LFM3-1.7B-Base против Gemma 4 12B: специализированный ствол против универсала

Поставьте две загрузки рядом — и первое различие будет вовсе не в бенчмарке. LFM3-1.7B-Base, опубликованный на Hugging Face 26 октября 2026 года и упомянутый на следующий день в анонсе семейства Liquid AI, — это файл bfloat16 размером 3,46 ГБ, содержащий предобученную текстовую модель с 1,73 млрд параметров. Gemma 4 12B, выпущенная Google DeepMind 3 июня 2026 года, — это плотная модель с 11,95 млрд параметров, которая поставляется с инструкционной настройкой, контекстом 256K и способностью читать изображения и аудио, а также текст. Одна из них — компонент. Другая — продукт. Сравнивать их по возможностям — категориальная ошибка, а сравнивать по цене за токен почти так же плохо, потому что у базового чекпоинта нет цены за токен — у него есть счёт за дообучение. Маршрутизация не добавляет наценку к цене провайдера из прайс-листа. 0% наценки Смотрите сквозные цены на нашей странице тарифов.

Сравнение всё равно заслуживает своей страницы, потому что обе модели — это открытые модели с доступными весами, которые небольшая команда может скачать уже на этой неделе по одной и той же фундаментальной причине: им нужна модель, которую они контролируют, на оборудовании, которым владеют, без контракта с оплатой за каждый вызов. Полезный вопрос — какой тип актива приведёт вас к этому: небольшой «ствол», который вы формируете под себя, или крупный универсал, который вы просто берёте и используете.

Сравнение бенчмарков, которое невозможно провести

У LFM3-1.7B-Base нет опубликованной оценки. Не скудной, не вендорской таблицы со звёздочкой — никакой. В карточке модели приведены технические характеристики и руководство по дообучению, а в публикации Liquid о запуске есть обширная таблица бенчмарков для LFM3-1.7B — прошедшего посттренировку «собрата», который был построен на основе этого чекпоинта. Это разные артефакты. Базовая модель предсказывает текст; модель после посттренировки следует инструкциям. Оценка первой по бенчмарку следования инструкциям говорит о второй.

Gemma 4 12B, напротив, поставляется с полной таблицей семейства для настроенных на инструкции чекпоинтов: 77,2% на MMLU Pro, 78,8% на GPQA Diamond, 77,5% на AIME 2026 без инструментов, 72,0% на LiveCodeBench v6, рейтинг Elo на Codeforces — 1659, 69,1% на MMMU Pro и 43,4% на MRCR v2 при 128K с восемью иглами. Все это — собственные цифры Google, и ни одна из них не была независимо воспроизведена. Artificial Analysis отдельно оценивает Gemma 4 12B в 14 пунктов Intelligence Index, ставя ее на 20-е место из 141 модели в своем классе сравнения, с измеренной скоростью вывода 110,9 токена в секунду.

Итак, у честной таблицы результатов один заполненный столбец и один пустой, и пустой столбец — это не провал модели. Именно таков базовый чекпоинт. Тот, кто ставит 49.37 — собственное среднее Liquid для тонко настроенной LFM3-1.7B — рядом с MMLU Pro от Gemma, сравнивает два разных набора тестов, две разные модели и два разных уровня тонкой настройки.

Для чего на самом деле нужна каждая контрольная точка

LFM3-1.7B-Base существует, чтобы её меняли. В карточке Liquid сказано, что она рекомендована только для серьёзного дообучения — ассистентов для конкретных языков, ассистентов для конкретных предметных областей, обучения на проприетарных данных, новых подходов к постобучению, — а всем, кто хочет чат или работу с инструментами, вместо неё предлагается дообученная модель. Она предварительно обучена на 22 трлн токенов, последние 3,5 трлн из которых — отобранные данные промежуточного обучения с агентными трассами и вызовами инструментов, и этот этап расширил контекст до 262 144 токенов. В 4-битном формате она занимает около 1 ГБ, и в этом весь смысл дизайна: основа достаточно мала, чтобы дообучить её на одном GPU и запускать на телефоне.

