
LFM2.5-24B-A2B kontra Gemma 4 26B-A4B: Dwa modele rzadkie, dwie różne teorie tego, gdzie trafia moc obliczeniowa
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 182 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 356 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 147 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
LFM2.5-24B-A2B i Gemma 4 26B-A4B wyglądają jak ten sam pomysł dwa razy. Checkpoint Liquid AI został wydany 13 października 2026 r. i miał 24,0 miliarda całkowitych parametrów oraz 2,45 miliarda odczytywanych na token. Gemma 4 26B-A4B od Google DeepMind ma 25,2 miliarda całkowitych parametrów i 3,8 miliarda aktywnych na token; opublikowano ją na Hugging Face 11 marca 2026 r. Oba modele to mieszaniny ekspertów, oba to w przybliżeniu 25-miliardowe checkpointy powiązane z budżetem obliczeniowym wynoszącym od dwóch do czterech miliardów parametrów, a obaj dostawcy sięgają po to samo zdanie, wyjaśniając kompromis — płacisz pamięcią za duży model, a opóźnieniem za mały. Ta niemal identyczna arytmetyka to dokładnie powód, dla którego warto to porównanie przeprowadzić rzetelnie, ponieważ oba modele wydają ten budżet na zupełnie inne rzeczy: Gemma 4 26B-A4B przeznacza go na wizję, kontekst 256K i szeroką bazę wiedzy; LFM2.5-24B-A2B przeznacza go na ślad rozumowania, mechanizm wywoływania narzędzi i agentowe uczenie ze wzmocnieniem. Ten sam kształt, przeciwne priorytety.
Jest jeszcze jedna asymetria na wierzchu: tabela wyników LFM2.5-24B-A2B używa Gemma-4-26B-A4B-it jako jednej z trzech linii bazowych, więc tym razem nie zestawiamy dwóch tabel premierowych i nie zgadujemy — Liquid uruchomił oba, w tym samym środowisku vLLM, i opublikował wiersze.
Obydwu brakuje tego samego, i to jest to, co wszyscy zakładają.
Zacznij od błędnego przekonania, które te dwa modele najprawdopodobniej wygenerują, ponieważ jest ono takie samo dla obu. Rzadka mieszanka ekspertów nie zmniejsza zapotrzebowania na pamięć. Każdy parametr w pliku checkpoint musi być rezydentny; to, co daje ci 2,45B lub 3,8B aktywnych, to przepustowość na token, a nie mniejszy ślad. Czytelnik, który widzi „2,45B aktywnych” i sięga po maszynę z 4 GB, będzie miał złe popołudnie.
W naszym własnym katalogu checkpoint Gemma 4 26B A4B jest wymieniony z kontekstem 262 144 tokenów, a karta LFM2.5-24B-A2B podaje 131 072. Na dysku różnica jest większa, niż sugerują liczby parametrów: LFM2.5-24B-A2B publikuje Q4_K_M GGUF o rozmiarze 14,5 GB oraz QAT QAD-Q4_0 o rozmiarze 13,6 GB, a w BF16 – 48 GB; Gemma 4 26B A4B publikuje bfloat16 safetensors jako shard o rozmiarze 49,9 GB plus shard o rozmiarze 1,7 GB, z 4-bitowym GGUF uwzględniającym kwantyzację, który łączy kompaktowy plik wag z osobnym plikiem projekcji multimodalnej. W zaokrągleniu: około 14 GB kontra około 50 GB bez kompresji, z dwóch checkpointów, których łączna liczba parametrów różni się o miliard. Ta różnica wynika ze słownika, układu ekspertów i stosu multimodalnego, a nie z liczby parametrów z nagłówka, i jest to najpraktyczniejsza linijka w całym tym tekście.
Kontrast specyfikacji, jedna linia na wymiar
• Parametry całkowite / aktywne — LFM2.5-24B-A2B 24,0B / 2,45B, 64 ekspertów z routingiem top-4 w 40 warstwach. Gemma 4 26B-A4B 25,2B / 3,8B, 8 aktywnych ekspertów spośród 128 plus jeden wspólny ekspert w 30 warstwach.

• Kontekst — 131 072 tokenów w porównaniu z 262 144, przy czym Gemma 4 26B A4B używa okna przesuwnego o rozmiarze 1024 tokenów oraz hybrydowej uwagi, która przeplata warstwy lokalne i globalne, zachowując ostatnią warstwę jako globalną.
