Gemma 4 26B A4B IT เป็นโมเดล Mixture-of-Experts (MoE) ที่ถูกปรับแต่งด้วยคำสั่งจาก Google DeepMind แม้ว่าจะมีพารามิเตอร์ทั้งหมด 25.2B แต่มีเพียง 3.8B ที่ทำงานต่อโทเคนระหว่างการอนุมาน — ให้คุณภาพใกล้เคียงกับ 31B ที่...
Gemma 4 26B A4B คือโมเดลแบบ Mixture-of-Experts ที่พัฒนาโดย Google โดยมีพารามิเตอร์รวม 26 พันล้านตัว แต่มีเพียง 4 พันล้านตัวที่ทำงานต่อโทเค็น—การออกแบบนี้ช่วยลดต้นทุนการคำนวณขณะที่ยังคงรักษาคุณภาพการให…
Gemma 4 26B A4B รองรับข้อความ รูปภาพ และวิดีโอเป็นข้อมูลนำเข้า รูปภาพสามารถส่งเป็นข้อมูลที่เข้ารหัส base64 หรือ URL วิดีโอสามารถส่งเป็น URL หรือลำดับของเฟรม (วัตถุรูปภาพ) โมเดลจะประมวลผลรูปแบบเหล่านี้ร่วมกัน ช่วยให้ทำงานต่างๆ เช่น การตอบคำถามด้วยภาพ การสรุปวิดีโอ และความเข้าใจแผนภาพ ไม่รองรับเสียง มีเพียงเนื้อหาภาพและข้อความเท่านั้น ผลลัพธ์เป็นข้อความเท่านั้น ความสามารถแบบหลายรูปแบบของโมเดลมีประโยชน์อย่างยิ่งสำหรับการวิเคราะห์เอกสารที่มีแผนภูมิ ภาพหน้าจอ หรือบันทึกวิดีโอ
หน้าต่างบริบทคือ 262,144 โทเค็น ซึ่งช่วยให้โมเดลสามารถประมวลผลลำดับข้อมูลที่ยาวมากในครั้งเดียว เช่น เอกสารจำนวน 200 หน้า วิดีโอที่ถอดเสียงเป็นเวลาหลายชั่วโมง หรือชุดภาพขนาดใหญ่พร้อมคำบรรยายประกอบ หน้าต่างบริบทที่ใหญ่ขึ้นช่วยลดความจำเป็นในการแบ่งเป็นส่วนย่อยและสรุปความ แต่ก็เพิ่มการใช้หน่วยความจำเช่นกัน ความยาวที่ใช้งานได้จริงจะขึ้นอยู่กับจำนวนโทเค็นนำเข้าทั้งหมด (โทเค็นข้อความ + โทเค็นรูปภาพ/วิดีโอ) โปรดระวังว่าการป้อนข้อมูลภาพและวิดีโอใช้โทเค็นจำนวนมาก โปรดดูเอกสารของ OrcaRouter สำหรับวิธีคำนวณจำนวนโทเค็นสำหรับข้อมูลที่ไม่ใช่ข้อความ
หากงานของคุณเป็นแบบข้อความล้วน ต้องการเพียงบริบทสั้น (ต่ำกว่า 8k โทเค็น) หรือไม่ต้องการอินพุตแบบหลายรูปแบบ ให้พิจารณาโมเดลที่มีขนาดเล็กกว่าหรือราคาถูกกว่า เช่น Gemma 3 4B หรือรุ่นที่ใช้ข้อความเท่านั้น Gemma 4 26B A4B มีราคาที่ $0.06 ต่อหนึ่งล้านโทเค็นอินพุต และ $0.33 ต่อหนึ่งล้านโทเค็นเอาต์พุต สำหรับการตอบคำถามหรือการจำแนกประเภทแบบง่าย โมเดลที่มีต้นทุนต่อโทเค็นต่ำกว่าอาจประหยัดกว่า การออกแบบ MoE ทำให้มีประสิทธิภาพเมื่อเทียบกับขนาดทั้งหมด แต่ไม่ใช่ตัวเลือกที่ถูกที่สุดใน OrcaRouter สำหรับงานที่เล็กน้อย
GPQA Diamond เป็นเกณฑ์วัดมาตรฐานของคำถามระดับบัณฑิตศึกษาแบบเลือกตอบจำนวน 448 ข้อในสาขาชีววิทยา ฟิสิกส์ และเคมี คะแนน 79.2 หมายความว่าโมเดลตอบถูก 79.2% ซึ่งบ่งชี้ถึงความสามารถในการใช้เหตุผลทางวิทยาศาสตร์และการดึงความรู้ที่แข็งแกร่ง เกณฑ์วัดนี้ถูกออกแบบให้ยากสำหรับ LLMs หลายตัว อย่างไรก็ตาม เกณฑ์วัดเดียวไม่สามารถจับทุกแง่มุมของคุณภาพโมเดลได้ ตัวอย่างเช่น ประสิทธิภาพของโมเดลในงานอื่นๆ เช่น การเขียนโค้ดหรือการเขียนเชิงสร้างสรรค์อาจแตกต่างกัน ใช้คะแนนนี้เป็นจุดข้อมูลหนึ่งเมื่อเปรียบเทียบโมเดลสำหรับงานการใช้เหตุผลทางวิทยาศาสตร์ที่คล้ายกัน
