
LFM2.5-24B-A2B vs Gemma 4 26B-A4B: สองโมเดลแบบสแปร์ส สองทฤษฎีที่แตกต่างกันว่ากำลังประมวลผลไปอยู่ตรงไหน
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 182 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 356 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 147 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
LFM2.5-24B-A2B และ Gemma 4 26B-A4Bดูเหมือนเป็นไอเดียเดียวกันซ้ำสองครั้ง เช็กพอยต์ของ Liquid AI เปิดตัวเมื่อวันที่ 13 ตุลาคม 2026 ด้วยพารามิเตอร์รวม 24.0 พันล้าน โดยอ่าน 2.45 พันล้านต่อโทเคน Gemma 4 26B-A4B ของ Google DeepMind มีพารามิเตอร์รวม 25.2 พันล้าน โดยมี 3.8 พันล้านที่ใช้งานต่อโทเคน เผยแพร่บน Hugging Face เมื่อวันที่ 11 มีนาคม 2026 ทั้งคู่เป็นโมเดลแบบผสมผู้เชี่ยวชาญ ทั้งคู่เป็นเช็กพอยต์ขนาดประมาณ 25 พันล้านพารามิเตอร์ที่ผูกกับงบประมาณการประมวลผล 2 ถึง 4 พันล้านพารามิเตอร์ และทั้งสองค่ายใช้ประโยคเดียวกันเมื่ออธิบายการแลกเปลี่ยนนี้ — คุณจ่ายด้วยหน่วยความจำสำหรับโมเดลใหญ่ และจ่ายด้วยความหน่วงสำหรับโมเดลเล็ก การคำนวณที่เกือบเหมือนกันนั้นเป็นเหตุผลว่าทำไมการเปรียบเทียบนี้จึงควรทำอย่างจริงจัง เพราะทั้งสองโมเดลนำงบประมาณนั้นไปใช้กับสิ่งที่แตกต่างกันโดยสิ้นเชิง: Gemma 4 26B-A4B ใช้งบนั้นไปกับความสามารถด้านภาพ บริบท 256K และฐานความรู้ที่กว้างขวาง; LFM2.5-24B-A2B ใช้งบนั้นไปกับเส้นทางการให้เหตุผล ระบบเรียกใช้เครื่องมือ และการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ รูปร่างเดียวกัน แต่ลำดับความสำคัญตรงกันข้าม
ยังมีความไม่สมมาตรอีกหนึ่งอย่างที่ซ้อนอยู่ด้านบน: ตารางเบนช์มาร์กของ LFM2.5-24B-A2B ใช้ Gemma-4-26B-A4B-it เป็นหนึ่งในสาม baseline ของมัน ดังนั้นอย่างน้อยครั้งนี้เราจึงไม่ได้นำตารางเปิดตัวสองตารางมาเทียบเคียงกันแล้วเดา — Liquid รันทั้งคู่ ในสภาพแวดล้อม vLLM เดียวกัน และเผยแพร่แถวข้อมูลออกมา
ทั้งคู่ขาดสิ่งเดียวกัน และมันคือสิ่งที่ทุกคนคิดกันไปเอง
