LFM2.5-24B-A2B vs Gemma 4 12B: Tác nhân thưa đối đầu với mô hình đa phương thức dày đặc

của Liquid AILFM2.5-24B-A2Bcủa G​oogle DeepMindG​emma 4 12Blà hai checkpoint trọng số mở mà rất có thể đang cùng nằm trong hàng đợi tải về của bạn trong tháng này, và chúng được tiếp cận từ hai hướng hoàn toàn trái ngược. LFM2.5-24B-A2B ra mắt ngày 13 tháng 10 năm 2026, mang 24,0 tỷ tham số nhưng mỗi token chỉ đọc 2,45 tỷ tham số, văn bản vào và văn bản ra, ngữ cảnh 131.072 token, cùng một bảng benchmark được xây dựng hoàn toàn xoay quanh việc sử dụng công cụ. G​emma 4 12B ra mắt ngày 3 tháng 6 năm 2026 dưới dạng một mô hình dense 11,95 tỷ tham số, đọc được văn bản, hình ảnh và âm thanh rồi viết ra văn bản, theo giấy phép Apache 2.0, không kèm bất kỳ giới hạn doanh thu nào. Một cái là cỗ máy agent chuyên dụng chạy trên chính chiếc laptop bạn đã có sẵn. Cái còn lại là một mô hình đa dụng biết nhìn và biết nghe, chạy trên cùng chiếc laptop đó với khoảng 7 GB, và đi kèm một giấy phép mà bạn không bao giờ phải đọc lại lần thứ hai.

Vậy câu hỏi mà trang này trả lời không phải là “cái nào tốt hơn”, bởi vì chúng chưa từng được tạo ra cho cùng một công việc. Nó hẹp hơn và hữu ích hơn: nếu bạn đang đặt một tác nhân riêng tư trên một máy mà bạn kiểm soát, bạn sẽ tải xuống cái nào trong hai cái này, và dù chọn cách nào thì bạn phải từ bỏ điều gì?

Câu trả lời trong một đoạn văn, dành cho những người đã biết mình muốn gì

Chọn LFM2.5-24B-A2B nếu agent thực hiện gọi công cụ nhiều bước và không làm gì khác — các con số agentic của chính nhà cung cấp vượt xa G​emma 4 12B trên một số ít hàng đủ tương đồng để đặt cạnh nhau, và mô hình luôn tạo ra một dấu vết suy luận rõ ràng trước khi hành động. Chọn G​emma 4 12B nếu tác vụ liên quan đến ảnh chụp màn hình, tài liệu được chụp ảnh, trang được quét hoặc đoạn clip âm thanh, nếu bạn muốn tắt dấu vết suy luận để giảm độ trễ, hoặc nếu công ty bạn ở gần mốc doanh thu 10 triệu đô la nơi giấy phép của Liquid không còn miễn phí. Đọc tiếp nếu bạn muốn những con số đằng sau hai câu đó, vì một phần không nhỏ của cuộc so sánh phụ thuộc vào cách hai nhà cung cấp đo lường.

Nơi hai điểm kiểm tra thực sự khác biệt

• Kinh tế tham số — LFM2.5-24B-A2B là mô hình hỗn hợp chuyên gia: tổng cộng 24,0B, 2,45B hoạt động trên mỗi token, 64 chuyên gia với định tuyến top-4 trên 40 lớp (30 khối tích chập ngắn có cổng kép, 10 lớp attention truy vấn nhóm). G​emma 4 12B là mô hình dày đặc: tổng cộng 11,95B trên 48 lớp, mọi tham số đều được đọc ở mỗi token.

• Những gì vừa trên đĩa — Liquid phát hành bản Q4_K_M GGUF ở 14,5 GB và bản QAT QAD-Q4_0 ở 13,6 GB, cùng bản dựng MLX 4-bit ở 13,6 GB; 48 GB ở BF16. QAT GGUF của Google cho bản 12B có khoảng 6,98 GB trọng số cộng với tệp chiếu đa phương thức 0,18 GB, và các bản dựng cộng đồng Unsloth chạy từ khoảng 4,2 GB ở 2-bit đến 7,12 GB ở Q4_K_M.

• Ngữ cảnh — 131.072 token cho LFM2.5-24B-A2B, gấp đôi mức 32.768 của thế hệ trước. Gemma 4 12B mang 256K (262.144), với cửa sổ trượt 1.024 token và cơ chế attention lai xen kẽ các lớp cục bộ và toàn cục.

• Phương thức — LFM2.5-24B-A2B chỉ xử lý văn bản, và đó là chủ ý có tính toán. G​emma 4 12B tiếp nhận văn bản, hình ảnh và âm thanh, mà hoàn toàn không có bộ mã hoá đa phương thức nào: các mảng điểm ảnh thô và dạng sóng âm thanh được chiếu thẳng vào cùng không gian với các token văn bản.

