LFM3-1.7B-Base vs Gemma 4 12B: specjalistyczny rdzeń kontra generalista

Umieść oba pliki do pobrania obok siebie, a pierwszą różnicą nie jest wynik benchmarku. LFM3-1.7B-Base, opublikowany na Hugging Face 26 października 2026 r. i nazwany podczas prezentacji rodziny modeli Liquid AI następnego dnia, to plik bfloat16 o rozmiarze 3,46 GB zawierający wstępnie wytrenowany model tekstowy z 1,73 mld parametrów. Gemma 4 12B, wydany przez Google DeepMind 3 czerwca 2026 r., to gęsty model z 11,95 mld parametrów, dostarczany z dostrajaniem do instrukcji, kontekstem 256K oraz możliwością odczytywania obrazów i dźwięku, a także tekstu. Jeden jest komponentem. Drugi jest produktem. Porównywanie ich pod kątem możliwości jest błędem kategorii, a porównywanie ich pod kątem ceny za token jest niemal równie złe, ponieważ bazowy checkpoint nie ma ceny za token — ma rachunek za dostrajanie. Routing nie dodaje marży do ceny katalogowej dostawcy. 0% narzutu Zobacz ceny przekazywane bez narzutu na naszej stronie cennika.

To porównanie i tak zasługuje na swoją stronę, ponieważ oba są modelami z otwartymi wagami, które mały zespół może w tym tygodniu pobrać z tego samego zasadniczego powodu: chce mieć model, który kontroluje, na sprzęcie, który posiada, bez umowy opartej na opłatach za wywołanie. Przydatne pytanie brzmi: jaki rodzaj zasobu cię tam doprowadzi — mały trzon, który kształtujesz, czy duży model ogólnego przeznaczenia, który adoptujesz.

Porównanie benchmarkowe, którego nie można przeprowadzić

LFM3-1.7B-Base nie ma opublikowanej ewaluacji. Nie skąpej, nie tabeli dostawcy z gwiazdką — żadnej. Karta modelu podaje specyfikacje i przewodnik po dostrajaniu, a post premiery Liquid zawiera obszerną tabelę wyników benchmarków dla LFM3-1.7B, bliźniaczego modelu po treningu dostrajającym, który zbudowano na podstawie tego checkpointu. To różne artefakty. Model bazowy przewiduje tekst; model po treningu dostrajającym wykonuje instrukcje. Ocena pierwszego na benchmarku instrukcji mówi o drugim.

Gemma 4 12B natomiast pojawia się z pełną tabelą rodziny dla checkpointów dostrojonych do instrukcji: 77,2% na MMLU Pro, 78,8% na GPQA Diamond, 77,5% na AIME 2026 bez narzędzi, 72,0% na LiveCodeBench v6, Elo 1659 w Codeforces, 69,1% na MMMU Pro i 43,4% na MRCR v2 przy 128K z ośmioma igłami. Wszystkie te liczby pochodzą od Google i żadna nie została niezależnie odtworzona. Artificial Analysis osobno umieszcza Gemma 4 12B na Intelligence Index na poziomie 14, na 20. miejscu spośród 141 modeli w swojej klasie porównawczej, ze zmierzoną prędkością generowania wynoszącą 110,9 tokenów na sekundę.

Zatem uczciwa tablica wyników ma jedną wypełnioną kolumnę i jedną pustą, a pusta kolumna nie jest porażką modelu. To jest właśnie tym, czym jest bazowy checkpoint. Każdy, kto stawia 49,37 — własną średnią Liquid dla dostrojonego LFM3-1.7B — obok MMLU Pro Gemmy, porównuje dwa różne zestawy testów, dwa różne modele i dwa różne poziomy dostrajania.

Do czego tak naprawdę służy każdy punkt kontrolny

LFM3-1.7B-Base powstał po to, by go zmieniać. Karta modelu Liquid mówi, że jest zalecany wyłącznie do intensywnego dostrajania — asystentów dla konkretnych języków, asystentów dziedzinowych, trenowania na danych własnościowych, nowatorskich podejść do dostrajania po treningu wstępnym — a każdego, kto chce prowadzić czat lub korzystać z narzędzi, kieruje zamiast tego do dostrojonego modelu. Model wytrenowano wstępnie na 22 bilionach tokenów, z których ostatnie 3,5 biliona stanowiły wyselekcjonowane dane z etapu treningu pośredniego ze śladami agentowymi i wywołaniami narzędzi, a ten etap wydłużył kontekst do 262 144 tokenów. W wersji 4-bitowej zajmuje około 1 GB, i w tym tkwi cały argument projektowy: trzon wystarczająco mały, by dostroić go na jednej GPU i uruchomić na telefonie.