เริ่มจากความเข้าใจผิดที่โมเดลสองตัวนี้น่าจะทำให้เกิดขึ้นได้มากที่สุด เพราะทั้งสองมีจุดเข้าใจผิดเหมือนกัน sparse mixture of experts ไม่ได้ลดความต้องการหน่วยความจำของคุณ พารามิเตอร์ทุกตัวในเช็กพอยต์ต้องถูกเก็บไว้ในหน่วยความจำ สิ่งที่ 2.45B หรือ 3.8B active ให้คุณคืออัตราการประมวลผลต่อโทเคน ไม่ใช่พื้นที่หน่วยความจำที่เล็กลง ผู้อ่านที่เห็น "2.45B active" แล้วคิดจะใช้เครื่อง 4 GB กำลังจะต้องเจอกับบ่ายที่แย่
ในแค็ตตาล็อกของเราเอง checkpoint Gemma 4 26B A4B ถูกระบุว่ามีบริบท 262,144 โทเคน และการ์ดของ LFM2.5-24B-A2B ให้ 131,072 บนดิสก์ ช่องว่างใหญ่กว่าที่จำนวนพารามิเตอร์บ่งชี้: LFM2.5-24B-A2B เผยแพร่ Q4_K_M GGUF ที่ 14.5 GB และ QAT QAD-Q4_0 ที่ 13.6 GB โดยมี 48 GB ใน BF16; Gemma 4 26B A4B เผยแพร่ bfloat16 safetensors เป็น shard 49.9 GB บวก shard 1.7 GB โดยมี GGUF 4 บิตแบบ quantisation-aware ที่จับคู่ไฟล์น้ำหนักขนาดกะทัดรัดกับไฟล์ฉายภาพมัลติโมดัลแยกต่างหาก ตัวเลขกลม ๆ: ประมาณ 14 GB เทียบกับประมาณ 50 GB แบบไม่บีบอัด จาก checkpoint สองตัวที่มีจำนวนพารามิเตอร์รวมต่างกันหนึ่งพันล้าน ความแตกต่างนั้นมาจากคำศัพท์ การจัดวาง expert และสแต็กมัลติโมดัล ไม่ใช่จากตัวเลขพาดหัวพารามิเตอร์ และมันเป็นบรรทัดที่ปฏิบัติได้จริงที่สุดเพียงหนึ่งเดียวในบทความทั้งหมดนี้
ความแตกต่างของสเปก หนึ่งบรรทัดต่อหนึ่งมิติ
• พารามิเตอร์ทั้งหมด / พารามิเตอร์ที่ใช้งานอยู่ — LFM2.5-24B-A2B 24.0B / 2.45B, ผู้เชี่ยวชาญ 64 รายพร้อมการกำหนดเส้นทางแบบ top-4 ทั่ว 40 เลเยอร์ Gemma 4 26B-A4B 25.2B / 3.8B, ผู้เชี่ยวชาญที่ใช้งาน 8 รายจาก 128 ราย บวกผู้เชี่ยวชาญที่ใช้ร่วมกัน 1 ราย ทั่ว 30 เลเยอร์

• บริบท — 131,072 โทเคน เทียบกับ 262,144 โดย Gemma 4 26B A4B ใช้หน้าต่างเลื่อนขนาด 1,024 โทเคน และแอตเทนชันแบบไฮบริดที่สลับเลเยอร์แบบโลคัลกับโกลบอล โดยคงเลเยอร์สุดท้ายไว้เป็นแบบโกลบอล
• รูปแบบข้อมูล — LFM2.5-24B-A2B รับข้อความเข้าและส่งข้อความออก Gemma 4 26B A4B รับทั้งข้อความและภาพ โดยมีตัวเข้ารหัสภาพที่มีพารามิเตอร์ประมาณ 550 ล้านตัว; ส่วนเสียงถูกจำกัดไว้เฉพาะกับขนาด Gemma 4 ที่เล็กกว่า
• การให้เหตุผล — LFM2.5-24B-A2B จะส่งออกห่วงโซ่ความคิดอย่างชัดเจนภายในบล็อก <think> เสมอ Gemma 4 26B A4B เป็นโมเดลทั่วไปที่ปรับแต่งด้วยคำสั่งโดยไม่มีร่องรอยบังคับ
