Gemma 4 26B A4B IT to dostrojony do instrukcji model Mieszanki Ekspertów (MoE) od Google DeepMind. Mimo 25.2B łącznych parametrów, tylko 3.8B aktywuje się na token podczas wnioskowania — dostarczając jakość bliską 31B przy...
Gemma 4 26B A4B to model typu Mixture-of-Experts opracowany przez Google. Ma łącznie 26 miliardów parametrów, ale tylko 4 miliardy są aktywne na token — taka konstrukcja zmniejsza koszty…
Gemma 4 26B A4B akceptuje tekst, obrazy i wideo jako dane wejściowe. Obrazy można podać w postaci danych zakodowanych w base64 lub jako adresy URL. Wideo można podać jako adres URL lub jako sekwencję klatek (obiektów obrazu). Model przetwarza te modalności łącznie, umożliwiając zadania takie jak odpowiadanie na pytania wizualne, podsumowywanie wideo i analizę diagramów. Dźwięk nie jest obsługiwany – tylko treści wizualne i tekstowe. Wynikiem jest wyłącznie tekst. Możliwości multimodalne modelu są szczególnie przydatne do analizy dokumentów zawierających wykresy, zrzuty ekranu lub nagrania wideo.
Okienko kontekstowe wynosi 262 144 tokeny. Pozwala to modelowi na przetworzenie bardzo długich sekwencji w jednym przebiegu — na przykład 200-stronicowego dokumentu, godzin transkrypcji wideo lub dużego zestawu obrazów z opisowymi podpisami. Większe okienka kontekstowe zmniejszają potrzebę dzielenia na fragmenty i streszczania, ale zwiększają również zużycie pamięci. Efektywna długość, którą możesz wykorzystać, będzie zależeć od całkowitej liczby tokenów wejściowych (tekst + tokeny obrazu/wideo). Pamiętaj, że obrazy i wideo zużywają wiele tokenów; zapoznaj się z dokumentacją OrcaRouter, aby dowiedzieć się, jak liczone są tokeny dla danych nietekstowych.
Jeśli Twoje zadanie jest czysto tekstowe, wymaga tylko krótkiego kontekstu (poniżej 8k tokenów) lub nie potrzebuje multimodalnego wejścia, rozważ mniejszy lub tańszy model—taki jak Gemma 3 4B lub wariant wyłącznie tekstowy. Gemma 4 26B A4B kosztuje $0.06 za milion tokenów wejściowych i $0.33 za milion tokenów wyjściowych. W przypadku prostego odpowiadania na pytania lub klasyfikacji, modele o niższych kosztach na token mogą być bardziej ekonomiczne. Konstrukcja MoE sprawia, że jest wydajny w stosunku do swojego całkowitego rozmiaru, ale nie jest najtańszą opcją dostępną na OrcaRouter do minimalnych zadań.
GPQA Diamond to benchmark 448 pytań wielokrotnego wyboru na poziomie zaawansowanym z biologii, fizyki i chemii. Wynik 79,2 oznacza, że model odpowiedział poprawnie na 79,2% pytań. Świadczy to o silnym rozumowaniu naukowym i wyszukiwaniu wiedzy. Benchmark został zaprojektowany tak, aby był trudny dla wielu LLM-ów. Jednak pojedynczy benchmark nie może uchwycić wszystkich aspektów jakości modelu. Na przykład wydajność modelu w innych zadaniach, takich jak kodowanie czy kreatywne pisanie, może się różnić. Użyj tego wyniku jako jednego punktu danych przy porównywaniu modeli do podobnych zadań z zakresu rozumowania naukowego.
Mocne strony obejmują multimodalne rozumienie z dużym kontekstem, efektywność MoE dla swojego rozmiaru oraz silne rozumowanie w kwestiach naukowych wskazywane przez GPQA. Ograniczenia nie są wyczerpująco udokumentowane, ale są typowe dla modeli MoE: wydajność może się różnić w zależności od dziedziny, a efektywna pojemność na token jest ograniczona przez 4B aktywnych parametrów. Model może mieć trudności z zadaniami wymagającymi bardzo głębokich łańcuchów logicznych lub żargonu specyficznego dla danej dziedziny, który nie jest dobrze reprezentowany w danych treningowych. Opóźnienie i przepustowość zależą od sprzętu wdrożeniowego; OrcaRouter nie gwarantuje konkretnych wskaźników szybkości.
