LFM2.5-24B-A2B 對決 Gemma 4 12B：稀疏代理迎戰稠密多模態模型

Liquid AI 的 LFM2.5-24B-A2B與 G​oogle DeepMind 的 G​emma 4 12B是這個月最可能同時躺在同一個下載佇列裡的兩個開放權重檢查點，而它們是從截然相反的方向抵達的。LFM2.5-24B-A2B 於 2026 年 10 月 13 日發布，帶有 240 億個參數，其中每個詞元只會讀取 24.5 億個，文字進、文字出，131,072 個詞元的上下文，還有一份完全圍繞工具使用打造的基準測試表。G​emma 4 12B 於 2026 年 6 月 3 日發布，是一個 119.5 億參數的稠密模型，能讀取文字、圖像與音訊並輸出文字，採用 Apache 2.0 授權，且沒有附帶任何營收上限。一個是專門的代理引擎，能在你早就擁有的筆電上運行。另一個則是通才，能看能聽，在同一台筆電上以約 7 GB 運行，而且附帶的授權條款你永遠不必讀第二遍。

所以，這個頁面要回答的問題並不是「哪個更好」，因為它們從來就不是為了同一項任務而打造的。它更狹窄，但也更實用：如果你要把一個私有代理程式放在你控制的機器上，這兩者你該下載哪一個，而無論選哪個，你各自放棄了什麼？

答案以一段文字呈現，給已經知道自己想要什麼的人。

如果這個 agent 只做多步驟工具呼叫、其他什麼都不做，就選 LFM2.5-24B-A2B——在少數幾列可比到足以並列比較的項目上，廠商自家的 agentic 數據遠遠領先 G​emma 4 12B 的數據，而且這個模型在採取行動前總是會產生明確的推理軌跡。如果任務涉及螢幕截圖、拍攝的文件、掃描頁面或音訊片段，如果你想為了降低延遲而把推理軌跡關掉，或者如果你的公司營收只要接近 1,000 萬美元這條線——也就是 Liquid 授權不再免費的門檻——就選 G​emma 4 12B。如果你想了解這兩句話背後的數字，請繼續讀下去，因為這項比較有相當大一部分取決於兩家廠商是如何量測的。

這兩個檢查點真正不同的地方

• 參數經濟學 — LFM2.5-24B-A2B 是混合專家模型：總計 24.0B，每個 token 啟用 2.45B，64 個專家，在 40 層中採用 top-4 路由（30 個雙閘控短卷積區塊、10 個分組查詢注意力）。G​emma 4 12B 是稠密模型：總計 11.95B，橫跨 48 層，每個 token 都會讀取每一個參數。

• 磁碟可容納的內容 — Liquid 發佈了 14.5 GB 的 Q4_K_M GGUF 與 13.6 GB 的 QAT QAD-Q4_0，另有 13.6 GB 的 4 位元 MLX 版本；BF16 則為 48 GB。G​oogle 針對 12B 的 QAT GGUF 約有 6.98 GB 的權重，外加一個 0.18 GB 的多模態投影檔，而 Unsloth 社群版本則從 2 位元的約 4.2 GB 到 Q4_K_M 的 7.12 GB 不等。

• 上下文 — LFM2.5-24B-A2B 支援 131,072 個 token，是前一代 32,768 的兩倍。G​emma 4 12B 則具備 256K（262,144），並搭載 1,024 個 token 的滑動視窗，以及交錯局部與全域層的混合注意力機制。

• 模態 — LFM2.5-24B-A2B 僅支援文字，而且是刻意如此。Gemma 4 12B 可接受文字、圖像與音訊，完全沒有多模態編碼器：原始圖像區塊與音訊波形會直接投影到與文字詞元相同的空間中。

• 推理行為 — 以廠商的說法，LFM2.5-24B-A2B 是純推理模型：它回答前總是先在 <think> 區塊中思考。G​emma 4 12B 的模型卡則描述了一個指令微調模型，沒有強制性的推理軌跡；在筆記型電腦上，這既是延遲上的優勢，也是透明度上的損失。

• 授權 — lfm1.0 可免費下載、微調，並在年營收不超過 1,000 萬美元的前提下用於商業用途，超過此門檻則須取得商業授權。G​emma 4 12B 採用 Apache 2.0，沒有營收門檻；G​oogle 的使用條款與禁止使用政策與權重並列，屬於可接受使用文件，而非授權限制。

• 詞彙與訓練規模 — LFM2.5-24B-A2B 透過原地分詞器擴充，將其詞彙量從 65K 擴增至 128K，並將預訓練規模從 17T 擴展至 33T 符元，其中包含 300B 在完整上下文下的中期訓練符元，以及在真實測試框架內進行的代理式強化學習階段。G​emma 4 12B 則搭載整個系列共用的 262K 詞彙，並以 140 多種語言進行預訓練，號稱開箱即支援 35 種以上語言。

兩家廠商都跑過的那項基準測試

比較兩份不同的發射表通常會是個陷阱。這裡恰好有一列，是兩家公司以可相互比較的基準衡量了同一件事；而它之所以值得被單獨挑出來，正是因為它如此孤單。

GPQA Diamond——Liquid 報告 LFM2.5-24B-A2B 為 74.42；Google 的 Gemma 4 家族表格則指出指令微調版 Gemma 4 12B 為 78.8。兩者皆為廠商自行報告，且未經重現。稠密的 12B 在研究所程度的科學問題上略勝一籌，這也呼應 Liquid 自身的說法——其模型並非適合用來詢問知識性問題的模型：發布文章建議將其與檢索或網路搜尋搭配使用，而非信任其權重。