• คำศัพท์ — 128,000 โทเค็น เพิ่มเป็นสองเท่าจากรุ่นก่อนหน้าด้วยการขยายตัวตัดคำแบบแทนที่ในตำแหน่งเดิม เทียบกับคำศัพท์ของตระกูลที่ 262K ซึ่งใช้ร่วมกันทั้งห้าขนาดของ Gemma 4
• สัญญาอนุญาต — lfm1.0 ใช้ฟรีสำหรับการใช้งานเชิงพาณิชย์จนถึงรายได้ต่อปี $10M และต้องมีสัญญาอนุญาตเชิงพาณิชย์เมื่อเกินกว่านั้น Gemma 4 26B A4B เป็น Apache 2.0 โดยข้อความสัญญาอนุญาตมาตรฐานอยู่ที่ ai.google.dev/gemma/apache_2 พร้อมกับนโยบายการห้ามใช้งานของ Google ที่วางเคียงคู่กันในฐานะเอกสารการใช้งานที่ยอมรับได้ มากกว่าจะเป็นข้อจำกัดของสัญญาอนุญาต
• รูปแบบที่เผยแพร่ — GGUF (Q4_K_M ถึง BF16), FP8, ONNX และ MLX แบบ 4/5/6/8 บิต สำหรับโมเดล Liquid; safetensors แบบ bfloat16, เช็กพอยต์ที่ฝึกไว้ล่วงหน้า, บิลด์ QAT 4 บิต และ GGUF ที่พร้อมใช้กับ llama.cpp พร้อมทั้งดราฟเตอร์สำหรับการทำนายหลายโทเคน สำหรับขนาด Gemma
Liquid รันทั้งสอง และผลลัพธ์ไม่ใช่การกวาดชัยชนะทั้งหมด
โพสต์เปิดตัว LFM2.5-24B-A2B วาง Gemma-4-26B-A4B-itไว้ในคอลัมน์ baseline ของตาราง 16 benchmark ของตน ควบคู่กับ Qwen3.6-35B-A3B และ Nemotron-3.5-Lightning โดยทั้งสี่คอลัมน์รันใน vLLM ภายใต้การตั้งค่าการสร้างตาม benchmark แต่ละรายการ ทุกอย่างด้านล่างนี้เป็นข้อมูลที่ผู้ขายรายงานจากทั้งสองฝ่าย — ตัวเลขของ Liquid ในตารางที่ Liquid ประกอบขึ้นเอง มันไม่ใช่การประเมินที่เป็นอิสระ แต่ก็อย่างน้อยก็เป็นฮาร์เนสเดียว ซึ่งมากกว่าที่หน้าเปรียบเทียบโมเดลกับโมเดลส่วนใหญ่จะได้
แถวข้อมูล agentic อ่านแล้วเหมือนเป็นความพ่ายแพ้อย่างราบคาบ: AutomationBench 27.69 เทียบกับ 5.46, ToolSandbox 80.71 เทียบกับ 72.09, LiveClaw 48.09 เทียบกับ 41.25, τ³-Bench Banking 8.04 เทียบกับ 4.54, BFCLv4 65.01 เทียบกับ 57.09 การปฏิบัติตามคำสั่งก็เป็นเรื่องเดียวกัน — IFEval 96.75 เทียบกับ 92.00, IFBench 74.69 เทียบกับ 47.44, Multi-IF 84.38 เทียบกับ 82.19
แล้วอีกครึ่งหนึ่งของตาราง ซึ่ง Liquid ก็เปิดเผยออกมาอยู่ดี: PinchBench 83.18 เทียบกับ 77.12 กลับไปในทางตรงกันข้าม และอีกสามแถวที่สำคัญกว่าชัยชนะด้านการเรียกใช้เครื่องมือใด ๆ ก็เช่นกัน GPQA Diamond — 74.42 เทียบกับ 74.90 ไล่เลี่ยกันที่ปลายบนของวิทยาศาสตร์ระดับบัณฑิตศึกษา SWE-Bench Verified via OpenCode — 51.00 เทียบกับ 25.80 เป็นส่วนต่างสองต่อหนึ่งที่ได้เปรียบโมเดล Liquid ซึ่งเป็นตัวเลขเดี่ยวที่น่าประหลาดใจที่สุดในตารางทั้งสอง SciCode — 32.71 เทียบกับ 35.42 โดยขนาด Gemma นำอยู่ และ AA-Omniscience — −24.90 เทียบกับ −59.39 ซึ่งทั้งสองโมเดลได้คะแนนแย่ และขนาด Gemma ได้คะแนนแย่กว่ามากกว่าสองเท่า
