Титульная карточка с надписью «LFM2.5-24B-A2B vs Gemma 4 26B-A4B», подзаголовком «Две разреженные модели, два разных бюджета» и двумя подписанными панелями с текстом «LFM2.5-24B-A2B: всего 24,0 млрд, активных 2,45 млрд, только текст» и «Gemma 4 26B A4B: всего 25,2 млрд, активных 3,8 млрд, текст + изображение», с логотипом OrcaRouter, скомпонованным в правом нижнем углу.
Guides & Insights

LFM2.5-24B-A2B vs Gemma 4 26B-A4B: две разреженные модели, две разные теории о том, куда уходят вычисления

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

LFM2.5-24B-A2B и Gemma 4 26B-A4B выглядят как одна и та же идея, повторённая дважды. Чекпойнт Liquid AI вышел 13 октября 2026 года с общим числом параметров 24,0 млрд и 2,45 млрд считываемых на токен. Gemma 4 26B-A4B от Google DeepMind несёт 25,2 млрд общих параметров при 3,8 млрд активных на токен; опубликована на Hugging Face 11 марта 2026 года. Обе являются смесями экспертов, обе — это примерно чекпойнт на 25 млрд параметров с вычислительным бюджетом в 2–4 млрд параметров, и оба производителя прибегают к одной и той же фразе, объясняя компромисс: вы платите памятью за большую модель и задержкой за маленькую. Эта почти идентичная арифметика — как раз причина, по которой сравнение стоит провести как следует, потому что затем две модели тратят этот бюджет на совершенно разные вещи: Gemma 4 26B-A4B тратит его на зрение, контекст 256K и широкую базу знаний; LFM2.5-24B-A2B тратит его на трассировку рассуждений, обвязку для вызова инструментов и агентное обучение с подкреплением. Одинаковая форма, противоположные приоритеты.

Сверху лежит ещё одна асимметрия: в таблице бенчмарков LFM2.5-24B-A2B в качестве одного из трёх базовых вариантов используется Gemma-4-26B-A4B-it, так что на этот раз мы, в кои-то веки, не сопоставляем две таблицы запуска и не гадаем — Liquid прогнала и то и другое в одной и той же среде vLLM и опубликовала эти строки.

Обоим не хватает одного и того же, и это именно то, что все подразумевают.

Начните с заблуждения, которое эти две модели, скорее всего, вызовут, потому что оно одинаково для обеих. Разреженная смесь экспертов не сокращает требуемый объём памяти. Каждый параметр в чекпоинте должен постоянно находиться в памяти; 2.45B или 3.8B активных параметров дают вам пропускную способность на токен, а не меньший занимаемый объём. Читатель, который видит «2.45B активных» и тянется к машине с 4 ГБ, проведёт не самый приятный день.

В нашем собственном каталоге чекпойнт Gemma 4 26B A4B указан с контекстом в 262 144 токена, а карточка LFM2.5-24B-A2B указывает 131 072. На диске разрыв больше, чем можно предположить по количеству параметров: LFM2.5-24B-A2B публикует Q4_K_M GGUF размером 14,5 ГБ и QAT QAD-Q4_0 размером 13,6 ГБ, при этом 48 ГБ в BF16; Gemma 4 26B A4B публикует bfloat16 safetensors в виде шарда на 49,9 ГБ плюс шард на 1,7 ГБ, а 4-битный GGUF с учётом квантования объединяет компактный файл весов с отдельным файлом мультимодальной проекции. Округлённо: около 14 ГБ против примерно 50 ГБ в несжатом виде — у двух чекпойнтов, общее число параметров которых различается на один миллиард. Эта разница связана со словарём, схемой экспертов и мультимодальным стеком, а не с заявленным числом параметров, и это самая практичная фраза во всём этом материале.

Сопоставление спецификаций, одна строка на измерение

• Всего / активных параметров — LFM2.5-24B-A2B 24,0B / 2,45B, 64 эксперта с маршрутизацией top-4 по 40 слоям. Gemma 4 26B-A4B 25,2B / 3,8B, 8 активных экспертов из 128 плюс один общий эксперт по 30 слоям.

A capture of the Hugging Face model page for google/gemma-4-26B-A4B-it, showing the image-text-to-text pipeline tag, the Transformers and Safetensors formats, the gemma4 and conversational tags, the Apache 2.0 licence, and the card text stating that Gemma 4 models are multimodal, handling text and image input with audio supported on the E2B, E4B and 12B models, that the family spans a context window of up to 256K tokens across five sizes, and the architecture list covering reasoning, extended multimodalities, dense and MoE variants, and on-device optimisation.