OrcaRouter nie publikuje ustandaryzowanych benchmarków opóźnień dla tego modelu. Jako model MoE, Gemma 4 26B A4B aktywuje tylko podzbiór parametrów na token, co może sprawić, że wnioskowanie będzie szybsze niż w przypadku gęstego modelu 26B, ale prawdopodobnie wolniejsze niż w przypadku mniejszego gęstego modelu. Rzeczywista wydajność zależy od czynników takich jak rozmiar partii, długość wejścia i typ procesora graficznego backendu. W przypadku aplikacji czasu rzeczywistego przetestuj z konkretnym obciążeniem. Możesz również rozważyć kompromis między opóźnieniem a kosztem — użycie mniejszego modelu może poprawić szybkość przy niższym koszcie.
Cena wynosi $0.06 za 1 milion tokenów wejściowych i $0.33 za 1 milion tokenów wyjściowych. Są to stawki naliczane przez dostawcę (Google) i przekazywane przez OrcaRouter z zerową marżą. Oznacza to, że płacisz dokładnie stawkę dostawcy—OrcaRouter nie dolicza żadnych dopłat. Tokeny są liczone spójnie na całej platformie; obrazy i klatki wideo są tokenizowane zgodnie ze specyfikacją modeli Google. W typowym zapytaniu multimodalnym z kilkoma obrazami tokeny wejściowe mogą dominować, co sprawia, że cena wejściowa jest głównym czynnikiem kosztów.
OrcaRouter może oferować mechanizmy buforowania dla powtarzających się prefiksów lub szablonów promptów, co może zmniejszyć zużycie tokenów i obniżyć koszty. Jednakże konkretne zniżki za buforowanie nie są gwarantowane dla tego modelu i zależą od Twojego wzorca użycia. Nie opublikowano osobnego poziomu cenowego dla przetwarzania wsadowego dla Gemma 4 26B A4B. W przypadku obciążeń o dużej objętości skontaktuj się z pomocą techniczną OrcaRouter, aby omówić potencjalne zniżki. Podobnie jak w przypadku wszystkich modeli na platformie, płacisz tylko za to, czego używasz – tokeny wejściowe i wyjściowe – bez miesięcznej opłaty lub minimalnego zobowiązania.
Biorąc pod uwagę strukturę cenową, całkowity koszt zależy od liczby i rodzaju tokenów, które wysyłasz i odbierasz. Wejścia multimodalne (zwłaszcza wideo) mogą wykorzystywać wiele tokenów wejściowych, ponieważ każda klatka jest kodowana. W przypadku długich filmów koszt wejściowy może przekroczyć koszt wyjściowy. Jeśli Twoje zadanie jest obciążone wyjściowo (np. generowanie długich raportów), cena wyjściowa ($0.33/M) jest wyższa niż wejściowa. Oceń oczekiwany stosunek tokenów. W przypadku zadań, które można rozwiązać tańszym modelem tekstowym, różnica w kosztach może być znacząca. Użyj narzędzi do liczenia tokenów OrcaRouter’s, aby oszacować.
Ustaw bazowy URL na https://api.orcarouter.ai/v1 i użyj identyfikatora modelu google/gemma-4-26b-a4b-it. Wyślij żądanie POST do /chat/completions zgodnie ze standardowym schematem OpenAI. W przypadku wejścia multimodalnego, dołącz tablicę obiektów treści z polem typu ustawionym na 'text', 'image_url' lub 'video_url'. Przykład: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. API zwróci odpowiedź uzupełnienia czatu.
Możesz użyć standardowych parametrów OpenAI, takich jak temperature, top_p, max_tokens, stop, frequency_penalty i presence_penalty. Dodatkowo OrcaRouter obsługuje parametry specyficzne dla dostawcy przez opcjonalne pole 'provider' w treści żądania (nie jest wymagane dla tego modelu). Model natywnie wspiera strumieniowanie przez ustawienie stream=true. Dla strukturalnych wyników użyj parametru 'response_format' z typem 'json_object' lub schematem JSON. Zapoznaj się z dokumentacją OrcaRouter po dodatkowe parametry, takie jak 'reasoning_effort' – choć nie jest on wymieniony dla tego modelu.