จุดแข็ง ได้แก่ ความเข้าใจแบบหลายรูปแบบ (multimodal) พร้อมบริบทขนาดใหญ่ ประสิทธิภาพของ MoE สำหรับขนาดของมัน และการให้เหตุผลที่แข็งแกร่งสำหรับคำถามทางวิทยาศาสตร์ตามที่ GPQA ระบุ ข้อจำกัดไม่ได้ถูกบันทึกไว้อย่างละเอียดครบถ้วน แต่เป็นเรื่องปกติของโมเดล MoE: ประสิทธิภาพอาจแตกต่างกันไปตามโดเมน และความจุที่มีประสิทธิภาพต่อโทเค็นถูกจำกัดด้วยพารามิเตอร์ที่ใช้งานจริง 4B โมเดลอาจมีปัญหาในการทำงานที่ต้องใช้ห่วงโซ่ตรรกะที่ลึกซึ้งมากหรือศัพท์เฉพาะทางโดเมนที่ไม่ได้แสดงไว้อย่างดีในข้อมูลฝึกอบรม ความหน่วงและปริมาณงานขึ้นอยู่กับฮาร์ดแวร์ที่ใช้งาน OrcaRouter ไม่รับประกันเมตริกความเร็วที่เฉพาะเจาะจง
OrcaRouter ไม่ได้เผยแพร่เกณฑ์มาตรฐานความหน่วงที่เป็นมาตรฐานสำหรับโมเดลนี้ ในฐานะที่เป็นโมเดล MoE, Gemma 4 26B A4B จะเปิดใช้งานพารามิเตอร์เพียงบางส่วนต่อโทเค็น ซึ่งทำให้การอนุมานเร็วขึ้นกว่าโมเดล dense 26B แต่อาจช้าลงเมื่อเทียบกับโมเดล dense ที่มีขนาดเล็กกว่า ประสิทธิภาพจริงขึ้นอยู่กับปัจจัยต่างๆ เช่น ขนาด batch, ความยาวของอินพุต, และประเภทของ GPU ที่ใช้แบ็คเอนด์ สำหรับแอปพลิเคชันแบบเรียลไทม์ ให้ทดสอบกับปริมาณงานเฉพาะของคุณ คุณอาจต้องพิจารณาข้อแลกเปลี่ยนระหว่างความหน่วงและต้นทุน — การใช้โมเดลที่เล็กกว่าอาจช่วยเพิ่มความเร็วด้วยต้นทุนที่ต่ำกว่า
ราคาอยู่ที่ $0.06 ต่อ 1 ล้าน tokens ขาเข้า และ $0.33 ต่อ 1 ล้าน tokens ขาออก นี่คืออัตราที่เรียกเก็บโดยผู้ให้บริการ (Google) และส่งผ่านโดย OrcaRouter โดยไม่มีส่วนเพิ่ม หมายความว่าคุณจ่ายตามอัตราของผู้ให้บริการพอดี—OrcaRouter ไม่มีค่าธรรมเนียมเพิ่มเติม Tokens จะถูกนับอย่างสม่ำเสมอทั่วทั้งแพลตฟอร์ม รูปภาพและเฟรมวิดีโอจะถูกแปลงเป็น tokens ตามข้อกำหนดโมเดลของ Google สำหรับคำถามแบบ multimodal ทั่วไปที่มีรูปภาพสองสามรูป tokens ขาเข้าอาจครอบงำ ทำให้ราคาขาเข้าเป็นปัจจัยหลักด้านต้นทุน
OrcaRouter อาจมีกลไกการแคชสำหรับคำนำหน้าหรือเทมเพลตพรอมต์ที่ใช้ซ้ำ ซึ่งสามารถลดการใช้โทเค็นและลดต้นทุนได้ อย่างไรก็ตาม ส่วนลดการแคชเฉพาะไม่ได้รับการรับประกันสำหรับรุ่นนี้และขึ้นอยู่กับรูปแบบการใช้งานของคุณ ไม่มีระดับราคาแบบแบตช์แยกต่างหากที่เผยแพร่สำหรับ Gemma 4 26B A4B สำหรับปริมาณงานสูง โปรดติดต่อฝ่ายสนับสนุนของ OrcaRouter เพื่อหารือเกี่ยวกับส่วนลดที่อาจเป็นไปได้ เช่นเดียวกับทุกรุ่นบนแพลตฟอร์ม คุณจะถูกเรียกเก็บเงินเฉพาะสิ่งที่คุณใช้—โทเค็นอินพุตและเอาต์พุต—โดยไม่มีค่าธรรมเนียมรายเดือนหรือภาระผูกพันขั้นต่ำ