• Modalność — LFM2.5-24B-A2B to tekst na wejściu, tekst na wyjściu. Gemma 4 26B A4B przyjmuje tekst i obraz, z enkoderem wizyjnym o około 550 mln parametrów; audio jest ograniczone do mniejszych rozmiarów Gemma 4.
• Rozumowanie — LFM2.5-24B-A2B zawsze generuje jawny łańcuch myśli wewnątrz bloku <think>. Gemma 4 26B A4B to dostrojony do instrukcji generalista bez obowiązkowego śladu.
• Słownictwo — 128 000 tokenów, dwukrotnie więcej niż w poprzedniej generacji dzięki rozszerzeniu tokenizera w miejscu, w porównaniu z 262-tysięcznym słownictwem rodziny współdzielonym przez wszystkie pięć rozmiarów Gemma 4.
• Licencja — lfm1.0, bezpłatna do użytku komercyjnego do 10 mln USD rocznego przychodu, a powyżej tego progu wymagana jest licencja komercyjna. Gemma 4 26B A4B jest na licencji Apache 2.0, standardowy tekst licencji znajduje się pod adresem ai.google.dev/gemma/apache_2, a obok niego polityka zakazanych zastosowań Google jako dokument dopuszczalnego użytku, a nie ograniczenie licencyjne.
• Opublikowane formaty — GGUF (od Q4_K_M do BF16), FP8, ONNX oraz 4/5/6/8-bitowe MLX dla modelu Liquid; bfloat16 safetensors, wstępnie wytrenowany checkpoint, 4-bitowa wersja QAT i gotowy dla llama.cpp GGUF, a także model szkicujący do wielotokenowego przewidywania, dla rozmiaru Gemma.
Liquid przeprowadził oba, a wyniki nie są pełnym zwycięstwem
Post premierowy LFM2.5-24B-A2B umieszcza Gemma-4-26B-A4B-it w kolumnie bazowej swojej tabeli szesnastu benchmarków, obok Qwen3.6-35B-A3B i Nemotron-3.5-Lightning, przy czym wszystkie cztery kolumny uruchomiono w vLLM z ustawieniami generacji dla poszczególnych benchmarków. Wszystko poniżej to dane raportowane przez dostawców po obu stronach — liczby Liquid, w tabeli złożonej przez Liquid. To nie jest niezależna ocena, ale to przynajmniej jedno wspólne środowisko testowe, czyli więcej niż ma większość stron porównujących modele.
Wiersze agentowe wyglądają jak pogrom: AutomationBench 27,69 wobec 5,46, ToolSandbox 80,71 wobec 72,09, LiveClaw 48,09 wobec 41,25, τ³-Bench Banking 8,04 wobec 4,54, BFCLv4 65,01 wobec 57,09. Przestrzeganie instrukcji to ta sama historia — IFEval 96,75 wobec 92,00, IFBench 74,69 wobec 47,44, Multi-IF 84,38 wobec 82,19.
A potem druga połowa tabeli, którą Liquid i tak opublikował: PinchBench 83,18 wobec 77,12 wypada odwrotnie, podobnie jak trzy wiersze, które znaczą więcej niż jakiekolwiek zwycięstwa w wywoływaniu narzędzi. GPQA Diamond — 74,42 wobec 74,90, zasadniczo na równi w najtrudniejszym segmencie nauki na poziomie magisterskim. SWE-Bench Verified via OpenCode — 51,00 wobec 25,80, przewaga dwa do jednego na korzyść modelu Liquid, co jest najbardziej zaskakującą pojedynczą liczbą w obu tabelach. SciCode — 32,71 wobec 35,42, a rozmiar Gemma prowadzi. I AA-Omniscience — −24,90 wobec −59,39, gdzie oba modele wypadają słabo, a rozmiar Gemma wypada ponad dwukrotnie gorzej.