ตีความได้สองแบบ และแบบที่ซื่อตรงคือแบบที่สอง แบบแรกคือโมเดลเอเจนต์ที่มีพารามิเตอร์แอ็กทีฟ 2.45B เอาชนะโมเดลอเนกประสงค์ที่มีพารามิเตอร์แอ็กทีฟ 3.8B ในงานด้านเอเจนต์ ซึ่งเป็นสิ่งที่มันถูกสร้างขึ้นมาเพื่อทำ แบบที่สองคือคอลัมน์ Gemma 4 26B A4B ดูอ่อนผิดปกติในทุกด้าน — พารามิเตอร์รวม 25.2B และพารามิเตอร์แอ็กทีฟ 3.8B กลับได้ต่ำกว่าโมเดลที่มีพารามิเตอร์แอ็กทีฟ 2.45B ในด้านการทำตามคำสั่ง การใช้เครื่องมือ และความรู้ ไม่ใช่สิ่งที่ตารางตระกูลโมเดลของ Google เองจะคาดการณ์ไว้ และเป็นการเตือนใจว่า harness ที่ใช้ร่วมกันไม่ได้ทำให้ benchmark เปรียบเทียบกันได้ หากโมเดลถูกขับเคลื่อนด้วยการตั้งค่าการสร้างและการพรอมป์ต์ที่ต่างกัน ให้ถือว่าทิศทางของแถวเหล่านี้เป็นข้อมูลที่บอกอะไรได้ และขนาดของมันไม่ใช่
สิ่งที่ไม่มีอยู่ในตารางเลยก็คือส่วนมัลติโมดัลของ Gemma 4 26B A4B การวัดประสิทธิภาพด้านภาพเป็นไปไม่ได้ในที่นี้ เพราะ LFM2.5-24B-A2B มองไม่เห็น หากส่วนใดส่วนหนึ่งของเวิร์กโหลดของคุณเกี่ยวข้องกับภาพที่มาจากผู้ใช้ การเปรียบเทียบนี้ก็มีผู้ชนะตั้งแต่ก่อนจะเริ่ม และผู้ชนะนั้นไม่ใช่โมเดลที่ใหม่กว่า
ราคา และค่าใช้จ่ายในการถือครองจริงของแต่ละรายการ
LFM2.5-24B-A2B มีราคาต่อโทเคน: $0.10 ต่อโทเคนอินพุตหนึ่งล้านโทเคน ($0.05 สำหรับแคช) และ $1.00 ต่อเอาต์พุตหนึ่งล้านโทเคนบน Console ของ Liquid เอง พร้อมเครดิต $2 สำหรับเริ่มต้น ส่วน Gemma 4 26B A4B ไม่มีราคาตามรายการของผู้จำหน่ายเลย — Google ไม่ได้ประกาศไว้เลย — ดังนั้นตัวเลขต้นทุนที่น่าเชื่อถือเพียงอย่างเดียวคือราคาที่แพลตฟอร์มซึ่งโฮสต์เวตแบบเปิดเรียกเก็บ ซึ่งแตกต่างกันไปตามโฮสต์และแต่ละวัน
