LBS-27B vs Gemma 4 26B A4B: Vad ett tomt repository måste slå

Om din arbetsbelastning involverar en bild, en skannad sida eller en skärmbild är jämförelsen mellan LBS-27B och Gemma 4 26B A4B redan avgjord. Gemma 4 26B A4B tar emot bilder och videorutor och returnerar text; LBS-27B finns ännu inte i någon körbar form, så den tar inte emot någonting. Allt annat i den här matchen handlar om vad inclusionAI:s tomma repository skulle kunna bli, och det ärliga sättet att besvara det är att beskriva den ribba Gemma redan har satt i stället för att låtsas att de två modellerna har mätts mot varandra.

Den asymmetrin är hela historien. En av dessa modeller har funnits på Hugging Face sedan mars 2026, har 8,1 miljoner nedladdningar, en fullständig utvärderingstabell och ett publicerat pris. Den andra skapades kl. 05:36 UTC den 26 oktober 2026 och innehåller en licensrubrik och inget annat. En sida-vid-sida-jämförelse som behandlar dem som jämlikar skulle vara fiktion. En sida-vid-sida-jämförelse som talar om vad LBS-27B skulle behöva slå är användbar, och det är vad som följer.

Den kända sidan av reskontran

Gemma 4 26B A4B är en mixture-of-experts-modell med totalt 25,2 miljarder parametrar och 3,8 miljarder aktiva per token, valda bland 128 experter med åtta aktiva plus en delad. Den har 30 lager, ett ordförråd på 262 144 tokens och ett kontextfönster på 256K. Attentionsstacken varvar fem sliding-window-lager på 1 024 tokens med ett full-attention-lager, vilket är hur Google håller det långa fönstret överkomligt.

Den är multimodal på ett specifikt, begränsat sätt. Det finns en vision-encoder på ungefär 550 miljoner parametrar, bild- och videorutinmatning samt textutdata. Ljud stöds inte på den här modellen – det finns på de mindre varianterna E2B, E4B och 12B. Modellkortet hävdar stöd för fler än 140 språk, varav omkring 35 fungerar direkt ur lådan. Licensen är Apache-2.0, och träningsavskärningen är januari 2025.

Benchmarktabellen på Googles modellkort – leverantörsrapporterad, inte oberoende reproducerad – ser ut så här: MMLU Pro 82,6, GPQA Diamond 82,3, AIME 2026 utan verktyg 88,3, LiveCodeBench v6 77,1, Codeforces ELO 1718, tau2 i genomsnitt över tre testsviter 68,2, MMMU Pro 73,8, MATH-Vision 82,4. De svaga raderna är lika informativa som de starka: Humanity's Last Exam får 8,7 utan verktyg och 17,2 med sökning, och MRCR v2 vid 128K med åtta nålar har ett genomsnitt på 44,1. Ett fönster på 256K innebär inte att modellen hämtar information väl över 256K.

Den okända sidan, klart uttryckt

LBS-27B är ett repositorium, en licens och ett namn. Repositoriet skapades den 26 oktober 2026 och innehåller två filer: en vanlig .gitattributes och en README på 28 byte vars hela innehåll är raden license: apache-2.0. Det finns ingen config.json, ingen viktshard, ingen tokenizer och inget modellkort. Det finns inga registrerade nedladdningar och noll gillningar. Vi kunde inte hitta något tillkännagivande, någon artikel eller något inlägg på sociala medier någonstans.

Vad det innebär för den här jämförelsen är enkelt: varje rad utom licensen är tom. "27B" är en sträng i reponamnet, inte ett verifierat parameterantal. Arkitekturen skulle kunna vara dense eller sparse. Kontextlängden skulle kunna vara vad som helst. Det kan finnas eller inte finnas en vision encoder. Tills en konfigurationsfil dyker upp har ingen av dessa frågor något svar, och varje artikel som fyller i dem hittar på.