Przejście z innego API zgodnego z OpenAI jest proste: zmień podstawowy URL na https://api.orcarouter.ai/v1 i ustaw model na google/gemma-4-26b-a4b-it. Twoja istniejąca struktura promptów, parametry i klient SDK są kompatybilne, ponieważ OrcaRouter korzysta z tego samego schematu. Jeśli używałeś SDK innego dostawcy, może być konieczna aktualizacja punktu końcowego (endpoint) i metody uwierzytelniania. OrcaRouter używa kluczy API zamiast OAuth; dodaj swój klucz w nagłówku Authorization jako 'Bearer YOUR_KEY'. Najpierw przetestuj małym żądaniem.
Gemma 4 26B A4B to nowszy multimodalny model MoE z kontekstem 262k i wynikiem GPQA Diamond wynoszącym 79.2, podczas gdy Gemma 3 8B to mniejszy gęsty model (8B parametrów) z oknem kontekstowym 128k i bez natywnego wsparcia wideo. Gemma 3 8B jest tańsza pod względem tokenów wejściowych (zazwyczaj $0.05-0.10 na milion wejść), ale może nie dorównywać jakości rozumowania w trudnych pytaniach naukowych. W przypadku zadań związanych z wideo lub bardzo długimi dokumentami, Gemma 4 26B A4B jest wyraźnym wyborem. W przypadku zadań wyłącznie tekstowych z umiarkowanym kontekstem, Gemma 3 8B może być wystarczająca i bardziej opłacalna.
Llama 3.1 70B to gęsty model o 70 mld parametrów i kontekście 128 tys., natywnie nienadający się do multimodalu dla wideo (choć może przetwarzać obrazy). Gemma 4 26B A4B wykorzystuje MoE, aby aktywować tylko 4 mld parametrów na token, co może zapewnić szybsze wnioskowanie niż znacznie większy model Llama. W GPQA Diamond Gemma 4 26B A4B osiąga 79,2; Llama 3.1 70B – około 65-70 (nie wprost porównywalne ze względu na różnice wersji benchmarku). Llama 3.1 70B może być droższy w przypadku tokenów wejściowych (około $0,35 za milion wejść). W scenariuszach multimodalnych i długiego kontekstu Gemma 4 może być bardziej wydajna.
GPT-4o to gęsty, własnościowy model od OpenAI z obsługą wielomodalną i oknem kontekstowym o wielkości 128k (standardowo) oraz do 1M w niektórych wersjach. Jego ceny są znacznie wyższe (np. 2,50 USD za milion tokenów wejściowych dla GPT-4o). Gemma 4 26B A4B ma otwartą wagę i jest dostępny przez OrcaRouter po znacznie niższym koszcie (0,06 USD / 0,33 USD). Wydajność w GPQA Diamond dla GPT-4o nie jest bezpośrednio porównywalna, ale zazwyczaj wyższa. Jednak w przypadku aplikacji wrażliwych na koszty, które nie wymagają rozumowania na poziomie granicznym, Gemma 4 26B A4B oferuje korzystny stosunek ceny do wydajności. Obsługa danych jest inna: Gemma 4 pochodzi od Google z oddzielnymi warunkami prywatności.
W porównaniu do innych modeli MoE o otwartej wadze, takich jak Mixtral 8x7B (46,7B łącznie, 12,9B aktywnych) lub Qwen2.5-72B-A3B (72B łącznie, 3B aktywne), Gemma 4 26B A4B oferuje unikalne połączenie: okno kontekstu o wielkości 262k, pełne wsparcie multimodalne (obraz + wideo) oraz opublikowany wynik GPQA Diamond wynoszący 79,2. Mixtral 8x7B ma kontekst 32k i nie obsługuje wideo. Qwen2.5-72B-A3B ma kontekst 128k i obsługuje tekst, ale nie wideo. Liczba aktywnych parametrów wynosząca 4B jest porównywalna z innymi małymi modelami MoE, ale specyficzna architektura Gemmy 4 – wyszkolona przez Google i dostrojona do podążania za instrukcjami – może dawać jej przewagę w zadaniach multimodalnych i naukowych.
Zgodne z OpenAI — zostań przy swoim SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Wejście / 1M tokenów | $0.060 |
| Wyjście / 1M tokenów | $0.330 |
| Odczyt cache / 1M | $0.0075 |
| Waluta | USD |
Szacunek na podstawie cennika
Tylko szacunek — rzeczywista liczba tokenów zależy od tokenizatora dostawcy.
GET /api/public/models/google/gemma-4-26b-a4b-itOtwórz @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