Gemma 4 26B A4B IT é um modelo de Mistura de Especialistas (MoE) ajustado por instruções do Google DeepMind. Apesar de 25.2B parâmetros totais, apenas 3.8B são ativados por token durante a inferência — entregando qualidade próxima de 31B a...
Gemma 4 26B A4B é um modelo Mixture-of-Experts desenvolvido pelo Google. Ele tem 26 bilhões de parâmetros no total, mas apenas 4 bilhões estão ativos por token—esse design reduz o custo computacional…
Gemma 4 26B A4B aceita texto, imagem e vídeo como entrada. Imagens podem ser fornecidas como dados codificados em base64 ou URLs. Vídeo pode ser fornecido como uma URL ou como uma sequência de quadros (objetos de imagem). O modelo processa essas modalidades em conjunto, permitindo tarefas como respostas a perguntas visuais, sumarização de vídeos e compreensão de diagramas. Áudio não é suportado; apenas conteúdo visual e textual. A saída é apenas texto. A capacidade multimodal do modelo é particularmente útil para analisar documentos que contêm gráficos, capturas de tela ou gravações de vídeo.
A janela de contexto é de 262.144 tokens. Isso permite que o modelo processe sequências muito longas em uma única passagem — por exemplo, um documento de 200 páginas, horas de vídeo transcrito ou um grande conjunto de imagens com legendas descritivas. Janelas de contexto maiores reduzem a necessidade de fragmentação e sumarização, mas também aumentam o uso de memória. O comprimento efetivo que você pode usar dependerá do número total de tokens de entrada (tokens de texto + imagem/vídeo). Lembre-se de que entradas de imagem e vídeo consomem muitos tokens; consulte a documentação do OrcaRouter para saber como as contagens de tokens são calculadas para entradas não textuais.
Se sua tarefa é puramente baseada em texto, requer apenas um contexto curto (menos de 8k tokens) ou não precisa de entrada multimodal, considere um modelo menor ou mais barato — como o Gemma 3 4B ou uma variante apenas de texto. O Gemma 4 26B A4B custa $0,06 por milhão de tokens de entrada e $0,33 por milhão de tokens de saída. Para respostas simples a perguntas ou classificação, modelos com custos menores por token podem ser mais econômicos. O design MoE o torna eficiente em relação ao seu tamanho total, mas não é a opção mais barata disponível no OrcaRouter para tarefas mínimas.
GPQA Diamond é um benchmark de 448 perguntas de múltipla escolha de nível de pós-graduação abrangendo biologia, física e química. Uma pontuação de 79.2 significa que o modelo respondeu 79.2% corretamente. Isso indica um forte raciocínio científico e recuperação de conhecimento. O benchmark é projetado para ser difícil para muitos LLMs. No entanto, um único benchmark não pode capturar todos os aspectos da qualidade do modelo. Por exemplo, o desempenho do modelo em outras tarefas como codificação ou escrita criativa pode ser diferente. Use essa pontuação como um ponto de dados ao comparar modelos para tarefas semelhantes de raciocínio científico.
Os pontos fortes incluem compreensão multimodal com grande contexto, eficiência MoE para seu tamanho e raciocínio forte em questões científicas, conforme indicado pelo GPQA. As limitações não são exaustivamente documentadas, mas são típicas de modelos MoE: o desempenho pode variar por domínio, e a capacidade efetiva por token é limitada pelos 4B parâmetros ativos. O modelo pode ter dificuldades com tarefas que exigem cadeias lógicas extremamente profundas ou jargões específicos de domínio que não estão bem representados nos dados de treinamento. A latência e a taxa de transferência dependem do hardware de implantação; o OrcaRouter não garante métricas de velocidade específicas.
OrcaRouter não publica benchmarks de latência padronizados para este modelo. Como um modelo MoE, o Gemma 4 26B A4B ativa apenas um subconjunto de parâmetros por token, o que pode tornar a inferência mais rápida que um modelo denso de 26B, mas possivelmente mais lenta que um modelo denso menor. O desempenho real depende de fatores como tamanho do lote, comprimento de entrada e tipo de GPU do backend. Para aplicações em tempo real, teste com sua carga de trabalho específica. Você também pode considerar a troca entre latência e custo — usar um modelo menor pode melhorar a velocidade a um custo menor.
O preço é de $0,06 por 1 milhão de tokens de entrada e $0,33 por 1 milhão de tokens de saída. Essas são as taxas cobradas pelo provedor (Google) e repassadas pelo OrcaRouter sem nenhum acréscimo. Isso significa que você paga exatamente a taxa do provedor — o OrcaRouter não adiciona nenhuma sobretaxa. Os tokens são contados de forma consistente em toda a plataforma; imagens e quadros de vídeo são tokenizados de acordo com as especificações do modelo do Google. Em uma consulta multimodal típica com algumas imagens, os tokens de entrada podem predominar, tornando o preço de entrada o principal fator de custo.
OrcaRouter pode oferecer mecanismos de cache para prefixos repetidos ou templates de prompt, o que pode reduzir o consumo de tokens e diminuir os custos. No entanto, descontos específicos de cache não são garantidos para este modelo e dependem do seu padrão de uso. Não há uma camada de preços separada para lotes publicada para Gemma 4 26B A4B. Para cargas de trabalho de alto volume, entre em contato com o suporte da OrcaRouter para discutir possíveis descontos. Como acontece com todos os modelos na plataforma, você é cobrado apenas pelo que usa — tokens de entrada e saída — sem taxa mensal ou compromisso mínimo.