Gemma 4 12B существует, чтобы использоваться. Это среднеразмерная dense-модель из семейства Google Gemma 4, состоящего из пяти моделей, без отдельных мультимодальных энкодеров — патчи изображений и звуковые волны проецируются напрямую в то же пространство, что и текстовые токены. Она запускается на ноутбуке, занимая примерно 7 ГБ при 4-битной квантизации, распространяется под Apache 2.0 без оговорки о пороге выручки и обладает той экосистемной поддержкой, которую накапливает модель за шесть месяцев: квантованные сборки, интеграции с фреймворками и сообщество, которое уже обнаружило её режимы отказа.

Шесть различий, которые решают исход

• Параметры — 1,73 млрд плотных параметров против 11,95 млрд плотных параметров. Соотношение размеров — 6,9 к 1, и оно определяет всё последующее: память, стоимость тонкой настройки, скорость инференса и потолок общих знаний.

• Модальность — текст на входе, текст на выходе, для LFM3-1.7B-Base. Текст, изображение и аудио на входе, текст на выходе, для Gemma 4 12B. Базовый чекпойнт не может видеть скриншот, и никакое дообучение не добавит визуальный энкодер, который никогда не обучался.

• Контекст — у обеих моделей по 262 144 токена. Это единственная строка, где малая модель ничего не уступает, и это настоящее достижение гибридной архитектуры, а не маркетинговое совпадение.

• Языки — для LFM3-1.7B-Base перечислено шестнадцать языков, включая арабский, хинди, тайский, вьетнамский и индонезийский. Gemma 4 12B предварительно обучена на 140+ языках, при этом заявлена поддержка 35+ языков «из коробки» — гораздо более широкий охват и реальное преимущество для многоязычного развёртывания.

• Словарь — 128 000 токенов для LFM3-1.7B-Base, 262 000 для Gemma 4 12B. Более крупный словарь сильнее сжимает текст в языках с латинской письменностью и в коде; меньший сохраняет матрицу эмбеддингов небольшой, что важно, когда вся модель занимает 3,46 ГБ.

• Лицензия — LFM Open License v1.0 бесплатна для коммерческого использования при годовой выручке ниже 10 млн долларов США; при превышении этого порога требуется коммерческая лицензия. Gemma 4 12B распространяется под лицензией Apache 2.0, а условия допустимого использования Google прилагаются вместе с весами, а не как условие по доходу.

Единственный номер в том же наборе — и почему он не переносится.

Есть ровно один случай, когда Liquid опубликовала результат против Gemma 4 12B на одном и том же наборе оценок, и он касается другой модели. По 62 визуальным бенчмаркам Liquid сообщает, что LFM3-VL-2B, её визуальная модель на 1,9 млрд параметров, имеет 66,0 в общей категории набора против 74,0 у Gemma 4 12B. В других местах той же таблицы показатели меньшей модели ближе, а в резюме Liquid говорится, что визуальная модель «соответствует» Gemma 4 12B, хотя она более чем в шесть раз меньше.

Читайте таблицу, а не фразу, и она сообщает нечто более точное: мультимодальная модель с 1,9 млрд параметров отстаёт не более чем на восемь пунктов от мультимодальной модели с 12 млрд параметров в обширном наборе тестов по компьютерному зрению, причём разрыв неравномерен по категориям. Если читать это как утверждение о LFM3-1.7B-Base, оно не говорит вообще ничего. У текстового базового чекпоинта нет визуальной башни, и он не оценивался ни на одном из этих бенчмарков. Это утверждение относится к родственной модели, и это как раз та ошибка в указании происхождения, которая превращает тщательное сравнение во вводящее в заблуждение.

Сколько 12B-универсал стоит в деньгах

Gemma 4 12B имеет рыночную цену, поскольку его предоставляют третьи стороны. Artificial Analysis сообщает о сводной медиане в $0,10 за миллион входных токенов и $0,30 за миллион выходных токенов по платформам, размещающим открытые веса, — это медиана по поставщикам, а не прайс-лист, и она будет меняться по мере изменения стороны предложения. Это достаточно дёшево, чтобы большинство команд вообще не задумывались о самостоятельном запуске.

