การ์ดชื่อเรื่องแบบฮีโร่ที่มีข้อความ 'LFM2.5-24B-A2B vs Gemma 4 26B-A4B' พร้อมคำโปรย 'สองโมเดลแบบสแปร์ส สองงบประมาณที่ต่างกัน' และแผงที่มีป้ายกำกับสองแผงซึ่งมีข้อความ 'LFM2.5-24B-A2B: ทั้งหมด 24.0B, ใช้งาน 2.45B, ข้อความเท่านั้น' และ 'Gemma 4 26B A4B: ทั้งหมด 25.2B, ใช้งาน 3.8B, ข้อความ + รูปภาพ' โดยมีโลโก้ OrcaRouter วางซ้อนไว้ที่มุมขวาล่าง
Guides & Insights

LFM2.5-24B-A2B vs Gemma 4 26B-A4B: สองโมเดลแบบสแปร์ส สองทฤษฎีที่แตกต่างกันว่ากำลังประมวลผลไปอยู่ตรงไหน

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

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

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.

• 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 G​oogle 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 Q​wen ผ่านคีย์เดียวกันระหว่างที่คุณยังตัดสินใจอยู่ คุณจะได้เปรียบเทียบบนงานของคุณเอง ไม่ใช่บนการเลือกฮาร์เนสของฝ่ายใดฝ่ายหนึ่ง

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.

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

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube