Gemma 4 26B A4B IT là một mô hình Hỗn hợp chuyên gia (MoE) được tinh chỉnh theo hướng dẫn từ Google DeepMind. Mặc dù có tổng cộng 25,2B tham số, nhưng chỉ có 3,8B được kích hoạt cho mỗi token trong quá trình suy luận — mang lại chất lượng gần với mô hình 31B với...
Gemma 4 26B A4B là một mô hình Hỗn hợp Chuyên gia (Mixture-of-Experts) do Google phát triển. Mô hình có tổng cộng 26 tỷ tham số nhưng chỉ có 4 tỷ được kích hoạt mỗi token — thiết kế này giúp giảm chi…
Gemma 4 26B A4B chấp nhận đầu vào là văn bản, hình ảnh và video. Hình ảnh có thể được cung cấp dưới dạng dữ liệu mã hóa base64 hoặc URL. Video có thể được cung cấp dưới dạng URL hoặc dưới dạng một chuỗi các khung hình (các đối tượng hình ảnh). Mô hình xử lý đồng thời các phương thức này, cho phép thực hiện các tác vụ như trả lời câu hỏi trực quan, tóm tắt video và hiểu sơ đồ. Âm thanh không được hỗ trợ; chỉ có nội dung hình ảnh và văn bản. Đầu ra chỉ là văn bản. Khả năng đa phương thức của mô hình đặc biệt hữu ích cho việc phân tích các tài liệu có chứa biểu đồ, ảnh chụp màn hình hoặc bản ghi video.
Ngữ cảnh (context window) là 262.144 token. Điều này cho phép mô hình xử lý các chuỗi rất dài trong một lần duy nhất—ví dụ, một tài liệu 200 trang, nhiều giờ video đã được phiên âm, hoặc một tập lớn các hình ảnh kèm chú thích mô tả. Ngữ cảnh lớn hơn giảm nhu cầu phân đoạn (chunking) và tóm tắt (summarization), nhưng cũng làm tăng mức sử dụng bộ nhớ. Độ dài thực tế bạn có thể sử dụng sẽ phụ thuộc vào tổng số token đầu vào (token văn bản + token hình ảnh/video). Hãy lưu ý rằng đầu vào hình ảnh và video tiêu tốn nhiều token; tham khảo tài liệu của OrcaRouter để biết cách tính số lượng token cho các đầu vào phi văn bản.
Nếu nhiệm vụ của bạn chỉ dựa trên văn bản, yêu cầu ngữ cảnh ngắn (dưới 8k token) hoặc không cần đầu vào đa phương thức, hãy cân nhắc sử dụng mô hình nhỏ hơn hoặc rẻ hơn—ví dụ Gemma 3 4B hoặc biến thể chỉ văn bản. Gemma 4 26B A4B có giá $0,06 cho một triệu token đầu vào và $0,33 cho một triệu token đầu ra. Đối với các tác vụ trả lời câu hỏi hoặc phân loại đơn giản, các mô hình có chi phí trên mỗi token thấp hơn có thể tiết kiệm hơn. Thiết kế MoE giúp nó hiệu quả so với kích thước tổng thể, nhưng không phải là lựa chọn rẻ nhất có sẵn trên OrcaRouter cho các tác vụ tối thiểu.
GPQA Diamond là một chuẩn đánh giá gồm 448 câu hỏi trắc nghiệm trình độ sau đại học trong các lĩnh vực sinh học, vật lý và hóa học. Điểm số 79,2 có nghĩa là mô hình đã trả lời đúng 79,2% số câu hỏi. Điều này cho thấy khả năng suy luận khoa học và truy xuất kiến thức mạnh mẽ. Chuẩn đánh giá này được thiết kế để gây khó khăn cho nhiều mô hình ngôn ngữ lớn. Tuy nhiên, một chuẩn đánh giá duy nhất không thể phản ánh hết mọi khía cạnh chất lượng của mô hình. Ví dụ, hiệu suất của mô hình trên các tác vụ khác như lập trình hoặc viết sáng tạo có thể khác biệt. Sử dụng điểm số này như một dữ liệu tham khảo khi so sánh các mô hình cho các tác vụ suy luận khoa học tương tự.
Những điểm mạnh bao gồm khả năng hiểu đa phương thức với ngữ cảnh lớn, hiệu suất MoE tương xứng với kích thước và khả năng suy luận mạnh mẽ về các câu hỏi khoa học theo chỉ số GPQA. Các hạn chế chưa được ghi chép đầy đủ nhưng là điển hình của các mô hình MoE: hiệu suất có thể thay đổi theo từng lĩnh vực và dung lượng hiệu quả trên mỗi token bị giới hạn bởi 4B tham số hoạt động. Mô hình có thể gặp khó khăn với các tác vụ yêu cầu chuỗi logic cực kỳ sâu hoặc thuật ngữ chuyên ngành chưa được thể hiện tốt trong dữ liệu huấn luyện. Độ trễ và thông lượng phụ thuộc vào phần cứng triển khai; OrcaRouter không đảm bảo các chỉ số tốc độ cụ thể.