У LFM3-1.7B-Base нет такой цены, потому что это не модель, предоставляемая как сервис. Его стоимость — это запуск дообучения, конвейер данных и стек обслуживания, и эти цифры различаются более чем на порядок в зависимости от того, что вы создаёте. Liquid утверждает, что запуск помещается на одном GPU, а результат занимает около гигабайта; это верно для модели и ничего не говорит о стоимости размеченных данных. Специализированное дообучение не дешевле вызова API универсальной модели, если у вас уже нет данных; если есть, то при больших объёмах оно радикально дешевле.

Именно здесь маршрутизирующий слой оправдывает своё место. OrcaRouter передаёт прайс-листовые цены провайдеров без наценки — 0 %, поэтому снижение цены поставщика вступает в силу в тот же день, а не после ожидания цикла пересмотра цен, и один и тот же ключ даёт доступ более чем к 200 моделям с автоматическим переключением при сбое. Практический подход для команды, которая взвешивает это решение, — оставлять универсальную модель на маршрутизируемом пути, пока оценивается специализированная дообученная модель, а затем перераспределять трафик, когда дообученная модель выигрывает на вашем собственном отложенном наборе, а не на среднем показателе поставщика.

Три покупателя — три ответа

У вас есть собственные данные и узкая задача. Возьмите LFM3-1.7B-Base. Основная часть на 1.73B достаточно мала, чтобы дообучить её на одном GPU, контекст 256K сохраняется после дообучения, а словарь на шестнадцать языков покрывает большинство региональных внедрений. Gemma 4 12B тоже можно дообучить, но вам пришлось бы платить за переобучение возможностей, от которых вы вот-вот избавитесь ради специализации.

Вам нужна модель, которая заработает уже сегодня днём. Возьмите Gemma 4 12B. Базовый чекпоинт не может ответить на вопрос, а дообученный собрат — это другая загрузка с другим вопросом по лицензии. Gemma 4 12B дообучена следовать инструкциям, мультимодальна, документирована и доступна по опубликованной медианной цене. Время до первого ответа измеряется минутами.

Нужно и то, и другое. Это типичный случай, и именно его скрывает такая постановка вопроса. Дообучите базовую модель под узкую задачу с большим объёмом запросов, а всё остальное направляйте универсальной модели. На уровне архитектуры эти два подхода не заменяют друг друга, и если считать выбор взаимоисключающим, команды в итоге либо переплачивают за специализированную модель, либо не покрывают сценарий, для которого их небольшая модель никогда не обучалась.

Лицензия — это скрытая проблема.

Apache 2.0 — причина, по которой многие компании перестают читать лицензию Gemma. Здесь нет порога выручки, коммерческого триггера и переговоров — веса ваши: их можно модифицировать и предоставлять как сервис при условии соблюдения политики допустимого использования Google. LFM Open License v1.0 от Liquid также является разрешительной при небольшом масштабе, но она устанавливает порог годовой выручки в $10 млн, выше которого применяется коммерческая лицензия. Для стартапа эта разница теоретическая. Для бизнес-подразделения внутри более крупной компании это разговор о закупке, который начинается ещё до первого дообучения.

Что изменило бы ответ?

Два доказательства перевели бы это сравнение с категориального аргумента на числовой. Первое — оценка базовой модели от Liquid, пусть даже небольшая, на отложенном корпусе, которая позволила бы читателю судить, дали ли 22 трлн токенов и тригибридный стек лучшую отправную точку, чем LFM2.5-2.6B-Base. Второе — независимый файнтюн LFM3-1.7B-Base на публичной задаче, отчёт по которому дан в сравнении с базовым уровнем Gemma 4 12B. Ни того, ни другого пока нет, и в посте о запуске они не обещаны.

Пока они этого не сделают, решение зависит от того, что вы покупаете, а не от того, какая модель лучше: 3,46-ГБ основа без оценок и без инструкционной тонкой настройки или 12B-универсал с полной таблицей вендорских цифр и лицензией, к которой вам никогда не придётся возвращаться. По возможностям это не пограничный случай. Пограничный случай — по пригодности, и пустая колонка в таблице результатов — самое честное, что есть на этой странице.