• Hành vi suy luận — theo cách diễn đạt của nhà cung cấp, LFM2.5-24B-A2B chỉ thuần suy luận: nó luôn suy nghĩ bên trong một khối <think> trước khi trả lời. Thẻ của G​emma 4 12B mô tả một mô hình được tinh chỉnh theo chỉ dẫn, không có dấu vết bắt buộc, điều mà trên máy tính xách tay là một lợi thế về độ trễ nhưng lại mất đi tính minh bạch.

• Giấy phép — lfm1.0 được miễn phí tải về, tinh chỉnh và sử dụng cho mục đích thương mại với doanh thu hằng năm lên tới 10 triệu USD, vượt mức đó thì phải áp dụng giấy phép thương mại. Gemma 4 12B dùng Apache 2.0 và không có ngưỡng doanh thu; Điều khoản Sử dụng cùng Chính sách Sử dụng Bị cấm của Google nằm song hành với các trọng số như những tài liệu về mục đích sử dụng được chấp nhận, chứ không phải là các hạn chế trong giấy phép.

• Quy mô từ vựng và huấn luyện — LFM2.5-24B-A2B đã tăng từ vựng của mình từ 65K lên 128K nhờ mở rộng tokenizer tại chỗ và mở rộng quy mô tiền huấn luyện từ 17T lên 33T token, với 300B token huấn luyện trung gian ở ngữ cảnh đầy đủ cùng một giai đoạn RL dạng tác tử bên trong các harness thực tế. G​emma 4 12B mang bộ từ vựng 262K dùng chung cho cả họ mô hình và được tiền huấn luyện trên hơn 140 ngôn ngữ, với tuyên bố hỗ trợ sẵn dùng cho hơn 35 ngôn ngữ.

Phép đo chuẩn duy nhất mà cả hai nhà cung cấp đều thực hiện

So sánh hai bảng phóng khác nhau thường là một cái bẫy. Ở đây chỉ có đúng một hàng mà hai công ty đo cùng một thứ trên những tiêu chí có thể so sánh được, và nó đáng được tách riêng chính vì nó quá đơn độc.

GPQA Diamond — Liquid báo cáo 74,42 cho LFM2.5-24B-A2B; bảng về dòng G​emma 4 của G​oogle báo cáo 78,8 cho G​emma 4 12B đã được tinh chỉnh theo chỉ dẫn. Cả hai đều do nhà cung cấp tự công bố và chưa được tái lập. Bản dense 12B nhỉnh hơn ở các câu hỏi khoa học trình độ sau đại học, điều này khớp với chính cách Liquid mô tả rằng mô hình của họ không phải là lựa chọn để hỏi các câu hỏi kiến thức — bài đăng ra mắt khuyên nên kết hợp nó với truy xuất hoặc tìm kiếm trên web thay vì tin vào trọng số của nó.

Mọi thứ khác đều phải được đọc trong bảng riêng của nó, và tóm tắt trung thực là hai bảng đo gần như những thứ không giao nhau. Bảng gồm mười sáu benchmark của Liquid bao gồm AutomationBench (27.69), BFCLv4 (65.01), ToolSandbox (80.71), LiveClaw (48.09), PinchBench (83.18), τ³-Bench Banking (8.04), WebArena Verified (26.75), IFEval (96.75), IFBench (74.69), Multi-IF (84.38), MATH-500 (96.04), SWE-Bench Verified qua OpenCode (51.00), SciCode (32.71), AA-Omniscience (−24.90) và HLE (7.40). Bảng dòng mô hình của Google bao gồm MMLU Pro (77.2), AIME 2026 không dùng công cụ (77.5), LiveCodeBench v6 (72.0), ELO Codeforces là 1659, MMMU Pro (69.1) và MRCR v2 ở 128K với tám needle (43.4).

Chỉ có một điểm giao nhau duy nhất, và không hề có khung kiểm thử chung. Bất kỳ ai công bố một bảng điểm tổng hợp từ hai bảng đó đều đang tự bịa ra một phép so sánh mà cả hai công ty đều chưa từng chạy.

Một cách độc lập, và đây chính là điểm sắc bén hơn.

Artificial Analysis đã chấm điểm Gemma 4 12B: Chỉ số Thông minh là 14, xếp thứ 20 trong số 141 mô hình trong nhóm so sánh của nó, với tốc độ đo được 110,9 token mỗi giây và chi phí kết hợp từ bên thứ ba là 0,10 USD cho mỗi triệu token đầu vào và 0,30 USD cho mỗi triệu token đầu ra. Đó là những con số độc lập về một mô hình đã công khai được bốn tháng và có một hệ sinh thái đứng sau.

