> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# Gemma 4: открытые модели Google на технологиях Gemini 3
- URL: https://matveev.tech/gemma-4-google-open-model/
- Published: 2026-04-03T09:09:08.000Z
- Updated: 2026-04-03T09:09:08.000Z
- Description: Google выпустил Gemma 4 — четыре открытые модели от 2B до 31B параметров на технологиях Gemini 3. 31B занимает третье место среди открытых моделей, а E2B работает на Raspberry Pi за 1.5 ГБ памяти.
- Author: Pavel Matveev
- Tags: Google, AI, LLM, Open Source, Новости

> TL;DR: Google выпустил Gemma 4 — четыре открытые модели от 2B до 31B параметров, построенные на технологиях Gemini 3\. 31B-версия заняла третье место среди всех открытых моделей в рейтинге [Arena AI](https://lmarena.ai/?ref=matveev.tech), MoE на 26B обгоняет модели в 20 раз крупнее, а маленькие E2B и E4B работают на телефоне и Raspberry Pi. Лицензия Apache 2.0.

## Четыре модели на все случаи

Gemma 4 — это не одна модель, а семейство из четырёх вариантов с очень разной архитектурой:

| Модель  | Параметры             | Активные | Архитектура                     | Контекст |
| ------- | --------------------- | -------- | ------------------------------- | -------- |
| E2B     | 5.1B (2.3B effective) | все      | Dense                           | 128K     |
| E4B     | 8B (4.5B effective)   | все      | Dense                           | 128K     |
| 26B A4B | 25.2B                 | 3.8B     | MoE (128 экспертов, 8 активных) | 256K     |
| 31B     | 30.7B                 | все      | Dense                           | 256K     |

Самое интересное тут — 26B MoE. При 25 миллиардах параметров в момент инференса работают только 3.8B. По сути, ты получаешь качество большой модели за цену маленькой. Google заявляет, что эта версия обходит модели в 20 раз крупнее на ряде бенчмарков. А E2B запускается в менее чем 1.5 ГБ оперативной памяти — это уровень бюджетного смартфона.

Все модели используют гибридный механизм внимания, который чередует локальное sliding window attention с полным глобальным вниманием. Обучены на 140+ языках, включая русский.

## Бенчмарки: математика и код

Главный прогресс Gemma 4 — в математике и коде. Сравнение с Gemma 3 27B показывает масштаб:

| Бенчмарк                          | 31B   | 26B MoE | E4B   | E2B   | Gemma 3 27B |
| --------------------------------- | ----- | ------- | ----- | ----- | ----------- |
| AIME 2026 (математика)            | 89.2% | 88.3%   | 42.5% | 37.5% | 20.8%       |
| LiveCodeBench v6 (код)            | 80.0% | 77.1%   | 52.0% | 44.0% | 29.1%       |
| GPQA Diamond (наука)              | 84.3% | 82.3%   | 58.6% | 43.4% | 42.4%       |
| MMLU Pro (общие знания)           | 85.2% | 82.6%   | 69.4% | 60.0% | 67.6%       |
| τ2-bench (агентное использование) | 86.4% | 85.5%   | 57.5% | 29.4% | 6.6%        |

AIME 2026 — с 20.8% до 89.2%, рост в четыре с лишним раза. В кодинге тоже кратный скачок: с 29.1% до 80.0% на LiveCodeBench. А τ2-bench (агентное использование инструментов) вообще выглядит как другая модель: с 6.6% у Gemma 3 до 86.4% у Gemma 4 31B.

31B Dense сейчас третья среди всех открытых моделей в рейтинге Arena AI с ELO 1452\. 26B MoE на шестом месте с 1441\. Напомню: у неё в момент работы активны только 3.8B параметров.

На Codeforces 31B набирает ELO 2150, что примерно соответствует уровню «эксперт». Для открытой модели на 30B параметров — это серьёзная заявка.