Gemma 4 12Bistnieje po to, by być używanym. To średniej wielkości gęsty model z pięciomodelowej rodziny Gemma 4 od Google, pozbawiony osobnych enkoderów multimodalnych — fragmenty obrazów i przebiegi fal dźwiękowych są rzutowane bezpośrednio w tę samą przestrzeń co tokeny tekstowe. Działa na laptopie w około 7 GB przy 4-bitowej kwantyzacji, jest objęty licencją Apache 2.0 bez progu przychodowego i ma takie wsparcie ekosystemu, jakie gromadzi sześciomiesięczny model: skwantyzowane buildy, integracje z frameworkami oraz społeczność, która zdążyła już odkryć jego tryby awarii.

Sześć różnic, które decydują

• Parametry — 1,73 mld gęstych wobec 11,95 mld gęstych. Stosunek rozmiarów wynosi 6,9 do 1 i determinuje wszystko dalej: pamięć, koszt dostrajania, szybkość wnioskowania oraz pułap wiedzy ogólnej.

• Modalność — tekst na wejściu, tekst na wyjściu, dla LFM3-1.7B-Base. Tekst, obraz i dźwięk na wejściu, tekst na wyjściu, dla Gemma 4 12B. Bazowy checkpoint nie widzi zrzutu ekranu, a żadna ilość dostrajania nie doda enkodera wizji, który nigdy nie był trenowany.

• Kontekst — oba wynoszą 262,144 tokenów. To jedyny wiersz, w którym mały model nie pozostaje w tyle, i jest to prawdziwe osiągnięcie architektury hybrydowej, a nie marketingowy zbieg okoliczności.

• Języki — szesnaście wymienionych dla LFM3-1.7B-Base, w tym arabski, hindi, tajski, wietnamski i indonezyjski. Gemma 4 12B jest wstępnie wytrenowana na ponad 140 językach, z deklarowanym wsparciem od razu po wyjęciu z pudełka dla ponad 35, co stanowi znacznie szerszy zakres i realną przewagę w przypadku wdrożeń wielojęzycznych.

• Słownictwo — 128 000 tokenów dla LFM3-1.7B-Base, 262 000 dla Gemma 4 12B. Większe słownictwo agresywniej kompresuje tekst w językach o piśmie łacińskim oraz w kodzie; mniejsze utrzymuje macierz osadzeń w niewielkim rozmiarze, co ma znaczenie, gdy cały model zajmuje 3,46 GB.

• Licencja — LFM Open License v1.0 jest bezpłatna do użytku komercyjnego przy rocznym przychodzie poniżej 10 mln USD, a powyżej tego progu wymagana jest licencja komercyjna. Gemma 4 12B jest objęta licencją Apache 2.0, a warunki dopuszczalnego użytkowania Google towarzyszą wagom, zamiast stanowić warunek związany z przychodem.

Ten jedyny numer w tym samym zestawie — i dlaczego się nie przenosi

Istnieje dokładnie jedno miejsce, w którym Liquid opublikował wynik w porównaniu z Gemma 4 12B w tym samym zestawie ewaluacyjnym, i dotyczy on innego modelu. W 62 benchmarkach wizyjnych Liquid podaje LFM3-VL-2B, swój model wizyjny z 1,9 mld parametrów, na poziomie 66,0 w ogólnej kategorii zestawu wobec 74,0 dla Gemma 4 12B. W innych miejscach tej samej tabeli mniejszy model jest bliżej, a podsumowanie Liquid jest takie, że model wizyjny „dorównuje” Gemma 4 12B, mimo że jest ponad sześciokrotnie mniejszy.

{{1}}Przeczytaj tabelę, a nie zdanie, a powie ona coś bardziej precyzyjnego{{/1}}: {{2}}model multimodalny 1.9B mieści się w granicach ośmiu punktów od modelu multimodalnego 12B w szerokim zestawie testów wizyjnych, a różnica jest nierówna w poszczególnych kategoriach{{/2}}. {{3}}Odczytaj to jako stwierdzenie o LFM3-1.7B-Base, a nie mówi ono zupełnie nic{{/3}}. {{4}}Tekstowy checkpoint bazowy nie ma wieży wizyjnej i nie był oceniany na żadnym z tych benchmarków{{/4}}. {{5}}To twierdzenie należy do modelu siostrzanego i jest to rodzaj błędu w określeniu pochodzenia, który zamienia staranne porównanie w porównanie wprowadzające w błąd{{/5}}.

Ile pieniędzy jest wart 12B generalista

Gemma 4 12B ma cenę rynkową, ponieważ podmioty trzecie udostępniają ją jako usługę. Artificial Analysis podaje mieszaną medianę na poziomie 0,10 USD za milion tokenów wejściowych i 0,30 USD za milion tokenów wyjściowych na platformach hostujących otwarte wagi — to mediana wśród dostawców, a nie cena katalogowa, i będzie się zmieniać wraz ze zmianami po stronie podaży. To wystarczająco tanio, że większość zespołów nigdy nie rozważa uruchamiania jej samodzielnie.

