LFM3-1.7B-Base vs Gemma 4 12B: En specialiserad stam mot en generalist

Ställ de två nedladdningarna sida vid sida och den första skillnaden är inte ett benchmark.LFM3-1.7B-Base, som publicerades på Hugging Face den 26 oktober 2026 och namngavs i Liquid AI:s familjelansering dagen därpå, är en bfloat16-fil på 3,46 GB som innehåller en förtränad textmodell med 1,73 miljarder parametrar. Gemma 4 12B, som släpptes av Google DeepMind den 3 juni 2026, är en tät modell med 11,95 miljarder parametrar som levereras med instruktionstuning, ett 256K-kontextfönster och förmågan att läsa bilder och ljud liksom text. Den ena är en komponent. Den andra är en produkt. Att jämföra dem utifrån kapacitet är ett kategorimisstag, och att jämföra dem utifrån pris per token är nästan lika illa, eftersom bascheckpointen inte har något tokenpris – den har en finjusteringsräkning. Routing lägger inte till någon marginal på en leverantörs listpris. 0 % påslag Se prissättningen utan påslag på vår prissida.

Jämförelsen förtjänar ändå sin plats, eftersom båda är modeller med öppna vikter som ett litet team kan ladda ner den här veckan av samma underliggande skäl: de vill ha en modell som de kontrollerar, på hårdvara som de äger, utan ett avtal per anrop. Den användbara frågan är vilken typ av tillgång som tar dig dit – en liten stomme som du formar, eller en stor generalist som du adopterar.

Benchmark-jämförelsen som inte kan göras

LFM3-1.7B-Base har ingen publicerad utvärdering. Inte en mager sådan, inte en leverantörstabell med en asterisk – ingen alls. Modellkortet anger specifikationer och en guide för finjustering, och Liquids lanseringsinlägg innehåller en omfattande benchmarktabell för LFM3-1.7B, det eftertränade syskonet som byggdes från denna checkpoint. Det är olika artefakter. En basmodell förutsäger text; en eftertränad modell följer instruktioner. Att betygsätta den första på ett instruktionsbenchmark säger dig något om den andra.

Gemma 4 12B kommer däremot med en fullständig familjetabell för de instruktionstränade checkpoints: 77,2 % på MMLU Pro, 78,8 % på GPQA Diamond, 77,5 % på AIME 2026 utan verktyg, 72,0 % på LiveCodeBench v6, ett Codeforces-Elo på 1659, 69,1 % på MMMU Pro och 43,4 % på MRCR v2 vid 128K med åtta nålar. Alla dessa är Googles egna siffror och ingen av dem har reproducerats oberoende. I en separat mätning placerar Artificial Analysis Gemma 4 12B på ett Intelligence Index på 14, rankad 20:e av 141 modeller i sin jämförelseklass, med en uppmätt utdatahastighet på 110,9 tokens per sekund.

Så den ärliga resultattavlan har en fylld kolumn och en tom, och den tomma kolumnen är inte ett misslyckande för modellen. Det är vad en bascheckpunkt är. Den som ställer 49,37 – Liquids eget genomsnitt för den finjusterade LFM3-1.7B – bredvid Gemmas MMLU Pro jämför två olika benchmarksviter, två olika modeller och två olika nivåer av finjustering.

Vad varje kontrollpunkt faktiskt är till för

LFM3-1.7B-Base finns för att ändras. Liquid's modellkort säger att den endast rekommenderas för tyngre finjustering – språkspecifika assistenter, domänspecifika assistenter, träning på proprietàra data, nya metoder för efterträning – och hänvisar den som vill ha chatt eller verktygsanvändning till den finjusterade modellen i stället. Den förtränades på 22 biljoner tokens, varav de sista 3,5 biljonerna var kurerade mid-training-data med agentiska spår och verktygsanrop, och det steget utökade kontexten till 262 144 tokens. I 4-bit tar den cirka 1 GB, vilket är hela designargumentet: en stam som är liten nog att finjustera på ett enda GPU och köra på en mobil.