Dada a estrutura de preços, o custo total depende da quantidade e do tipo de tokens que você envia e recebe. Entradas multimodais (especialmente vídeo) podem utilizar muitos tokens de entrada, pois cada quadro é codificado. Para vídeos longos, o custo de entrada pode exceder o custo de saída. Se sua tarefa for intensiva em saída (por exemplo, gerar relatórios longos), o preço de saída ($0,33/M) é maior que o de entrada. Avalie sua proporção esperada de tokens. Para tarefas que podem ser resolvidas com um modelo somente de texto mais barato, a diferença de custo pode ser significativa. Use as ferramentas de contagem de tokens do OrcaRouter para fazer uma estimativa.
Defina a URL base como https://api.orcarouter.ai/v1 e use o ID do modelo google/gemma-4-26b-a4b-it. Envie uma requisição POST para /chat/completions com o esquema padrão do OpenAI. Para entrada multimodal, inclua um array de objetos de conteúdo com o campo type definido como 'text', 'image_url' ou 'video_url'. Exemplo: messages: [{ role: 'user', content: [{ type: 'text', text: 'Descreva este vídeo.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. A API retornará uma resposta de conclusão de chat.
Você pode usar parâmetros padrão do OpenAI como temperature, top_p, max_tokens, stop, frequency_penalty e presence_penalty. Além disso, o OrcaRouter suporta parâmetros específicos do provedor através do campo opcional 'provider' no corpo da requisição (não necessário para este modelo). O modelo suporta nativamente streaming ao definir stream=true. Para saídas estruturadas, use o parâmetro 'response_format' com tipo 'json_object' ou um esquema JSON. Consulte a documentação do OrcaRouter para quaisquer parâmetros extras como 'reasoning_effort'—embora não esteja listado para este modelo.
Migrar de outra API compatível com OpenAI é simples: altere a URL base para https://api.orcarouter.ai/v1 e defina o modelo como google/gemma-4-26b-a4b-it. Sua estrutura de prompt, parâmetros e cliente SDK existentes são compatíveis porque o OrcaRouter segue o mesmo esquema. Se você estava usando o SDK de outro provedor, talvez seja necessário atualizar o endpoint e a autenticação. O OrcaRouter usa chaves de API em vez de OAuth; inclua sua chave no cabeçalho Authorization como 'Bearer YOUR_KEY'. Teste primeiro com uma solicitação pequena.
Gemma 4 26B A4B é um modelo MoE multimodal mais recente com 262k de contexto e uma pontuação GPQA Diamond de 79,2, enquanto Gemma 3 8B é um modelo denso menor (8B parâmetros) com janela de contexto de 128k e sem suporte nativo a vídeo. Gemma 3 8B é mais barata em tokens de entrada (normalmente $0,05-0,10 por milhão de tokens de entrada), mas pode não igualar a qualidade de raciocínio em perguntas científicas difíceis. Para tarefas que envolvem vídeo ou documentos muito longos, Gemma 4 26B A4B é a escolha clara. Para tarefas apenas de texto com contexto moderado, Gemma 3 8B pode ser suficiente e mais econômica.
O Llama 3.1 70B é um modelo denso com 70B de parâmetros e contexto de 128k, não sendo nativamente multimodal para vídeo (embora possa processar imagens). O Gemma 4 26B A4B usa MoE para ativar apenas 4B de parâmetros por token, potencialmente oferecendo inferência mais rápida que o modelo Llama muito maior. No GPQA Diamond, o Gemma 4 26B A4B obtém 79,2; o Llama 3.1 70B atinge cerca de 65–70 (não diretamente comparável devido a diferenças de versão do benchmark). O Llama 3.1 70B pode ser mais caro em tokens de entrada (cerca de US$ 0,35 por milhão de entrada). Para cenários multimodais e de contexto longo, o Gemma 4 pode ser mais eficiente.
GPT-4o é um modelo proprietário denso da OpenAI com suporte multimodal e uma janela de contexto de 128k (padrão) e até 1M para algumas versões. Seu preço é significativamente mais alto (por exemplo, $2.50 por milhão de tokens de entrada para GPT-4o). Gemma 4 26B A4B é de peso aberto e está disponível através do OrcaRouter a um custo muito menor ($0.06/$0.33). O desempenho no GPQA Diamond para GPT-4o não é diretamente comparável, mas tipicamente maior. No entanto, para aplicações sensíveis a custo que não exigem raciocínio de nível fronteiriço, Gemma 4 26B A4B oferece uma forte relação preço-desempenho. O tratamento de dados difere: Gemma 4 é da Google com termos de privacidade separados.
Em comparação com outros modelos MoE de peso aberto como Mixtral 8x7B (46,7B total, 12,9B ativos) ou Qwen2.5-72B-A3B (72B total, 3B ativos), o Gemma 4 26B A4B oferece uma combinação única: uma janela de contexto de 262k, suporte multimodal completo (imagem+vídeo) e uma pontuação GPQA Diamond publicada de 79,2. O Mixtral 8x7B tem um contexto de 32k e nenhum suporte a vídeo. O Qwen2.5-72B-A3B tem um contexto de 128k e suporta texto, mas não vídeo. A contagem de parâmetros ativos de 4B é comparável a outros modelos MoE pequenos, mas a arquitetura específica do Gemma 4 — treinado pelo Google e ajustado para seguir instruções — pode lhe dar uma vantagem em tarefas multimodais e científicas.
Compatível com OpenAI — mantenha seu SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrada / 1M tokens | $0.060 |
| Saída / 1M tokens | $0.330 |
| Leitura de cache / 1M | $0.0075 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
GET /api/public/models/google/gemma-4-26b-a4b-itAbrir @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