LFM2.5-24B-A2B không có gì tương đương. Nó mới ra đời được một ngày, chưa có bên thứ ba nào công bố điểm số, và những con số hiệu năng biên của chính Liquid — 184 token/giây trên Apple M5 Max, 114 trên AMD Ryzen AI Max+ 395, "nhanh hơn tới 1,7× so với các MoE tương đương trên thiết bị" — đều không có đường cơ sở và không có khả năng tái lập. Với một mô hình do nhà cung cấp đo so với một mô hình được đo độc lập, sự bất đối xứng chính là phát hiện: một trong hai con số này bạn có thể tự kiểm chứng ngay hôm nay, và đó không phải là con số mới hơn.

Nếu bạn không muốn đặt cược một đường chạy production vào một bảng nhà cung cấp mới bốn ngày tuổi, thì đó chính xác là mục đích của cơ chế chuyển đổi dự phòng tự động. Hãy trỏ agent vào LFM2.5-24B-A2B, giữ một mô hình đã được chấm điểm phía sau nó, và để router chuyển yêu cầu khi harness bắt đầu lỗi — không cần hợp đồng thứ hai, không cần thay đổi mã nguồn ngoài danh sách dự phòng.

Chi phí, tính theo hai loại tiền tệ mà những thứ này hoạt động.

Cả hai đều là mô hình ưu tiên cục bộ (local-first), nên chi phí thực sự nằm ở phần cứng và điện năng. Về phía dịch vụ lưu trữ, Liquid niêm yết giá truy cập API là 0,10 USD cho mỗi triệu token đầu vào (0,05 USD nếu đã cache) và 1,00 USD cho mỗi triệu token đầu ra thông qua Console của riêng hãng, kèm 2 USD tín dụng khởi đầu. G​oogle hoàn toàn không công bố mức giá theo token nào cho G​emma 4 12B — mức kết hợp 0,10/0,30 USD ở trên là trung vị từ bên thứ ba trên các nền tảng phục vụ bộ trọng số mở, chứ không phải giá niêm yết, và coi nó như giá niêm yết sẽ là sai.

Đây là phần quan trọng đối với một nhóm đang đánh giá cả hai: hiện tại, cả hai checkpoint đều chưa có trong danh mục của chúng tôi. Chúng tôi có phục vụ những điểm tham chiếu mà quyết định này cứ xoay quanh — qwen/qwen3.6-35b-a3b, mô hình mà Liquid đã đo đối chiếu, với số tham số nhiều hơn gấp rưỡi, cộng với google/gemma-4-26b-a4b-it, obsidian/gemma-4-26B-A4B và google/gemma-4-31b-it từ cùng dòng G​emma 4 — tất cả đều dùng chung một khóa, tất cả đều ở mức markup 0% trên giá niêm yết của chính nhà cung cấp, nên thay đổi giá từ nhà cung cấp đến với bạn ngay ngày nó thay đổi, chứ không phải vào ngày ai đó ký lại hợp đồng. Hãy chạy tác vụ của riêng bạn với các kích cỡ G​emma 4 được host, rồi quyết định xem mẫu 12B trên laptop của bạn có dư thừa không.

Điều tôi thực sự sẽ làm

Tải xuống cả hai bản lượng tử hóa. Gemma 4 12B ở Q4_K_M có dung lượng khoảng 7 GB và sẽ cho bạn biết trong một giờ liệu tác vụ của bạn có cần mắt và tai hay không — nếu có, quyết định đã ngã ngũ và LFM2.5-24B-A2B hoàn toàn không nằm trong cuộc đua, vì nó không thể nhìn. Nếu không, hãy nạp LFM2.5-24B-A2B QAD-Q4_0 ở 13.6 GB và chạy harness thực của bạn với nó, vì toàn bộ lập luận cho checkpoint đó là gọi công cụ đa bước và không có benchmark tĩnh nào giải quyết được điều đó cho các công cụ của bạn.

Hai điều cần ghi nhớ trong khi bạn thực hiện. Thứ nhất, bảng của cả hai nhà cung cấp đều không được tái lập, và mô hình duy nhất được chấm điểm độc lập trong so sánh này là mô hình cũ hơn, dense hơn — đó là lý do để tin vào các con số của G​emma 4 12B hơn, chứ không phải lý do để cho rằng mô hình mới hơn yếu hơn. Thứ hai, khoảng cách về giấy phép là có thật và bất đối xứng theo cách hiếm khi xuất hiện trong các bài đăng benchmark: G​emma 4 12B là Apache 2.0 mãi mãi, trong khi LFM2.5-24B-A2B trở thành một cuộc thảo luận thương mại ngay khi công ty của bạn vượt mốc 10 triệu USD doanh thu. Với một nhà phát triển cá nhân, điều đó là vô hình. Với một nhóm sản phẩm đang phát hành một agent trên thiết bị, đó là một khoản mục trong chu kỳ lập kế hoạch tiếp theo, và đó là khía cạnh duy nhất mà mô hình nhỏ hơn, cũ hơn, đa phương thức rõ ràng là mặc định an toàn hơn.

Những so sánh như thế này cũng là nơi các kiểu lỗi lộ diện: những sự cố AI được ghi nhận và các lỗi của agent đằng sau những mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.