Gemma 4 12B finns för att användas. Det är den medelstora täta medlemmen i Googles femmodellfamilj Gemma 4, utan separata multimodala kodare – bildfragment och ljudvågformer projiceras direkt in i samma utrymme som texttoken. Det körs på en bärbar dator på ungefär 7 GB vid en 4-bitars kvantisering, har Apache 2.0 utan intäktsutlösare och har den typ av ekosystemstöd som en sex månader gammal modell samlar på sig: kvantiserade byggen, ramverksintegrationer och en community som redan har hittat dess fellägen.

Sex skillnader som avgör det

• Parametrar — 1,73B dense mot 11,95B dense. Storleksförhållandet är 6,9 till 1, och det styr allt nedströms: minne, finjusteringskostnad, inferenshastighet och taket för allmän kunskap.

• Modalitet — text in, text ut, för LFM3-1.7B-Base. Text, bild och ljud in, text ut, för Gemma 4 12B. Bascheckpointen kan inte se en skärmbild, och ingen mängd finjustering lägger till en visionskodare som aldrig har tränats.

• Kontext — båda är 262 144 token. Det här är den enda raden där den lilla modellen inte ger något bort, och det är en genuin prestation av hybridarkitekturen snarare än en marknadsföringsmässig tillfällighet.

• Språk — sexton listade för LFM3-1.7B-Base, inklusive arabiska, hindi, thai, vietnamesiska och indonesiska. Gemma 4 12B är förtränad på 140+ språk med stöd direkt ur lådan som uppges för 35+, ett betydligt bredare nät och en verklig fördel för flerspråkig driftsättning.

• Ordförråd — 128 000 token för LFM3-1.7B-Base, 262 000 för Gemma 4 12B. Det större ordförrådet komprimerar text mer aggressivt i latinskrivna språk och i kod; det mindre håller inbäddningsmatrisen liten, vilket spelar roll när hela modellen är 3,46 GB.

• Licens — LFM Open License v1.0 är gratis för kommersiell användning under 10 miljoner dollar i årlig intäkt, med en kommersiell licens över den tröskeln. Gemma 4 12B är Apache 2.0, med Googles villkor för godtagbar användning tillsammans med vikterna i stället för som ett intäktsvillkor.

Det enda numret i samma svit, och varför det inte överförs

Det finns exakt en plats där Liquid har publicerat en poäng mot Gemma 4 12B i samma utvärderingssvit, och den avser en annan modell. I 62 synbenchmarkar rapporterar Liquid LFM3-VL-2B, dess 1,9B-visionsmodell, på 66,0 i svitens allmänna kategori mot 74,0 för Gemma 4 12B. På andra ställen i samma tabell ligger den mindre modellen närmare, och Liquids sammanfattning är att visionsmodellen "matchar" Gemma 4 12B trots att den är mer än sex gånger mindre.

Läs tabellen i stället för meningen, och den säger något mer exakt: en multimodell på 1,9B ligger inom åtta punkter från en multimodell på 12B i en bred visionssvit, och gapet är ojämnt mellan kategorierna. Läs den som ett påstående om LFM3-1.7B-Base, och den säger ingenting alls. Textbascheckpointen har inget visionstorn och utvärderades inte på någon av dessa benchmarkar. Påståendet tillhör ett syskon, och det är den sortens proveniensfel som förvandlar en noggrann jämförelse till en missvisande.

Vad 12B-generalisen är värd i pengar

Gemma 4 12B har ett marknadspris eftersom tredje parter tillhandahåller den. Artificial Analysis rapporterar ett blandat medianvärde på 0,10 USD per miljon indatatokens och 0,30 USD per miljon utdatatokens hos de plattformar som driftar de öppna vikterna – ett medianvärde över leverantörer, inte ett listpris, och ett som kommer att förändras i takt med att utbudssidan förändras. Det är tillräckligt billigt för att de flesta team aldrig ens överväger att köra den själva.

