranscribeerde video of een grote set afbeeldingen met beschrijvende bijschriften. Grotere contextvensters verminderen de noodzaak voor chunking en samenvatting, maar verhogen ook het geheugengebruik. De effectieve lengte die u kunt gebruiken, hangt af van het totale aantal invoertokens (tekst + afbeeldings/videotokens). Houd er rekening mee dat afbeeldings- en video-invoer veel tokens verbruikt; raadpleeg de documentatie van OrcaRouter voor hoe tokenaantallen worden berekend voor niet-tekstuele invoer.
Als uw taak zuiver tekstgebaseerd is, alleen een korte context vereist (minder dan 8k tokens), of geen multimodale invoer nodig heeft, overweeg dan een kleiner of goedkoper model—zoals Gemma 3 4B of een tekst-alleen variant. Gemma 4 26B A4B kost $0.06 per miljoen invoertokens en $0.33 per miljoen uitvoertokens. Voor eenvoudige vraagbeantwoording of classificatie kunnen modellen met lagere kosten per token voordeliger zijn. Het MoE-ontwerp maakt het efficiënt ten opzichte van de totale grootte, maar het is niet de goedkoopste optie die beschikbaar is op OrcaRouter voor minimale taken.
GPQA Diamond is een benchmark van 448 meerkeuzevragen op masterniveau op het gebied van biologie, natuurkunde en scheikunde. Een score van 79,2 betekent dat het model 79,2% correct beantwoordde. Dit duidt op sterke wetenschappelijke redenering en het ophalen van kennis. De benchmark is ontworpen om moeilijk te zijn voor veel LLMs. Echter, een enkele benchmark kan niet alle aspecten van modelkwaliteit weergeven. Bijvoorbeeld, de prestaties van het model op andere taken zoals programmeren of creatief schrijven kunnen verschillen. Gebruik deze score als één datapunt bij het vergelijken van modellen voor soortgelijke wetenschappelijke redeneertaken.
Sterke punten omvatten multimodaal begrip met grote context, MoE-efficiëntie voor zijn grootte, en sterk redeneervermogen over wetenschappelijke vragen zoals aangegeven door GPQA. Beperkingen zijn niet uitputtend gedocumenteerd, maar zijn typisch voor MoE-modellen: prestaties kunnen variëren per domein, en de effectieve capaciteit per token wordt beperkt door de 4B actieve parameters. Het model kan moeite hebben met taken die extreem diepe logische ketens of domeinspecifiek jargon vereisen dat niet goed vertegenwoordigd is in de trainingsdata. Latentie en doorvoer zijn afhankelijk van de implementatiehardware; OrcaRouter garandeert geen specifieke snelheidsmetingen.
OrcaRouter publiceert geen gestandaardiseerde latentiebenchmarks voor dit model. Als een MoE-model activeert Gemma 4 26B A4B slechts een subset van parameters per token, wat de inferentie sneller kan maken dan een dicht 26B-model, maar mogelijk langzamer dan een kleiner dicht model. De werkelijke prestaties zijn afhankelijk van factoren zoals batchgrootte, invoerlengte en back-end GPU-type. Voor realtime toepassingen test u met uw specifieke workload. U kunt ook de afweging tussen latentie en kosten overwegen: het gebruik van een kleiner model kan de snelheid verbeteren tegen lagere kosten.
De prijs is $0,06 per 1 miljoen invoertokens en $0,33 per 1 miljoen uitvoertokens. Dit zijn de tarieven die door de provider (Google) worden gefactureerd en door OrcaRouter worden doorgegeven zonder opslag. Dat betekent dat u exact het providertarief betaalt—OrcaRouter voegt geen toeslag toe. Tokens worden consistent geteld op het platform; afbeeldingen en videoframes worden getokeniseerd volgens de modelspecificaties van Google. Voor een typische multimodale query met een paar afbeeldingen kunnen invoertokens domineren, waardoor de prijs voor invoer de belangrijkste kostenpost wordt.
OrcaRouter biedt mogelijk cachingmechanismen voor herhaalde prefix- of prompttemplates, wat het tokenverbruik kan verminderen en de kosten kan verlagen. Specifieke kortingen voor caching zijn echter niet gegarandeerd voor dit model en zijn afhankelijk van uw gebruikspatroon. Er is geen aparte batch-prijscategorie gepubliceerd voor Gemma 4 26B A4B. Neem voor workloads met een hoog volume contact op met OrcaRouter-ondersteuning om mogelijke kortingen te bespreken. Net als bij alle modellen op het platform betaalt u alleen voor wat u gebruikt—invoer- en uitvoertokens—zonder maandelijkse kosten of minimale verplichting.
Gezien de prijsstructuur zijn de totale kosten afhankelijk van het aantal en type tokens dat u verzendt en ontvangt. Multimodale invoer (vooral video) kan veel invoertokens gebruiken omdat elk frame wordt gecodeerd. Voor lange video's kunnen de invoerkosten hoger zijn dan de uitvoerkosten. Als uw taak uitvoer-intensief is (bijvoorbeeld het genereren van lange rapporten), is de uitvoerprijs ($0,33/M) hoger dan de invoerprijs. Evalueer uw verwachte tokenverhouding. Voor taken die kunnen worden opgelost met een goedkoper alleen-tekstmodel kan het kostenverschil aanzienlijk zijn. Gebruik de token-teltools van OrcaRouter om een schatting te maken.