Där matchen faktiskt skulle avgöras

Om LBS-27B släpps som en modell i 27B-klassen är det dessa dimensioner som kommer att skilja den från Gemma 4 26B A4B. Varje rad innehåller båda sidorna, där det okända markeras som okänt i stället för att lämnas tomt.

• Totala och aktiva parametrar — Gemma 4 26B A4B har 25,2B totalt och 3,8B aktiva, enligt leverantören; LBS-27B är en overifierad 27B utan uppgift om antal aktiva parametrar.

• Arkitektur — Gemma använder 128 experter med top-8-routing; LBS är okänt, och tätt kontra glest är den enskilt mest avgörande okända faktorn för serveringskostnaden.

• Kontextfönster — 262 144 token för Gemma; okänt för LBS.

• Modalitet — text-, bild- och videoramsindata med textutdata för Gemma; okänt för LBS, och endast text är basfallet tills ett visionstorn dyker upp.

• Licens — Apache-2.0 för Gemma; Apache-2.0 anges för LBS, även om en licens kan ändras innan vikterna släpps.

• Pris — 0,06 USD per miljon indatatokens och 0,33 USD per miljon utdatatokens för Gemma på OrcaRouter, med en kontext på 262 144 tokens; inget pris finns för LBS eftersom det inte finns något att tillhandahålla.

• Publicerade utvärderingar – en fullständig leverantörstabell för Gemma; ingen för LBS.

Siffran som avgör ekonomin: 3,8 miljarder

A4B i Gemmas namn är den viktigaste delen av det. Med ungefär 3,8 miljarder aktiva parametrar per token utför modellen beräkningarna hos en liten modell samtidigt som den har kunskapen hos en 25B-modell. Det är därför den kan prissättas till sex cent per miljon indatatoken och ändå tillhandahållas kommersiellt, och det är därför modellen körs på hårdvara som en dense 25B-modell skulle ha svårt att hantera.

En dense 27B är en annan produkt. Den läser varje parameter för varje token, så dess avkodningskostnad skalar med det totala antalet vikter. Om LBS-27B visar sig vara dense kommer den inte att konkurrera med Gemma 4 26B A4B på pris vid likvärdig kvalitet – den kommer att konkurrera på kvalitet till ett högre pris, vilket är ett mycket svårare argument 2026. Om den visar sig vara sparse med ett litet antal aktiva parametrar blir jämförelsen verklig och intressant.

Det är därför den första trovärdiga artefakten att hålla utkik efter inte är ett benchmarkresultat. Det är antalet experter i konfigurationsfilen. Allt kring den kommersiella utformningen av LBS-27B följer av det enda fältet.

Vision är en arbetsbelastningsklass, inte en funktion.

Det är lätt att behandla Gemmas bildinmatning som en kryssruta. I praktiken förändrar det vilka uppgifter modellen alls kan hantera. Dokumentutvinning, triagering av skärmdumpar, diagramläsning, UI-regressionskontroller, fakturahantering och OCR-nära pipelines är inte textuppgifter med en bild bifogad; de är uppgifter där bilden är indata. En textmodell kan inte ta sig in i dem oavsett benchmarkpoäng.

Gemmas visionsiffror är respektabla snarare än dominerande: MMMU Pro 73,8, MATH-Vision 82,4 och ett genomsnittligt redigeringsavstånd på 0,149 för OmniDocBench 1.5, alla från Googles kort. Den visuella tokenbudgeten kan väljas till 70, 140, 280, 560 eller 1 120 token per bild, vilket låter dig avväga upplösning mot kostnad per begäran – en praktisk detalj som betyder mer i produktion än en poäng på en resultattavla.

För LBS-27B är frågan binär. Om inclusionAI levererar ett visionstorn går modellen in i samma arbetsbelastningsklass och jämförelsen blir en tävling om kvalitet och pris. Om inte kan LBS-27B bara ta texthalvan av Gemmas jobb, och beslutet blir en routingfråga snarare än en ersättningsfråga.