• Контекст — 131 072 токена против 262 144, при этом Gemma 4 26B A4B использует скользящее окно размером 1 024 токена и гибридное внимание, которое чередует локальные и глобальные слои, сохраняя последний слой глобальным.

• Модальность — LFM2.5-24B-A2B работает только с текстом: текст на входе, текст на выходе. Gemma 4 26B A4B принимает текст и изображения, используя визуальный энкодер примерно на 550 млн параметров; поддержка аудио есть только у моделей Gemma 4 меньшего размера.

• Рассуждение — LFM2.5-24B-A2B всегда выдаёт явную цепочку рассуждений внутри блока <think>. Gemma 4 26B A4B — это модель общего назначения, дообученная на инструкциях, без обязательной трассировки.

• Словарь — 128 000 токенов, вдвое больше, чем в предыдущем поколении, благодаря расширению токенизатора на месте, против общего для всего семейства словаря на 262 тыс. токенов, используемого всеми пятью размерами Gemma 4.

• Лицензия — lfm1.0, бесплатно для коммерческого использования до $10 млн годовой выручки, а при превышении этого порога требуется коммерческая лицензия. Gemma 4 26B A4B распространяется под Apache 2.0, стандартный текст лицензии доступен по адресу ai.google.dev/gemma/apache_2, а политика запрещённого использования Google прилагается к ней как документ о допустимом использовании, а не как лицензионное ограничение.

• Опубликованные форматы — GGUF (от Q4_K_M до BF16), FP8, ONNX и 4/5/6/8-битный MLX для модели Liquid; bfloat16 safetensors, предобученный контрольный пакет, 4-битная сборка QAT и готовый для llama.cpp GGUF, а также драфтер с многотокенным предсказанием, для размера Gemma.

Liquid провела оба, и результаты — не безоговорочная победа.

Анонс запуска LFM2.5-24B-A2B помещает Gemma-4-26B-A4B-it в столбец базовых моделей своей таблицы с шестнадцатью бенчмарками, рядом с Qwen3.6-35B-A3B и Nemotron-3.5-Lightning, при этом все четыре столбца прогонялись в vLLM с настройками генерации для каждого бенчмарка. Всё ниже — данные, заявленные вендорами с обеих сторон: числа Liquid, в таблице, собранной Liquid. Это не независимая оценка, но по крайней мере единый испытательный стенд, что больше, чем получает большинство страниц сравнения моделей.

Агентные строки читаются как разгром: AutomationBench — 27,69 против 5,46, ToolSandbox — 80,71 против 72,09, LiveClaw — 48,09 против 41,25, τ³-Bench Banking — 8,04 против 4,54, BFCLv4 — 65,01 против 57,09. Со следованием инструкциям та же история — IFEval 96,75 против 92,00, IFBench 74,69 против 47,44, Multi-IF 84,38 против 82,19.

Затем другая половина таблицы, которую Liquid всё равно опубликовала: PinchBench 83.18 против 77.12 идёт в другую сторону, и то же самое с тремя строками, которые важнее любых побед в вызове инструментов. GPQA Diamond — 74.42 против 74.90, практически вровень на верхнем уровне науки уровня выпускника. SWE-Bench Verified via OpenCode — 51.00 против 25.80, перевес два к одному в пользу модели Liquid, что является самым удивительным отдельным числом в любой из двух таблиц. SciCode — 32.71 против 35.42, впереди модель размера Gemma. А AA-Omniscience — −24.90 против −59.39, где обе модели показывают плохие результаты, а модель размера Gemma — более чем вдвое хуже.

Есть два прочтения этого, и честное — второе. Первое: агентная модель с 2,45 млрд активных параметров превосходит универсальную модель с 3,8 млрд активных параметров в агентных задачах — то, для чего её и создавали. Второе: столбец Gemma 4 26B A4B выглядит аномально слабым по всем показателям — 25,2 млрд общих параметров и 3,8 млрд активных, уступающие модели с 2,45 млрд активных параметров в следовании инструкциям, использовании инструментов и знаниях, — это не то, что предсказала бы собственная таблица семейства Google, и это напоминание о том, что общий испытательный стенд не делает бенчмарк сопоставимым, если модели прогоняются с разными настройками генерации и промптинга. Считайте направление этих строк информативным, а величины — нет.