OrcaRouter không công bố các chuẩn đo độ trễ tiêu chuẩn cho mô hình này. Là một mô hình MoE, Gemma 4 26B A4B chỉ kích hoạt một tập con tham số trên mỗi token, điều này có thể khiến quá trình suy luận nhanh hơn so với mô hình dense 26B nhưng có thể chậm hơn so với một mô hình dense nhỏ hơn. Hiệu suất thực tế phụ thuộc vào các yếu tố như kích thước batch, độ dài đầu vào và loại GPU backend. Đối với các ứng dụng thời gian thực, hãy kiểm tra với khối lượng công việc cụ thể của bạn. Bạn cũng có thể cân nhắc sự đánh đổi giữa độ trễ và chi phí—sử dụng mô hình nhỏ hơn có thể cải thiện tốc độ với chi phí thấp hơn.
Giá là $0.06 cho mỗi 1 triệu token đầu vào và $0.33 cho mỗi 1 triệu token đầu ra. Đây là các mức giá được nhà cung cấp (Google) tính và được OrcaRouter chuyển tiếp mà không có phụ phí. Điều đó có nghĩa là bạn trả chính xác mức giá của nhà cung cấp—OrcaRouter không thêm bất kỳ khoản phụ phí nào. Các token được đếm một cách nhất quán trên toàn nền tảng; hình ảnh và khung hình video được token hóa theo thông số kỹ thuật mô hình của Google. Đối với một truy vấn đa phương thức điển hình với một vài hình ảnh, token đầu vào có thể chiếm ưu thế, khiến giá đầu vào trở thành yếu tố chi phí chính.
OrcaRouter có thể cung cấp cơ chế lưu cache cho các tiền tố hoặc mẫu prompt lặp lại, giúp giảm tiêu thụ token và hạ chi phí. Tuy nhiên, các khoản giảm giá cụ thể cho cache không được đảm bảo cho mô hình này và phụ thuộc vào cách sử dụng của bạn. Không có gói giá theo lô riêng biệt nào được công bố cho Gemma 4 26B A4B. Đối với khối lượng công việc lớn, hãy liên hệ bộ phận hỗ trợ của OrcaRouter để thảo luận về các khoản giảm giá tiềm năng. Như với tất cả các mô hình trên nền tảng, bạn chỉ bị tính phí cho những gì bạn sử dụng—token đầu vào và đầu ra—không có phí hàng tháng hoặc cam kết tối thiểu.
Với cấu trúc giá như vậy, tổng chi phí phụ thuộc vào số lượng và loại token bạn gửi và nhận. Đầu vào đa phương thức (đặc biệt là video) có thể sử dụng nhiều token đầu vào vì mỗi khung hình đều được mã hóa. Đối với video dài, chi phí đầu vào có thể vượt quá chi phí đầu ra. Nếu tác vụ của bạn thiên về đầu ra (ví dụ: tạo báo cáo dài), giá đầu ra ($0,33/M) cao hơn đầu vào. Hãy đánh giá tỷ lệ token dự kiến của bạn. Đối với các tác vụ có thể giải quyết bằng mô hình chỉ dùng văn bản rẻ hơn, sự chênh lệch chi phí có thể rất đáng kể. Sử dụng công cụ đếm token của OrcaRouter để ước tính.
Đặt URL cơ sở thành https://api.orcarouter.ai/v1 và sử dụng ID mô hình google/gemma-4-26b-a4b-it. Gửi một yêu cầu POST tới /chat/completions với schema OpenAI tiêu chuẩn. Đối với đầu vào đa phương thức, bao gồm một mảng các đối tượng nội dung với trường type được đặt là 'text', 'image_url' hoặc 'video_url'. Ví dụ: messages: [{ role: 'user', content: [{ type: 'text', text: 'Describe this video.' }, { type: 'video_url', video_url: { url: 'https://example.com/video.mp4' } }] }]. API sẽ trả về một phản hồi chat completion.
Bạn có thể sử dụng các tham số OpenAI tiêu chuẩn như temperature, top_p, max_tokens, stop, frequency_penalty và presence_penalty. Ngoài ra, OrcaRouter hỗ trợ các tham số dành riêng cho từng nhà cung cấp thông qua trường 'provider' tùy chọn trong phần thân yêu cầu (không bắt buộc đối với mô hình này). Mô hình hỗ trợ phát trực tuyến (streaming) nguyên bản bằng cách đặt stream=true. Để có đầu ra có cấu trúc, hãy sử dụng tham số 'response_format' với loại 'json_object' hoặc lược đồ JSON. Tham khảo tài liệu của OrcaRouter về bất kỳ tham số bổ sung nào như 'reasoning_effort'—mặc dù tham số đó không được liệt kê cho mô hình này.