Stel de basis-URL in op https://api.orcarouter.ai/v1 en gebruik het model-ID google/gemma-4-26b-a4b-it. Stuur een POST-verzoek naar /chat/completions met het standaard OpenAI-schema. Voor multimodale invoer voegt u een array van content-objecten toe met het typeveld ingesteld op 'text', 'image_url' of 'video_url'. Voorbeeld: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. De API retourneert een chat completion-antwoord.
U kunt standaard OpenAI-parameters gebruiken zoals temperature, top_p, max_tokens, stop, frequency_penalty en presence_penalty. Daarnaast ondersteunt OrcaRouter provider-specifieke parameters via het optionele veld 'provider' in de request body (niet vereist voor dit model). Het model ondersteunt natively streaming door stream=true in te stellen. Gebruik voor gestructureerde uitvoer de parameter 'response_format' met type 'json_object' of een JSON-schema. Raadpleeg de documentatie van OrcaRouter voor eventuele extra parameters zoals 'reasoning_effort'—alhoewel die niet wordt vermeld voor dit model.
Overschakelen van een andere OpenAI-compatibele API is eenvoudig: wijzig de basis-URL naar https://api.orcarouter.ai/v1 en stel het model in op google/gemma-4-26b-a4b-it. Uw bestaande promptstructuur, parameters en SDK-client zijn compatibel omdat OrcaRouter hetzelfde schema volgt. Als u een SDK van een andere provider gebruikte, moet u mogelijk het eindpunt en de authenticatie bijwerken. OrcaRouter gebruikt API-sleutels in plaats van OAuth; neem uw sleutel op in de Authorization-header als 'Bearer YOUR_KEY'. Test eerst met een klein verzoek.
Gemma 4 26B A4B is een nieuwer multimodaal MoE-model met 262k context en een GPQA Diamond-score van 79,2, terwijl Gemma 3 8B een kleiner dicht model is (8B parameters) met een contextvenster van 128k en geen native video-ondersteuning. Gemma 3 8B is goedkoper op invoertokens (typisch $0,05-0,10 per miljoen invoer) maar presteert mogelijk niet op het niveau van redeneerkwaliteit bij moeilijke wetenschappelijke vragen. Voor taken waarbij video of zeer lange documenten betrokken zijn, is Gemma 4 26B A4B de duidelijke keuze. Voor alleen-teksttaken met gematigde context is Gemma 3 8B mogelijk voldoende en kosteneffectiever.
Llama 3.1 70B is een dicht model met 70B parameters en 128k context, van nature niet multimodaal voor video (hoewel het afbeeldingen kan verwerken). Gemma 4 26B A4B gebruikt MoE om slechts 4B parameters per token te activeren, wat mogelijk snellere inferentie biedt dan het veel grotere Llama-model. Op GPQA Diamond scoort Gemma 4 26B A4B 79.2; Llama 3.1 70B scoort rond de 65-70 (niet direct vergelijkbaar vanwege verschillen in benchmarkversies). Llama 3.1 70B is mogelijk duurder qua invoertokens (ongeveer $0.35 per miljoen invoer). Voor multimodale en lange-contextscenario's kan Gemma 4 efficiënter zijn.
GPT-4o is een dicht eigen model van OpenAI met multimodale ondersteuning en een contextvenster van 128k (standaard) en tot 1M voor sommige versies. De prijsstelling is aanzienlijk hoger (bijv. $2.50 per miljoen invoertokens voor GPT-4o). Gemma 4 26B A4B heeft open gewichten en is beschikbaar via OrcaRouter tegen een veel lagere kostprijs ($0.06/$0.33). Prestaties op GPQA Diamond voor GPT-4o zijn niet direct vergelijkbaar, maar doorgaans hoger. Echter, voor kostenbewuste toepassingen die geen grensverleggende redenering vereisen, biedt Gemma 4 26B A4B een sterke prijs-prestatieverhouding. Gegevensverwerking verschilt: Gemma 4 is van Google met afzonderlijke privacyvoorwaarden.
Vergeleken met andere open-weight MoE-modellen zoals Mixtral 8x7B (46,7B totaal, 12,9B actief) of Qwen2.5-72B-A3B (72B totaal, 3B actief), biedt Gemma 4 26B A4B een unieke combinatie: een contextvenster van 262k, volledige multimodale ondersteuning (afbeelding+video) en een gepubliceerde GPQA Diamond-score van 79,2. Mixtral 8x7B heeft een contextvenster van 32k en geen video-ondersteuning. Qwen2.5-72B-A3B heeft een contextvenster van 128k en ondersteunt tekst maar geen video. Het aantal actieve parameters van 4B is vergelijkbaar met andere kleine MoE-modellen, maar de specifieke architectuur van Gemma 4—getraind door Google en fijngestemd voor instructievolging—kan het een voorsprong geven bij multimodale en wetenschappelijke taken.
OpenAI-compatibel — behoud je huidige SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Invoer / 1M tokens | $0.060 |
| Uitvoer / 1M tokens | $0.330 |
| Cache lezen / 1M | $0.0075 |
| Valuta | USD |
Schatting op basis van catalogusprijs
Alleen een schatting — het werkelijke aantal tokens hangt af van de tokenizer van de aanbieder.
GET /api/public/models/google/gemma-4-26b-a4b-itOpenen @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