Чего в таблице вообще нет — так это мультимодальной половины Gemma 4 26B A4B. Бенчмарк по компьютерному зрению здесь невозможен, потому что LFM2.5-24B-A2B не умеет видеть. Если какая-либо часть вашей рабочей нагрузки включает изображение, поступающее от пользователя, у этого сравнения есть победитель ещё до начала, и это не более новая модель.

Цена, и во сколько на самом деле обходится держать каждый из них.

LFM2.5-24B-A2B имеет цену за токен: $0,10 за миллион входных токенов ($0,05 за кэшированные) и $1,00 за миллион выходных в собственной Console от Liquid, плюс $2 кредита на старт. У Gemma 4 26B A4B вообще нет цены из прайс-листа вендора — Google её не публикует, — поэтому единственная честная цифра стоимости — это то, сколько берут платформы, размещающие открытые веса; она варьируется в зависимости от хоста и от дня.

Эта асимметрия и есть аргумент в пользу того, чтобы ходить через роутер, а не вшивать эндпоинт одного вендора прямо в свой код. Оставим геометрию в стороне: именно здесь и важно, что доступны обе стороны — мы отдаём чекпойнт Gemma 4 26B A4B под двумя идентификаторами — google/gemma-4-26b-a4b-it и obsidian/gemma-4-26B-A4B — и обе ценовые ссылки, которые Liquid использует в своей таблице, qwen/qwen3.6-35b-a3b в том числе, по одному ключу с нулевой наценкой к прайс-листу провайдера. Мы не обслуживаем LFM2.5-24B-A2B. Поэтому практическая версия этой страницы такова: скачайте чекпойнт Liquid и запустите его локально, а пока решаете, обращайтесь к Gemma 4 этого размера и к базовому Qwen через один и тот же ключ — тогда вы будете сравнивать на собственных задачах, а не на выборе харнесса тем или иным вендором.

A two-column scoreboard titled 'LFM2.5-24B-A2B vs Gemma 4 26B A4B — the scoreboard'. The left column, LFM2.5-24B-A2B, lists 24.0B total and 2.45B active parameters, a 131,072-token context, text-only input, SWE-Bench Verified 51.00, AutomationBench 27.69, and a Q4_K_M download of 14.5 GB. The right column, Gemma 4 26B A4B, lists 25.2B total and 3.8B active parameters, a 262,144-token context, text and image input, SWE-Bench Verified 25.80, AutomationBench 5.46, and bfloat16 weights of about 50 GB, above a footer reading 'Benchmark rows from Liquid AI's 2026-10-13 vLLM table, which ran both models; vendor-reported and unreproduced.' and the OrcaRouter logo composited bottom-right.A capture of OrcaRouter's own model page for google/gemma-4-26b-a4b-it, showing the 'Gemma 4 26B A4B' heading and the google/gemma-4-26b-a4b-it identifier, the vision, tools, JSON and reasoning chips, Google as the vendor with a 2026-04-03 date, the summary noting 25.2B total parameters with only 3.8B activating per token, and the 262K-token context row listing text, image and video input with a p50 time-to-first-token figure.

Какой именно, и когда вопрос на самом деле о вашей машине

Если ваша рабочая нагрузка — это текст, а вашему агенту нужно планировать, вызывать инструменты и объяснять свои действия, то скачивать стоит более новый чекпоинт: 14,5 ГБ при Q4_K_M, контекст 131K, явные рассуждения и таблица бенчмарков, где он обходит этого самого противника в агентных строках. Если какая-либо часть вашей работы связана с изображениями, или вам нужен контекст 256K, а не 128K, или вы хотите лицензию Apache 2.0 без пункта о доходах, который нужно отслеживать, то Gemma 4 26B A4B отвечает на вопрос, который LFM2.5-24B-A2B даже не задаёт — при примерно в три с половиной раза большем объёме на диске в несжатом виде.

Ни одна из моделей не решает проблему того, что обе ограничены пропускной способностью памяти, а не вычислениями, и что заявления обоих вендоров приходится читать одинаково. В посте Google о запуске семейства два более крупных размера Gemma 4 описаны как веса bfloat16, которые «эффективно помещаются на одном 80-гигабайтном NVIDIA H100 GPU», — это правда, но также и собственная трактовка вендора, а не измерение именно этой сборки. 184 токена в секунду у Liquid на Apple M5 Max и «до 1,7× быстрее сопоставимых MoEs на устройстве» тоже не имеют воспроизведения. Две разреженные модели, два вендора, один общий урок: арифметика в названии говорит о скорости, а ничто в названии не говорит о памяти.

Именно в таких сравнениях проявляются и режимы отказа: задокументированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и пометку о спорности.