LFM3-1.7B vs. Gemma 4 26B A4B: Duas receitas para um token barato, e apenas uma cabe em um celular

No papel, esses dois modelos adotam a mesma abordagem para o mesmo problema. LFM3-1.7B, anunciado pela Liquid AI em 27 de outubro de 2026, e Gemma 4 26B A4B, lançado pelo Google DeepMind em 2 de abril de 2026, ambos existem para responder a uma pergunta: como colocar um modelo capaz dentro de um pequeno orçamento de memória? Eles dão respostas opostas. A Liquid reduziu o modelo. O Google manteve o modelo grande e paga apenas por uma fração dele por token. Os pesos são gratuitos, então a conta é o que a hospedagem competente mais barata cobrar. Repassamos os preços de tabela dos provedores com 0% de acréscimo.

A distinção parece uma curiosidade de arquitetura até você calcular o custo de uma implantação, momento em que ela é a única coisa que importa. O Gemma 4 26B A4B ativa 3,8 bilhões de parâmetros por token, mas você ainda precisa armazenar 25,2 bilhões deles em algum lugar. O LFM3-1.7B ativa todos os seus 1,73 bilhão de parâmetros e armazena exatamente essa quantidade. Um é barato de computar. O outro é barato de possuir.

Duas receitas para um token barato

O Gemma 4 26B A4B é um modelo de mistura de especialistas: 128 especialistas roteados mais um especialista compartilhado, 30 camadas, com cerca de oito especialistas acionados por token. Isso lhe confere a capacidade de conhecimento de um modelo denso de 25,2B e o custo aritmético de algo mais próximo de um 4B. A própria formulação do Google é que ele atinge cerca de 97% da pontuação MMLU-Pro do Gemma 4 31B denso com aproximadamente 12% dos FLOPs.

O LFM3-1.7B segue o outro caminho. Ele é totalmente denso — cada parâmetro é executado em cada token — e as economias vêm de uma arquitetura redesenhada, e não de esparsidade. A pilha tri-híbrida da Liquid tem 24 camadas: 13 convoluções curtas com gate, cinco camadas de atenção com janela deslizante e seis camadas de atenção completa. A maior parte da modelagem de sequência é feita por convoluções, que são baratas, e a atenção completa aparece apenas seis vezes. É assim que um modelo de 1,73B comporta um contexto de 262.144 tokens e um vocabulário de 128.000 tokens sem que o cache KV consuma a máquina.

• Total de parâmetros — 1,73B para o LFM3-1.7B; 25,2B para o Gemma 4 26B A4B.

• Ativos por token — 1,73B contra cerca de 3,8B. Esta é a única linha em que os dois estão no mesmo patamar.

• Memória em 4 bits — cerca de 1 GB contra cerca de 18 GB. Esta é a linha que decide a implantação.

• Contexto — 262.144 tokens em ambos, novamente um empate genuíno.

• Modalidade — somente texto em comparação com entrada de texto e imagem, com chamada de função nativa e um modo de raciocínio configurável.

• Licença — Licença Aberta LFM v1.0, gratuita para receita anual abaixo de US$ 10 milhões; Apache 2.0 sem limite para o Gemma 4 26B A4B.

Por que 3,8B ativos não significa 3,8B de memória

Este é o erro mais comum ao ler uma ficha de especificações de mistura de especialistas, então vale ser direto. Os parâmetros ativos determinam a computação e, de forma aproximada, a velocidade. Eles não determinam o tamanho do arquivo que você baixa nem a VRAM que você reserva. O Gemma 4 26B A4B precisa de seus 25,2 bilhões de parâmetros completos residentes para rotear entre especialistas; em 4 bits, isso fica perto de 18 GB. Você pode servi-lo em uma única placa de 24 GB, e o Google oferece builds FP8 e NVFP4 para tornar isso viável, mas você não pode colocá-lo em um celular.

O LFM3-1.7B tem cerca de 1 GB em 4 bits — a ficha da Liquid diz que ele cabe em um telefone ou laptop e, nesse tamanho, a afirmação é crível, e não apenas marketing. Ele também mantém um cache KV de 1,6 GB em 128K tokens, que é o número que realmente determina quantas solicitações simultâneas de contexto longo você consegue manter.

A consequência prática: uma implantação 26B-A4B é uma decisão de servidor de inferência, e uma implantação 1.7B é uma decisão de entrega de aplicativo. São projetos diferentes, com equipes diferentes e estruturas de custo diferentes, e nenhum benchmark fecha a lacuna entre eles.

O que cada fornecedor publicou, e o que isso lhe diz

O Google publicou uma tabela ampla para o Gemma 4 26B A4B: 82,6 no MMLU-Pro, 82,3 no GPQA Diamond, 88,3 no AIME 2026 sem ferramentas, 77,1 no LiveCodeBench v6, um Elo de 1718 no Codeforces, 73,8 no MMMU-Pro e 44,1 no MRCR v2 em 128K com oito agulhas. Todos relatados pelo fornecedor, nenhum reproduzido de forma independente. O monitoramento de terceiros coloca seu Elo no LMArena perto de 1438.