ความไม่สมมาตรนี้เองคือเหตุผลที่ควรต่อผ่านเราเตอร์ แทนที่จะลาก endpoint ของผู้ให้บริการรายใดรายหนึ่งเข้ามาผูกกับโค้ดของคุณ เรื่องเรขาคณิตไว้ก่อน นี่คือจุดที่การมีเช็กเอาต์ของทั้งสองฝ่ายสำคัญ: เราให้บริการเช็กพอยต์ Gemma 4 26B A4B ภายใต้สอง id — google/gemma-4-26b-a4b-it และ obsidian/gemma-4-26B-A4B — และราคาอ้างอิงทั้งสองรายการที่ Liquid ใช้ในตารางของมัน qwen/qwen3.6-35b-a3bซึ่งรวมถึงตัวนี้ด้วย อยู่หลังคีย์เดียว โดยบวกเพิ่ม 0% จากราคาที่ผู้ให้บริการตั้งไว้ เราไม่ให้บริการ LFM2.5-24B-A2B ฉะนั้นเวอร์ชันใช้งานจริงของหน้านี้คือ: ดึงเช็กพอยต์ Liquid ลงมาแล้วรันในเครื่องของคุณ และเรียกทั้งขนาด Gemma 4 และเบสไลน์ Qwen ผ่านคีย์เดียวกันระหว่างที่คุณยังตัดสินใจอยู่ คุณจะได้เปรียบเทียบบนงานของคุณเอง ไม่ใช่บนการเลือกฮาร์เนสของฝ่ายใดฝ่ายหนึ่ง


อันไหน และเมื่อคำถามนั้นเกี่ยวกับเครื่องของคุณจริง ๆ
ถ้างานของคุณเป็นข้อความ และเอเจนต์ของคุณต้องวางแผน เรียกใช้เครื่องมือ และอธิบายตัวเอง เช็กพอยต์ที่ใหม่กว่าคือตัวที่ควรดาวน์โหลด: 14.5 GB ที่ Q4_K_M, บริบท 131K, การให้เหตุผลแบบชัดแจ้ง และตาราง benchmark ที่มันชนะแถว agentic เหนือคู่ต่อสู้รายนี้โดยตรง ถ้างานใด ๆ ของคุณเกี่ยวข้องกับรูปภาพ หรือคุณต้องการบริบท 256K แทน 128K หรือคุณต้องการสัญญาอนุญาต Apache 2.0 ที่ไม่มีข้อกำหนดเรื่องรายได้ให้ต้องติดตาม Gemma 4 26B A4B ตอบคำถามที่ LFM2.5-24B-A2B ไม่ได้ถามด้วยซ้ำ — ด้วยขนาดพื้นที่บนดิสก์แบบไม่บีบอัดที่ประมาณสามเท่าครึ่ง
สิ่งที่โมเดลทั้งสองไม่ได้แก้ไขก็คือ ทั้งคู่มีข้อจำกัดด้านหน่วยความจำมากกว่าด้านการประมวลผล และผู้ขายทั้งสองรายต้องถูกตีความในแบบเดียวกัน โพสต์เปิดตัวตระกูลของ Google อธิบายขนาดที่ใหญ่กว่าสองขนาดของ Gemma 4 ว่าเป็นน้ำหนัก bfloat16 ที่ "พอดีได้อย่างมีประสิทธิภาพบน GPU NVIDIA H100 ขนาด 80GB เพียงตัวเดียว" — จริง และยังเป็นกรอบการนำเสนอของผู้ขายเองมากกว่าจะเป็นการวัดบิลด์เฉพาะนี้ อัตรา 184 โทเคนต่อวินาทีของ Liquid บน Apple M5 Max และ "เร็วกว่า MoE ที่เทียบเคียงได้บนอุปกรณ์ได้ถึง 1.7×" ก็ไม่มีการทำซ้ำผลให้ยืนยันเช่นกัน โมเดลแบบ sparse สองตัว ผู้ขายสองราย บทเรียนร่วมกันหนึ่งข้อ: เลขคณิตในชื่อบอกคุณเกี่ยวกับความเร็ว และไม่มีสิ่งใดในชื่อบอกคุณเกี่ยวกับหน่วยความจำ
การเปรียบเทียบแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ได้รับการรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งเป็นของตนเอง