LFM3-1.7B-Base har inget sådant pris eftersom det inte är en serverad modell. Dess kostnad utgörs av finjusteringskörningen, datapipelinen och serveringsstacken, och dessa siffror varierar med mer än en storleksordning beroende på vad du bygger. Liquids argument är att körningen får plats på en enda GPU och att resultatet får plats i ungefär en gigabyte, vilket stämmer för modellen och inte säger något om kostnaden för den märkta datan. En specialiserad finjustering är inte billigare än att anropa ett generalist-API om du inte redan har datan; om du har det är den dramatiskt mycket billigare vid volym.

Det är här ett routningslager gör rätt för sig. OrcaRouter förmedlar leverantörernas listpriser vidare med 0 % påslag, så en leverantörs prissänkning slår igenom samma dag i stället för att vänta på en ny prissättningscykel, och samma nyckel når fler än 200 modeller med automatisk failover. Det praktiska mönstret för ett team som överväger det här beslutet är att behålla generalisten på den routade vägen medan den specialiserade finjusteringen utvärderas, och sedan flytta trafiken när finjusteringen vinner på er egen held-out-uppsättning – inte på ett leverantörsgenomsnitt.

Tre köpare, tre svar

Du har proprietär data och en avgränsad uppgift. Välj LFM3-1.7B-Base. Stommen på 1,73B är tillräckligt liten för att finjusteras på en GPU, 256K-kontexten klarar finjusteringen, och ordförrådet för sexton språk täcker de flesta regionala driftsättningar. Gemma 4 12B kan också finjusteras, men du skulle betala för att träna om förmåga som du är på väg att specialisera bort.

Du behöver en modell som fungerar redan i eftermiddag. Ta Gemma 4 12B. Bascheckpointen kan inte svara på en fråga, och den finjusterade syskonmodellen är en annan nedladdning med en annan licensfråga. Gemma 4 12B är instruktionstränad, multimodal, dokumenterad och tillgänglig till ett publicerat medianpris. Tiden till första svaret mäts i minuter.

Du behöver båda. Detta är det vanliga fallet och det som inramningen döljer. Finjustera basmodellen för den smala uppgiften med hög volym och routa allt annat till en generalist. De två är inte utbytbara på arkitekturnivå, och att behandla beslutet som uteslutande är hur team hamnar i att antingen betala för mycket för en specialist eller ge otillräcklig service åt ett användningsfall som deras lilla modell aldrig tränades för.

Licensen är den dolda frågan

Apache 2.0 är anledningen till att många företag slutar läsa vid Gemmas licens. Det finns ingen intäktsgräns, ingen kommersiell utlösare och ingen förhandling – vikterna är dina att modifiera och tillhandahålla, med förbehåll för Googles policy för godtagbar användning. Liquids LFM Open License v1.0 är också tillåtande i liten skala, men den definierar en gräns på 10 miljoner dollar i årliga intäkter över vilken en kommersiell licens gäller. För en startup är skillnaden teoretisk. För en affärsenhet inom ett större företag är det en upphandlingsdiskussion som börjar innan den första finjusteringen ens har påbörjats.

Vad skulle ändra svaret

Två bevis skulle flytta den här jämförelsen från ett kategoriresonemang till ett numeriskt. Det första är en utvärdering av basmodellen från Liquid – även en liten, på ett undanhållet korpus – som låter en läsare bedöma om 22 biljoner tokens och tri-hybridstacken gav en bättre utgångspunkt än LFM2.5-2.6B-Base. Det andra är en oberoende finjustering av LFM3-1.7B-Base på en offentlig uppgift, rapporterad mot en Gemma 4 12B-baslinje. Ingen av dem finns ännu, och lanseringsinlägget lovar dem inte.

Tills de gör det beror beslutet på vad du köper snarare än vilken modell som är bättre: en 3,46 GB trunk utan poäng och utan instruktionstrimning, eller en 12B-generalist med en fullständig tabell med leverantörssiffror och en licens du aldrig behöver återkomma till. Det är inte en hårfin fråga om kapacitet. Det är en hårfin fråga om passform, och den tomma kolumnen i resultattavlan är det ärligaste på den här sidan.