A Liquid publicou uma tabela mais restrita para o LFM3-1.7B, e ela é voltada para tarefas agênticas: 71,39 no BFCL V4, 80,36 no ToolSandbox, 68,01 no τ³-bench, 45,60 no LiveClaw, 38,42 no WebArena-Verified. Também reporta 96,66 no IFEval, 73,03 no IFBench, 63,37 no GPQA Diamond, 73,46 no LiveCodeBench v6 e 65,56 no RULER em 128K. A Liquid não publica um valor de MMLU-Pro para o LFM3-1.7B, e a ausência não é um zero — simplesmente não foi medido.

Apenas o LiveCodeBench v6 e o GPQA Diamond se sobrepõem de forma limpa. O Gemma 4 26B A4B vence ambos, por 3,6 e 18,9 pontos, respectivamente. Onde a suíte da Liquid se torna agêntica, não há número do Gemma para comparar — o Google relata τ²-bench em 68,2, e τ² não é τ³, então colocar 68,01 ao lado disso seria uma comparação fabricada disfarçada de cuidadosa.

Onde o 1.7B permanece na conversa

Uma diferença de 3,6 pontos no LiveCodeBench é menor do que a proporção de parâmetros de 14 para 1 preveria, e a razão é arquitetural. A programação competitiva recompensa a capacidade de manter um padrão e emitir uma função correta — uma habilidade que se beneficia mais de um sinal de treinamento limpo do que de capacidade bruta. Se as questões de programação fossem todo o trabalho, o 26B venceria e esta seção seria curta.

O que realmente mantém o LFM3-1.7B relevante é a combinação de uma janela de contexto de 262.144 tokens com um footprint de 1 GB. Um modelo que consegue manter um documento grande e rodar no dispositivo que o lê é um produto diferente de um que consegue manter o mesmo documento em um servidor. A Liquid reporta 65,56 no RULER em 128K, o que não é uma pontuação espetacular de contexto longo — o Gemma 4 26B A4B reporta 81,4 na mesma família de benchmarks —, mas é medida de fato, no dispositivo, com um gigabyte.

E em seguir instruções o modelo pequeno não faz feio: 96,66 no IFEval e 73,03 no IFBench são números fortes para essa classe de tamanho, ambos reportados pelo fornecedor. Para uma carga de trabalho de chamada de ferramentas ou saída estruturada, isso está mais próximo da métrica que importa do que o GPQA Diamond.

O que a camada de roteamento realmente altera

O Gemma 4 26B A4B está no catálogo do OrcaRouter — uma única chave de API dá acesso a ele junto com mais de 200 outros modelos, com os preços de tabela dos provedores repassados com 0% de margem, de modo que uma alteração de preço do fornecedor entra em vigor no mesmo dia, em vez de esperar por um ciclo de reprecificação. Isso importa aqui mais do que normalmente importaria, porque este é um modelo cuja economia depende inteiramente do preço do provedor: os pesos são gratuitos, então a fatura é o que o host competente mais barato cobrar, e esse número se altera.

O failover automático é a outra metade. Um modelo de mistura de especialistas de 26B com contexto de 256K é exatamente o tipo de carga de trabalho que atinge limites de capacidade no pico, e o roteamento entre provedores significa que uma tarde ruim de um único host não é a sua indisponibilidade. O LFM3-1.7B não precisa de nada disso, porque é executado em hardware que você controla e não tem provedor do qual fazer failover. Isso não é um ponto a favor nem contra ele — é uma consequência de escolher a outra receita.

A descrição honesta do nosso papel: nós roteamos o modelo grande esparso, não servimos o pequeno denso, e a decisão entre eles não é algo que um roteador possa tomar por você.

Decidindo em uma única passagem

Se o destino de implantação tiver menos de 20 GB de memória — um telefone, um laptop, um Jetson, um PC de IA —, então o Gemma 4 26B A4B não é um candidato e a comparação acabou. Escolha o LFM3-1.7B, planeje a recuperação em torno da lacuna de conhecimento que a própria Liquid sinaliza e use-o para chamada de ferramentas e extração estruturada onde seus números são genuinamente competitivos.

Se você está servindo a partir de uma GPU e a carga de trabalho é intensiva em conhecimento, multimodal ou exige o nível de raciocínio da classe 82,3 GPQA Diamond e 82,6 MMLU-Pro, o Gemma 4 26B A4B é o melhor modelo, e os 18 GB são o preço de entrada. A Apache 2.0 elimina completamente a conversa sobre licenciamento, o que, para uma grande organização, vale mais do que alguns pontos de benchmark.

Se você está construindo um produto que é distribuído para ambos — um assistente no dispositivo que encaminha consultas difíceis para um servidor —, os dois não são concorrentes de forma alguma. Eles são os dois níveis de uma mesma arquitetura, e a questão de engenharia interessante é onde traçar a linha de escalonamento, não qual modelo vence uma tabela.

A questão em aberto não é a capacidade, que já está resolvida em favor do Google, mas se um modelo de 1 GB com contexto de 256K é bom o suficiente para as tarefas agênticas estreitas de que a maioria dos produtos executados no dispositivo realmente precisa. A própria ficha do modelo da Liquid é excepcionalmente franca ao afirmar que ele não é um modelo de raciocínio. Essa franqueza vale mais do que a lacuna no LiveCodeBench, porque indica qual metade da sua carga de trabalho enviar para onde.