เมื่อพิจารณาโครงสร้างราคา ต้นทุนทั้งหมดจะขึ้นอยู่กับจำนวนและประเภทของโทเค็นที่คุณส่งและรับ อินพุตแบบหลายรูปแบบ (โดยเฉพาะวิดีโอ) สามารถใช้โทเค็นอินพุตจำนวนมากเนื่องจากแต่ละเฟรมถูกเข้ารหัส สำหรับวิดีโอระยะยาว ต้นทุนอินพุตอาจสูงกว่าต้นทุนเอาต์พุต หากงานของคุณเน้นเอาต์พุต (เช่น การสร้างรายงานยาว) ราคาเอาต์พุต ($0.33/M) จะสูงกว่าอินพุต ให้ประเมินอัตราส่วนโทเค็นที่คาดหวังของคุณ สำหรับงานที่สามารถแก้ไขได้ด้วยโมเดลที่ใช้ข้อความเท่านั้นที่ราคาถูกกว่า ความแตกต่างของต้นทุนอาจมีนัยสำคัญ ใช้เครื่องมือนับโทเค็นของ OrcaRouter เพื่อประมาณการ
ตั้งค่า base URL เป็น https://api.orcarouter.ai/v1 และใช้รหัสโมเดล google/gemma-4-26b-a4b-it ส่งคำขอ POST ไปยัง /chat/completions ด้วยสคีมา OpenAI มาตรฐาน สำหรับอินพุตแบบหลายรูปแบบ ให้รวมอาร์เรย์ของอ็อบเจกต์เนื้อหา โดยฟิลด์ type ตั้งค่าเป็น 'text', 'image_url' หรือ 'video_url' ตัวอย่าง: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }] API จะส่งคืนการตอบสนอง chat completion
คุณสามารถใช้พารามิเตอร์มาตรฐานของ OpenAI เช่น temperature, top_p, max_tokens, stop, frequency_penalty และ presence_penalty นอกจากนี้ OrcaRouter ยังรองรับพารามิเตอร์เฉพาะของผู้ให้บริการผ่านฟิลด์ 'provider' ใน request body (ไม่จำเป็นสำหรับโมเดลนี้) โมเดลรองรับการสตรีมโดยตรงโดยตั้งค่า stream=true สำหรับเอาต์พุตที่มีโครงสร้าง ให้ใช้พารามิเตอร์ 'response_format' โดยมี type เป็น 'json_object' หรือ JSON schema ดูเอกสารของ OrcaRouter สำหรับพารามิเตอร์เพิ่มเติมเช่น 'reasoning_effort' — ถึงแม้ว่าจะไม่ได้ระบุไว้สำหรับโมเดลนี้
การเปลี่ยนจาก API ที่เข้ากันได้กับ OpenAI อื่นนั้นตรงไปตรงมา: เปลี่ยน base URL เป็น https://api.orcarouter.ai/v1 และตั้งค่า model เป็น google/gemma-4-26b-a4b-it โครงสร้าง prompt, พารามิเตอร์, และ SDK client ที่มีอยู่ของคุณเข้ากันได้ เนื่องจาก OrcaRouter ใช้ schema เดียวกัน หากคุณใช้ SDK ของผู้ให้บริการรายอื่น คุณอาจต้องอัปเดต endpoint และการรับรองความถูกต้อง OrcaRouter ใช้ API keys แทน OAuth; รวมคีย์ของคุณในส่วนหัว Authorization เป็น 'Bearer YOUR_KEY' ทดสอบด้วยคำขอเล็กๆ ก่อน
Gemma 4 26B A4B เป็นโมเดล MoE แบบมัลติโมดัลที่ใหม่กว่า มีบริบท 262k และคะแนน GPQA Diamond 79.2 ในขณะที่ Gemma 3 8B เป็นโมเดลหนาแน่นขนาดเล็ก (พารามิเตอร์ 8B) ที่มีหน้าต่างบริบท 128k และไม่รองรับวิดีโอในตัว Gemma 3 8B ถูกกว่าในด้านโทเค็นอินพุต (โดยทั่วไป $0.05-0.10 ต่อล้านอินพุต) แต่อาจไม่เทียบเท่าคุณภาพการให้เหตุผลในคำถามวิทยาศาสตร์ยาก สำหรับงานที่เกี่ยวข้องกับวิดีโอหรือเอกสารยาวมาก Gemma 4 26B A4B เป็นตัวเลือกที่ชัดเจน สำหรับงานเฉพาะข้อความที่มีบริบทปานกลาง Gemma 3 8B อาจเพียงพอและคุ้มค่ากว่า
