LFM2.5-24B-A2B 对比 Gemma 4 12B：稀疏智能体对阵稠密多模态模型

Liquid AI 的 LFM2.5-24B-A2B和 G​oogle DeepMind 的 G​emma 4 12B是本月最有可能挤在同一个下载队列里的两个开放权重检查点，而它们是从截然相反的方向走到这一步的。LFM2.5-24B-A2B 于 2026 年 10 月 13 日发布，拥有 240 亿参数，但每个 token 只读取其中 24.5 亿，文本进、文本出，上下文长度为 131,072 个 token，其基准测试表完全围绕工具使用构建。G​emma 4 12B 于 2026 年 6 月 3 日发布，是一个 119.5 亿参数的稠密模型，能读取文本、图像和音频，并输出文本，采用 Apache 2.0 许可，不附带任何收入上限。一个是专精型智能体引擎，能在你已有的笔记本电脑上运行。另一个是通才，能看能听，在同一台笔记本上仅需约 7 GB 即可运行，还附带一份你永远不必读第二遍的许可证。

所以这个页面要回答的问题不是“哪个更好”，因为它们从来就不是为同一项任务而打造的。问题更具体，也更有用：如果你要把一个私有智能体部署在自己控制的机器上，这两者中你会下载哪一个，而无论选哪个你又要放弃什么？

面向已经知道自己想要什么的人，一段话给出答案

如果智能体只做多步工具调用、不做其他事，就选 LFM2.5-24B-A2B——在少数几项足够可比、能对齐的指标上，厂商自家给出的智能体数据远超 Gemma 4 12B，而且该模型在行动之前总会先输出一条明确的推理轨迹。如果任务涉及截图、拍摄的文档、扫描页或音频片段，如果你想为了降低延迟而关闭推理轨迹，或者如果你的公司营收接近 1000 万美元这条线、Liquid 的许可证不再免费，那就选 Gemma 4 12B。若想看这两句话背后的数字，请继续往下读，因为这场比较有相当一部分取决于两家厂商各自是怎么测量的。

两个检查点真正不同的地方

• 参数经济性——LFM2.5-24B-A2B 是混合专家模型：总参数量 24.0B，每个 token 激活 2.45B，在 40 层中共有 64 个专家、采用 top-4 路由（30 个双门控短卷积块、10 个分组查询注意力）。Gemma 4 12B 是稠密模型：48 层共 11.95B 参数，每个 token 都会读取全部参数。

• 磁盘上能装下什么 — Liquid 发布了 14.5 GB 的 Q4_K_M GGUF 和 13.6 GB 的 QAT QAD-Q4_0，以及 13.6 GB 的 4 位 MLX 构建；BF16 格式为 48 GB。谷歌为 12B 提供的 QAT GGUF 约为 6.98 GB 权重，外加一个 0.18 GB 的多模态投影文件，而 Unsloth 社区构建的规模从约 4.2 GB（2 位）到 7.12 GB（Q4_K_M）。

• 上下文——LFM2.5-24B-A2B 支持 131,072 个 token，是上一代 32,768 的两倍。Gemma 4 12B 则支持 256K（262,144），并配备 1,024 token 的滑动窗口，以及交替使用局部层与全局层的混合注意力机制。

• 模态——LFM2.5-24B-A2B 仅支持文本，且这是有意为之。Gemma 4 12B 可处理文本、图像和音频，且完全没有多模态编码器：原始图像块和音频波形会被直接投影到与文本 token 相同的空间中。

• 推理行为 — 按厂商的说法，LFM2.5-24B-A2B 是纯推理型：它在作答前总会先在 <think> 块内思考。G​emma 4 12B 的说明卡片描述的是一个指令微调模型，没有强制的思维轨迹——这在笔记本上意味着延迟更低，但透明度也有所损失。

• 许可证——lfm1.0 可免费下载、微调并用于商业用途，年收入上限为 1000 万美元，超出该上限则需取得商业许可证。G​emma 4 12B 采用 Apache 2.0 许可，没有收入触发条件；G​oogle 的使用条款和禁止使用政策与权重文件并列，属于可接受使用文档，而非许可证限制。

• 词表与训练规模——LFM2.5-24B-A2B 通过原地分词器扩展，将词表从 65K 扩充至 128K，并把预训练规模从 17T tokens 扩大到 33T tokens，其中包含在全上下文下进行的 300B 中期训练 tokens，以及在真实智能体运行框架内开展的智能体强化学习阶段。Gemma 4 12B 则拥有全家族共享的 262K 词表，并在 140 多种语言上完成预训练，宣称可开箱即支持 35 种以上语言。

两家供应商都运行过的唯一一项基准测试

比较两张不同的发布表通常是个陷阱。在这里，恰好只有一行，是两家公司在可比口径下衡量了同一件事，而它之所以值得单独拿出来看，恰恰是因为它如此孤单。

GPQA Diamond — Liquid 报告 LFM2.5-24B-A2B 为 74.42；Google 的 Gemma 4 系列表格报告指令微调的 Gemma 4 12B 为 78.8。两者均为厂商报告且未经复现。这个密集的 12B 模型在研究生级别的科学问题上略胜一筹，这与 Liquid 自己的说法一致，即其模型并非用来回答知识性问题——发布文章建议将其与检索或网络搜索搭配使用，而不是信任其权重。