Można to odczytać na dwa sposoby, a uczciwy jest ten drugi. Pierwszy jest taki, że model agentowy z 2,45 mld aktywnych parametrów bije model ogólnego przeznaczenia z 3,8 mld aktywnych parametrów w zadaniach agentowych, do czego został stworzony. Drugi jest taki, że kolumna Gemma 4 26B A4B wygląda anomalnie słabo we wszystkich kategoriach — to, że model o 25,2 mld parametrów łącznie i 3,8 mld aktywnych plasuje się poniżej modelu z 2,45 mld aktywnych parametrów w zakresie podążania za instrukcjami, korzystania z narzędzi i wiedzy, nie jest tym, co przewidywałaby własna tabela rodziny Google, i przypomina, że wspólne środowisko testowe nie czyni benchmarku porównywalnym, jeśli modele są uruchamiane z różnymi ustawieniami generowania i różnym promptowaniem. Traktuj kierunek tych wierszy jako informacyjny, a wielkości — nie.
Czego w tabeli w ogóle nie ma, to multimodalna połowa Gemma 4 26B A4B. Benchmark wizyjny jest tu niemożliwy, ponieważ LFM2.5-24B-A2B nie widzi. Jeśli jakakolwiek część Twojego obciążenia obejmuje obraz przychodzący od użytkownika, to porównanie ma zwycięzcę, zanim się zacznie, i nie jest nim nowszy model.
Cena i ile faktycznie kosztuje utrzymanie każdego z nich
LFM2.5-24B-A2B ma cenę za token: 0,10 USD za milion tokenów wejściowych (0,05 USD z pamięci podręcznej) i 1,00 USD za milion tokenów wyjściowych w Console firmy Liquid, z 2 USD kredytu na start. Gemma 4 26B A4B nie ma w ogóle ceny katalogowej producenta — Google nie podaje żadnej — więc jedyną uczciwą kwotą kosztu jest to, ile pobierają platformy hostujące otwarte wagi, a to różni się w zależności od hosta i dnia.
Ta asymetria to argument za tym, żeby przechodzić przez router, a nie wpinać endpoint jednego dostawcy bezpośrednio w swój kod. Pomijając geometrię, to jest punkt, w którym liczy się sprawdzenie obu stron: udostępniamy checkpoint Gemma 4 26B A4B pod dwoma identyfikatorami — google/gemma-4-26b-a4b-it oraz obsidian/gemma-4-26B-A4B — a oba odniesienia cenowe, których Liquid używa w swojej tabeli, qwen/qwen3.6-35b-a3b wśród nich, za jednym kluczem przy 0% marży względem ceny katalogowej dostawcy. Nie udostępniamy LFM2.5-24B-A2B. Praktyczna wersja tej strony jest więc taka: pobierz checkpoint Liquid i uruchom go lokalnie, a rozmiar Gemma 4 i baseline Qwen wywołuj przez ten sam klucz, dopóki podejmujesz decyzję, żebyś porównywał na własnych zadaniach, a nie na wyborze harnessu przez któregokolwiek z dostawców.


Który, i kiedy pytanie tak naprawdę dotyczy twojej maszyny
Jeśli Twoje obciążenie to tekst, a Twój agent musi planować, wywoływać narzędzia i uzasadniać swoje działania, nowszy checkpoint jest tym, który warto pobrać: 14,5 GB przy Q4_K_M, kontekst 131K, jawne rozumowanie oraz tabela benchmarków, w której wygrywa wiersze agentowe z tym właśnie przeciwnikiem. Jeśli jakakolwiek część Twojej pracy obejmuje obrazy, potrzebujesz kontekstu 256K zamiast 128K albo chcesz licencję Apache 2.0 bez klauzuli dotyczącej przychodów, której trzeba pilnować, Gemma 4 26B A4B odpowiada na pytanie, którego LFM2.5-24B-A2B nawet nie zadaje — przy około trzy i pół raza większym niekompresowanym śladzie dyskowym.
To, czego nie naprawia żaden z modeli, to fakt, że oba są ograniczone pamięcią, a nie mocą obliczeniową, i obu dostawców trzeba czytać w ten sam sposób. W poście premierowym rodziny Google dwa większe rozmiary Gemma 4 opisano jako wagi bfloat16, które „efektywnie mieszczą się na pojedynczym GPU NVIDIA H100 o pojemności 80 GB” — to prawda, ale to także rama samego dostawcy, a nie pomiar tej konkretnej kompilacji. Wynik Liquid — 184 tokeny na sekundę na Apple M5 Max i „do 1,7× szybciej niż porównywalne MoE na urządzeniu” — również nie doczekały się reprodukcji. Dwa rzadkie modele, dwóch dostawców, jedna wspólna nauka: arytmetyka w nazwie mówi o szybkości, a nic w nazwie nie mówi o pamięci.
Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.