LFM3-1.7B-Base nie ma takiej ceny, ponieważ nie jest modelem serwowanym. Jego koszt to przebieg dostrajania, pipeline danych i stos serwowania, a te liczby różnią się o więcej niż rząd wielkości w zależności od tego, co budujesz. Obietnica Liquid polega na tym, że przebieg mieści się na jednej GPU, a wynik zajmuje około gigabajta, co jest prawdą w przypadku modelu i nie mówi nic o koszcie danych oznaczonych. Specjalistyczne dostrojenie nie jest tańsze niż wywoływanie API ogólnego przeznaczenia, chyba że już masz dane; jeśli je masz, przy dużej skali jest dramatycznie tańsze.

Właśnie tutaj warstwa routingu udowadnia swoją wartość. OrcaRouter przekazuje ceny katalogowe dostawców przy 0% marży, dzięki czemu obniżka ceny przez dostawcę trafia do oferty tego samego dnia, zamiast czekać na cykl zmiany cen, a ten sam klucz daje dostęp do ponad 200 modeli z automatycznym przełączaniem awaryjnym. Praktyczny wzorzec dla zespołu rozważającego tę decyzję to pozostawienie modelu ogólnego na ścieżce routingu, podczas gdy dostrojony model specjalistyczny jest oceniany, a następnie przeniesienie ruchu, gdy dostrojony model wygrywa na własnym, wydzielonym zbiorze — a nie na średniej dostawcy.

Trzech kupujących, trzy odpowiedzi

Masz zastrzeżone dane i wąskie zadanie. Weźmy LFM3-1.7B-Base. Rdzeń o 1,73 mld parametrów jest wystarczająco mały, by dostroić go na jednym GPU, kontekst 256K przetrwa dostrajanie, a słownik szesnastu języków pokrywa większość wdrożeń regionalnych. Gemma 4 12B również można dostroić, ale płaciłbyś za ponowne trenowanie zdolności, które właśnie zamierzasz wyspecjalizować i odłożyć na bok.

Potrzebujesz modelu, który zadziała jeszcze dziś po południu. Weź Gemma 4 12B. Bazowy checkpoint nie potrafi odpowiedzieć na pytanie, a dostrojony wariant to osobne pobranie z odrębną kwestią licencyjną. Gemma 4 12B jest dostrojona do instrukcji, multimodalna, udokumentowana i dostępna w opublikowanej cenie medianowej. Czas do pierwszej odpowiedzi mierzy się w minutach.

Potrzebujesz obu. To typowy przypadek — i właśnie jego ukrywa przyjęta perspektywa. Dostrój model bazowy do wąskiego, masowego zadania, a wszystko inne kieruj do modelu ogólnego przeznaczenia. Te dwa podejścia nie są substytutami na poziomie architektury, a traktowanie tej decyzji jako wyłącznej sprawia, że zespoły albo przepłacają za specjalistę, albo niedostatecznie obsługują przypadek użycia, do którego ich mały model nigdy nie był trenowany.

Licencja to ukryty problem

Apache 2.0 to powód, dla którego wiele firm przestaje czytać już na licencji Gemmy. Nie ma progu przychodów, wyzwalacza komercyjnego ani negocjacji — wagi są Twoje, możesz je modyfikować i udostępniać, z zastrzeżeniem polityki dopuszczalnego użytkowania Google. LFM Open License v1.0 firmy Liquid również jest permisywna przy małej skali, ale określa próg 10 mln USD rocznego przychodu, powyżej którego obowiązuje licencja komercyjna. Dla startupu ta różnica jest teoretyczna. Dla jednostki biznesowej w większej firmie to rozmowa z działem zakupów, która zaczyna się jeszcze przed pierwszym fine-tuningiem.

Co zmieniłoby odpowiedź

Dwa dowody sprawiłyby, że to porównanie przeszłoby z argumentu kategorii na argument liczbowy. Pierwszym jest ewaluacja modelu bazowego od Liquid — nawet niewielka, na odłożonym korpusie — która pozwoli czytelnikowi ocenić, czy 22 biliony tokenów i stos tri-hybrydowy dały lepszy punkt wyjścia niż LFM2.5-2.6B-Base. Drugim jest niezależne dostrojenie LFM3-1.7B-Base na publicznym zadaniu, przedstawione względem modelu odniesienia Gemma 4 12B. Żaden z nich jeszcze nie istnieje, a wpis premierowy ich nie obiecuje.

Dopóki tego nie zrobią, decyzja opiera się na tym, co kupujesz, a nie na tym, który model jest lepszy: 3,46 GB model bazowy bez wyników i bez dostrajania instrukcyjnego albo 12B generalist z pełną tabelą liczb od dostawcy i licencją, do której nigdy nie trzeba wracać. To nie jest trudna decyzja pod względem możliwości. To trudna decyzja pod względem dopasowania, a pusta kolumna w tabeli wyników jest najuczciwszą rzeczą na tej stronie.