其他所有内容都必须在各自的表格内解读，而诚实的总结是，这两张表衡量的几乎是互不相交的内容。Liquid 的十六项基准测试表涵盖 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）、通过 OpenCode 的 SWE-Bench Verified（51.00）、SciCode（32.71）、AA-Omniscience（−24.90）以及 HLE（7.40）。Google 的家族表涵盖 MMLU Pro（77.2）、AIME 2026 无工具（77.5）、LiveCodeBench v6（72.0）、Codeforces ELO 为 1659、MMMU Pro（69.1）以及 MRCR v2 在 128K 下带有八个针（43.4）。

只有一项重叠，而且没有共用的评测框架。任何把那两张表拼成一份合并排行榜发布出来的人，都是在凭空编造一种两家公司都没有做过的比较。

独立地，而这正是更锋利的那道锋刃

Artificial Analysis 已对 Gemma 4 12B 完成评分：智能指数为 14，在其对比类别中的 141 个模型里位列第 20，实测速度为每秒 110.9 个 token，第三方混合成本为每百万输入 token 0.10 美元、每百万输出 token 0.30 美元。这些是针对一款已公开发布四个月、且背后有完整生态的模型所得出的独立数据。

LFM2.5-24B-A2B 没有任何对等数据。它才发布一天，还没有任何第三方公布过评分，而 Liquid 自己给出的端侧数字——在 Apple M5 Max 上每秒 184 个 token，在 AMD Ryzen AI Max+ 395 上每秒 114 个，"在端侧比同类 MoE 最快可快 1.7 倍"——既没有基线，也没有复现。当一个是厂商自测的模型、另一个是独立测量的模型时，这种不对称本身就是结论：这两个数字里，有一个你今天就能自己验证，而它不是更新的那个。

如果你不愿把生产路径押在一张才用了四天的供应商表上，自动故障转移正是为此而生。让 agent 指向 LFM2.5-24B-A2B，在其后面保留一个带评分的模型，当测试框架开始失败时，让路由器转移请求——无需第二份合同，也无需在回退列表之外改动代码。

成本，以它们所使用的两种货币计

两者都是本地优先模型，因此真正的账单是硬件和电费。在托管方面，Liquid 通过其自有 Console 将 API 访问定价为每百万输入 token 0.10 美元（缓存 0.05 美元），每百万输出 1.00 美元，并提供 2 美元的起始额度。G​oogle 完全没有公布 G​emma 4 12B 的每 token 价格——上面的 0.10/0.30 美元混合价是第三方在提供开放权重的各平台上的中位数，而非标价，将其当作标价是错误的。

对于同时评估这两者的团队来说，关键在这里：目前我们的目录里没有这两个检查点。我们确实提供这项决策反复绕回来的那些参照点——qwen/qwen3.6-35b-a3b，也就是 Liquid 用来对比的模型，其参数量还多出一半，另外还有 google/gemma-4-26b-a4b-it、obsidian/gemma-4-26B-A4B 和 google/gemma-4-31b-it，它们都来自同一个 G​emma 4 家族——全都只需一个密钥，全都按提供商自身标价 0% 加价，因此供应商价格一变，当天就能传到你这里，而不是等到有人重新签合同的那天。用你自己的任务去跑托管版 G​emma 4 各尺寸，然后再决定你笔记本上的 12B 是否多余。

我实际会做的事

把这两个量化版本都下载下来。Q4_K_M 的 G​emma 4 12B 大约 7 GB，一小时内就能告诉你，你的任务是否需要眼睛和耳朵——如果需要，那决策就此结束，LFM2.5-24B-A2B 根本没资格参赛，因为它看不见。如果不需要，就加载 13.6 GB 的 LFM2.5-24B-A2B QAD-Q4_0，拿你真正的测试框架去考察它，因为那个检查点的全部理由就是多步工具调用，而任何静态基准测试都无法为你的工具一锤定音。

在做这件事时，有两点需要记住。第一，两家厂商的表格都未被复现，而在这个对比中唯一有独立评分的模型是较旧、更密集的那个——这让我们更有理由信任 G​emma 4 12B 的数字，而不是据此假设较新的模型更弱。第二，许可证差距是真实存在的，而且其不对称性很少会在基准测试帖子中体现出来：G​emma 4 12B 永久采用 Apache 2.0，而 LFM2.5-24B-A2B 一旦你公司收入超过 1000 万美元，就会变成一场商业对话。对个人开发者来说，这是看不见的。对要交付端侧代理的产品团队来说，这是下一轮规划周期中的一项预算条目，而且正是在这个维度上，更小、更旧、多模态的模型毫无疑问是更安全的默认选择。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。