Việc chuyển đổi từ API tương thích với OpenAI khác rất đơn giản: bạn chỉ cần đổi base URL thành https://api.orcarouter.ai/v1 và đặt model thành google/gemma-4-26b-a4b-it. Cấu trúc prompt, tham số và SDK client hiện tại của bạn vẫn tương thích vì OrcaRouter tuân theo cùng schema. Nếu bạn đang sử dụng SDK từ nhà cung cấp khác, có thể bạn cần cập nhật endpoint và xác thực. OrcaRouter dùng API key thay vì OAuth; hãy đưa key của bạn vào header Authorization dưới dạng 'Bearer YOUR_KEY'. Hãy thử nghiệm với một yêu cầu nhỏ trước.
Gemma 4 26B A4B là mô hình MoE đa phương thức mới hơn với ngữ cảnh 262k và điểm GPQA Diamond là 79.2, trong khi Gemma 3 8B là mô hình dày đặc nhỏ hơn (8B tham số) với cửa sổ ngữ cảnh 128k và không hỗ trợ video gốc. Gemma 3 8B rẻ hơn về token đầu vào (thường $0.05-0.10 cho mỗi triệu token đầu vào) nhưng có thể không đạt chất lượng suy luận ngang bằng trên các câu hỏi khoa học khó. Đối với các tác vụ liên quan đến video hoặc tài liệu rất dài, Gemma 4 26B A4B là lựa chọn rõ ràng. Đối với các tác vụ chỉ có văn bản với ngữ cảnh vừa phải, Gemma 3 8B có thể đủ dùng và tiết kiệm chi phí hơn.
Llama 3.1 70B là một mô hình dense với 70B tham số và ngữ cảnh 128k, không hỗ trợ đa phương thức gốc cho video (mặc dù có thể xử lý hình ảnh). Gemma 4 26B A4B sử dụng MoE để chỉ kích hoạt 4B tham số mỗi token, có khả năng mang lại suy luận nhanh hơn so với mô hình Llama lớn hơn nhiều. Trên GPQA Diamond, Gemma 4 26B A4B đạt 79,2; Llama 3.1 70B đạt khoảng 65-70 (không thể so sánh trực tiếp do khác biệt phiên bản benchmark). Llama 3.1 70B có thể đắt hơn về token đầu vào (khoảng $0,35 mỗi triệu token đầu vào). Đối với các kịch bản đa phương thức và ngữ cảnh dài, Gemma 4 có thể hiệu quả hơn.
GPT-4o là một mô hình độc quyền dạng dense từ OpenAI, hỗ trợ đa phương thức và có cửa sổ ngữ cảnh 128k (tiêu chuẩn) và lên tới 1M cho một số phiên bản. Mức giá của nó cao hơn đáng kể (ví dụ: $2,50 trên một triệu token đầu vào cho GPT-4o). Gemma 4 26B A4B là mô hình trọng số mở và có sẵn qua OrcaRouter với chi phí thấp hơn nhiều ($0,06/$0,33). Hiệu suất trên GPQA Diamond của GPT-4o không thể so sánh trực tiếp, nhưng thường cao hơn. Tuy nhiên, đối với các ứng dụng nhạy cảm về chi phí mà không yêu cầu khả năng suy luận ở cấp độ tiên tiến, Gemma 4 26B A4B mang lại tỷ lệ hiệu suất-giá thành mạnh mẽ. Cách xử lý dữ liệu khác biệt: Gemma 4 đến từ Google với các điều khoản riêng tư riêng biệt.
So với các mô hình MoE mã nguồn mở khác như Mixtral 8x7B (tổng 46,7B, 12,9B active) hoặc Qwen2.5-72B-A3B (tổng 72B, 3B active), Gemma 4 26B A4B mang đến sự kết hợp độc đáo: cửa sổ ngữ cảnh 262k, hỗ trợ đa phương thức toàn diện (hình ảnh + video) và điểm GPQA Diamond công bố là 79,2. Mixtral 8x7B có ngữ cảnh 32k và không hỗ trợ video. Qwen2.5-72B-A3B có ngữ cảnh 128k, hỗ trợ văn bản nhưng không hỗ trợ video. Số lượng tham số active 4B tương đương với các mô hình MoE nhỏ khác, nhưng kiến trúc cụ thể của Gemma 4 — do Google huấn luyện và tinh chỉnh để tuân theo hướng dẫn — có thể mang lại lợi thế về các tác vụ đa phương thức và khoa học.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Đầu vào / 1M tokens | $0.060 |
| Đầu ra / 1M tokens | $0.330 |
| Đọc cache / 1M | $0.0075 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/google/gemma-4-26b-a4b-itMở @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