其他一切都需要在各自的表格中解讀，而誠實的總結是，這兩張表格衡量的幾乎是互不相交的事物。Liquid 的十六項基準測試表涵蓋 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（透過 OpenCode）(51.00)、SciCode (32.71)、AA-Omniscience (−24.90) 以及 HLE (7.40)。Google 的家族表涵蓋 MMLU Pro (77.2)、AIME 2026 不使用工具 (77.5)、LiveCodeBench v6 (72.0)、Codeforces ELO 為 1659、MMMU Pro (69.1)，以及 MRCR v2 在 128K 下搭配八根針 (43.4)。

只有一項重疊，而且沒有共用的測試框架。任何根據那兩張表發布合併計分板的人，都是在編造一項兩家公司都沒跑過的比較。

獨立來看，而這正是更銳利的刀鋒。

Artificial Analysis 已對 G​emma 4 12B 給出評分：智慧指數為 14，在其比較類別的 141 個模型中排名第 20，實測為每秒 110.9 個 token，第三方混合成本為每百萬個輸入 token 0.10 美元、每百萬個輸出 token 0.30 美元。這些是針對一個已公開四個月、背後有生態系統支持的模型所得到的獨立數據。

LFM2.5-24B-A2B 並沒有任何對等的東西。它才問世一天，沒有任何第三方公布過評分，而 Liquid 自家的邊緣裝置數據——在 Apple M5 Max 上每秒 184 個 token、在 AMD Ryzen AI Max+ 395 上 114 個，「在裝置端比同級 MoE 最快可達 1.7 倍」——既沒有基準，也無法重現。當一方是廠商自行量測的模型，另一方是獨立量測的模型，這種不對稱本身就是重點：這兩個數字之中，你今天就能親自查證的那一個，並不是較新的那一個。

如果你不想把正式環境的請求路徑押在一個才四天大的供應商表格上，自動容錯移轉正是為此而生。把代理指向 LFM2.5-24B-A2B，在它背後保留一個經過評分的模型，並讓路由器在測試框架開始失敗時轉移請求——不必再簽一份合約，除了備援清單之外也不必更動任何程式碼。

成本，以這兩者運作所用的兩種貨幣計

兩者都是本地優先的模型，所以真正的帳單是硬體與電力。在託管服務方面，Liquid 透過自家的 Console 將 API 存取定價為每百萬輸入 token 0.10 美元（快取 0.05 美元）、每百萬輸出 token 1.00 美元，並附帶 2 美元的起始額度。Google 則完全沒有公布 Gemma 4 12B 的任何每 token 價格——上面那個 0.10 美元／0.30 美元的混合價，是第三方針對各家提供開放權重服務的平台所統計出的中位數，並非定價表上的價格，若把它當成官方定價就會是錯的。

對同時評估這兩者的團隊來說，關鍵在這裡：目前我們的目錄上，這兩個檢查點都還沒有。我們確實有提供這個決策不斷回頭參考的那些基準點——qwen/qwen3.6-35b-a3b，也就是 Liquid 拿來對照的模型，參數量還多了一半，再加上google/gemma-4-26b-a4b-it、obsidian/gemma-4-26B-A4B以及google/gemma-4-31b-it，全都出自同一個 Gemma 4 系列——全部只要一組金鑰，且一律以供應商自家定價 0% 加價提供，因此供應商調價的當天你就會拿到新價格，而不是等到有人重新簽約的那一天。拿你自己的任務跑一遍代管的 Gemma 4 各尺寸，再決定你筆電上的 12B 是否多餘。

我實際上會怎麼做

兩個量化版本都下載。Gemma 4 12B 的 Q4_K_M 大約 7 GB，一小時內就能告訴你，你的任務到底需不需要眼睛和耳朵——如果需要，那就不用再選了，LFM2.5-24B-A2B 完全出局，因為它看不見。如果不需要，就載入 13.6 GB 的 LFM2.5-24B-A2B QAD-Q4_0，並拿你真正的測試框架去跑它，因為那個檢查點存在的全部理由就是多步驟工具呼叫，而沒有任何靜態基準測試能替你的工具做出結論。

在你這麼做的同時，有兩件事要記住。首先，兩家廠商的表格都無法重現，而這項比較中唯一有獨立評分的模型是較舊、較稠密的那個——這是更有理由信任 Gemma 4 12B 數字的理由，而不是假定較新模型較弱的理由。其次，授權落差是真實存在的，而且其不對稱的方式很少出現在基準測試貼文中：Gemma 4 12B 永遠是 Apache 2.0，而 LFM2.5-24B-A2B 會在你的公司營收突破 1,000 萬美元的那一刻，變成一個商業授權的談判議題。對個人開發者而言，這點是看不見的。對要推出裝置端代理的產品團隊來說，它是下一個規劃週期中的一筆預算項目，而且這是較小、較舊的多模態模型明確是更安全預設值的唯一一個層面。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。