Vad LBS-27B skulle behöva klara

Anta, för argumentets skull, att vikterna anländer och att modellen är en kompetent 27B. För att det ska vara värt att byta från Gemma 4 26B A4B till den för textarbetsbelastningar skulle den behöva göra tre saker samtidigt.

För det första: slå Gemmas leverantörsrapporterade resultatrader med en marginal som överlever skillnader mellan utvärderingsramverk. MMLU Pro 82,6, GPQA Diamond 82,3 och AIME 2026 på 88,3 är starka siffror för en modell med 3,8B aktiva parametrar, och ett försprång på två punkter i en annan version av utvärderingsramverket är inget försprång. För det andra: gör det till ett jämförbart sammanvägt pris. Gemmas pris för utdata på 0,33 dollar per miljon är den bindande begränsningen; en dense 27B-modell till tre till fem gånger det priset för utdata behöver en mycket större kvalitetsskillnad för att motivera sig. För det tredje: slå den på något som Gemma är synligt svag på – långkontextsåtervinning, där Gemmas 44,1 på MRCR v2 vid 128K lämnar rejält utrymme, eller verktygsanvändning, där dess tau2-genomsnitt på 68,2 är bra men inte exceptionellt.

Det mest troliga sättet för en ny 27B att vinna är inte att slå Gemma överallt. Det är att vara tydligt bättre på en enda kostsam uppgift – analys av långa dokument, agentiska verktygskedjor eller ett icke-engelskt språk där Gemmas täckning är tunn – samtidigt som den bara är konkurrenskraftig på andra områden.

Pris, tillgänglighet och det praktiska svaret

Gemma 4 26B A4B finns på OrcaRouter idag som google/gemma-4-26b-a4b-it, med en kontext på 262 144 token och prissättning på 0,06 USD per miljon indatatoken och 0,33 USD per miljon utdatatoken. Eftersom OrcaRouter för vidare leverantörens listpris med 0 % påslag, syns varje prisändring som Google eller dess hostingpartners gör hos oss samma dag i stället för vid nästa faktureringscykel. Det finns också en andra listning för Gemma 4 26B A4B på plattformen till ett högre pris, vilket är värt att känna till innan du antar att den billigaste raden är den enda.

LBS-27B finns inte på OrcaRouter, och vi tänker inte låtsas att den gör det. Det finns inga vikter att servera. När och om det ändras är det förnuftiga sättet att utvärdera den inte en fullständig migrering utan en uppdelning: dirigera en del av trafiken till den nya modellen via samma API-nyckel, behåll Gemma som reserv och jämför med dina egna indata. Automatisk failover gör det säkert på ett sätt som en direktintegration inte gör, eftersom en dålig eller otillgänglig modell faller tillbaka på en känd i stället för att slå ut förfrågan.

Vem bör agera, och vem bör vänta

Om du den här veckan behöver en billig multimodell med lång kontext och en tillåtande licens är Gemma 4 26B A4B svaret, och LBS-27B är inte ens med i diskussionen. Det är ingen kritik av inclusionAI; det är vad ett tomt kodförråd innebär.

Om du håller ögonen på 27B-klassen för en textbaserad arbetshäst och har möjlighet att vänta, är det konfigurationsfilen du ska hålla koll på. En gles arkitektur med ett litet antal aktiva parametrar skulle göra LBS-27B till en verklig priskonkurrent till Gemma. En tät sådan skulle göra den till en kvalitetssatsning till högre kostnad. Och ett visionstorn i repot skulle över en natt förändra jämförelsen från "textalternativ" till "direkt konkurrent".

Tills en av dem dyker upp är det mest användbara den här sidan kan säga det minst spännande: Gemma har ett uppmätt specifikationsblad och ett aktuellt pris, LBS har en licensrad, och gapet mellan dem är inte ett gap i kvalitet utan ett gap i underlag.