Llama 3.1 70B เป็นโมเดลแบบหนาแน่น (dense model) ที่มีพารามิเตอร์ 70B และบริบท 128k ไม่รองรับ multimodal สำหรับวิดีโอโดยธรรมชาติ (แม้จะประมวลผลรูปภาพได้) Gemma 4 26B A4B ใช้ MoE เพื่อเปิดใช้งานเพียง 4B พารามิเตอร์ต่อ token ซึ่งอาจให้การอนุมานที่เร็วกว่าโมเดล Llama ที่ใหญ่กว่ามาก บน GPQA Diamond, Gemma 4 26B A4B ได้คะแนน 79.2; Llama 3.1 70B ได้คะแนนประมาณ 65-70 (ไม่สามารถเปรียบเทียบโดยตรงได้เนื่องจากความแตกต่างของเวอร์ชัน benchmark) Llama 3.1 70B อาจมีต้นทุนต่อ input token สูงกว่า (ประมาณ $0.35 ต่อล้าน input) สำหรับสถานการณ์ multimodal และบริบทยาว Gemma 4 อาจมีประสิทธิภาพมากกว่า
GPT-4o เป็นโมเดล dense แบบ proprietary จาก OpenAI ที่รองรับ multimodal และมีหน้าต่างบริบท 128k (มาตรฐาน) และสูงถึง 1M สำหรับบางเวอร์ชัน ราคาของมันสูงกว่าอย่างมีนัยสำคัญ (เช่น $2.50 ต่อหนึ่งล้าน input tokens สำหรับ GPT-4o) Gemma 4 26B A4B เป็นโมเดล open-weight และสามารถใช้งานผ่าน OrcaRouter ในราคาที่ต่ำกว่ามาก ($0.06/$0.33) ประสิทธิภาพบน GPQA Diamond สำหรับ GPT-4o ไม่สามารถเปรียบเทียบโดยตรงได้ แต่โดยทั่วไปแล้วสูงกว่า อย่างไรก็ตาม สำหรับแอปพลิเคชันที่ไวต่อต้นทุนซึ่งไม่จำเป็นต้องใช้การคิดเชิง frontier-level Gemma 4 26B A4B มีอัตราส่วนราคาต่อประสิทธิภาพที่ดี การจัดการข้อมูลแตกต่างกัน: Gemma 4 มาจาก Google พร้อมข้อกำหนดความเป็นส่วนตัวที่แยกต่างหาก
เมื่อเทียบกับโมเดล MoE แบบ open-weight อื่นๆ เช่น Mixtral 8x7B (รวม 46.7B, ทำงาน 12.9B) หรือ Qwen2.5-72B-A3B (รวม 72B, ทำงาน 3B) แล้ว Gemma 4 26B A4B นำเสนอการผสมผสานที่ไม่เหมือนใคร: หน้าต่างบริบท 262k, รองรับ multimodal เต็มรูปแบบ (ภาพ+วิดีโอ), และคะแนน GPQA Diamond ที่เผยแพร่ที่ 79.2 Mixtral 8x7B มีบริบท 32k และไม่รองรับวิดีโอ Qwen2.5-72B-A3B มีบริบท 128k และรองรับข้อความแต่ไม่รองรับวิดีโอ จำนวนพารามิเตอร์ที่ทำงาน 4B นั้นเทียบได้กับโมเดล MoE ขนาดเล็กอื่นๆ แต่สถาปัตยกรรมเฉพาะของ Gemma 4—ที่ฝึกโดย Google และปรับแต่งละเอียดเพื่อการทำตามคำสั่ง—อาจทำให้ได้เปรียบในงาน multimodal และงานทางวิทยาศาสตร์
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="google/gemma-4-26b-a4b-it",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_ppresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p| อินพุต / 1M โทเค็น | $0.060 |
| เอาต์พุต / 1M โทเค็น | $0.330 |
| อ่านแคช / 1M | $0.0075 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/google/gemma-4-26b-a4b-itเปิด @misc{orcarouter_gemma_4_26b_a4b_it,
title = {Gemma 4 26B A4B API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemma-4-26b-a4b-it}
}Google. (2026). Gemma 4 26B A4B API. OrcaRouter. https://www.orcarouter.ai/models/google/gemma-4-26b-a4b-it