## Мультимодальность: не только текст

Все четыре модели понимают изображения и видео (как последовательность кадров). Но есть нюанс: аудио поддерживают только маленькие E2B и E4B.

| Модель  | Текст | Изображения | Видео      | Аудио |
| ------- | ----- | ----------- | ---------- | ----- |
| E2B/E4B | +     | +           | \+ (кадры) | +     |
| 26B/31B | +     | +           | \+ (кадры) | —     |

Выглядит как осознанное решение: маленькие модели для edge-устройств должны уметь слышать (голосовые команды, распознавание речи), а большие модели для серверов работают с текстом и визуалом. На визуальных бенчмарках результаты тоже хорошие: MMMU Pro 76.9% у 31B, MATH-Vision 85.6%.

Ограничения по входу: аудио до 30 секунд, видео до 60 секунд (один кадр в секунду). Для анализа длинных видео не подойдёт, но для быстрого разбора коротких клипов — вполне.

## Агентные возможности из коробки

Главный акцент Google — агентное использование. Gemma 4 умеет:

- Нативный function calling, когда модель сама формирует вызовы функций и обрабатывает результаты
- Генерация валидного JSON через constrained decoding
- Поддержка системных промптов для настройки агента
- Цепочки рассуждений с промежуточными шагами (multi-step planning)

Режим thinking включается через специальный токен `<|think|>`, и модель начинает «рассуждать вслух» перед ответом. По формату это похоже на то, как работают reasoning-модели от OpenAI и DeepSeek.

На τ2-bench (бенчмарк агентного использования в ритейл-сценариях) 31B набирает 86.4%. Gemma 3 27B набирала 6.6%. Предыдущее поколение просто не умело работать с инструментами, а текущее, похоже, умеет.

## Работает на чём угодно

E2B и E4B оптимизированы для запуска на edge-устройствах. Google разрабатывал их совместно с командами Pixel, Qualcomm и MediaTek. Конкретные цифры:

- На Raspberry Pi 5 E2B выдаёт 133 токена/сек на prefill и 7.6 токенов/сек на decode
- E2B влезает в 1.5 ГБ памяти с 2-bit и 4-bit квантизацией
- Платформы: Android, iOS, Windows, Linux, macOS, WebGPU в браузере, Raspberry Pi, Qualcomm IQ8 NPU, Jetson Nano

Для больших моделей 26B и 31B нужна дискретная GPU. Google говорит, что они «оптимизированы для потребительских видеокарт», но конкретные требования по VRAM не указывает. Ориентир: 31B Dense в fp16 потребует около 60 ГБ VRAM, с квантизацией до 4-bit — уместится в 16-20 ГБ.

Скачать можно через [Hugging Face](https://huggingface.co/collections/google/gemma-4-release-684dcf496ffc52f6e67b80f5?ref=matveev.tech), [Kaggle](https://www.kaggle.com/models/google/gemma-4?ref=matveev.tech), [Ollama](https://ollama.com/library/gemma4?ref=matveev.tech), или [LM Studio](https://lmstudio.ai/?ref=matveev.tech). Большие модели также доступны в Google AI Studio.

## Apache 2.0: используй как хочешь

Google перешёл с кастомной лицензии Gemma на Apache 2.0\. Это полная свобода: коммерческое использование, модификация, дистрибуция — без ограничений. Для сравнения, Meta Llama до сих пор использует собственную лицензию с ограничениями для компаний с 700M+ пользователей.

Для бизнеса это удобно: не надо разбираться в нюансах кастомных лицензий, читать мелкий шрифт и переживать за compliance.

Разбираю открытые модели, агентные фреймворки и AI-инструменты для разработки — [подписывайся в телеге](https://t.me/ctospeech?ref=matveev.tech).

## Что с конкурентами

Объективно, Gemma 4 31B — одна из лучших открытых моделей в своём размерном классе. Третье место в Arena AI, сильная математика и код. Но есть контекст: [по данным Trending Topics EU](https://www.trendingtopics.eu/google-gemma-4-launch/?ref=matveev.tech), китайские конкуренты (DeepSeek, Qwen) в некоторых задачах всё ещё впереди. Особенно в кодинге, где модели типа DeepSeek-V3 с их MoE-архитектурой и сотнями миллиардов параметров играют в другой лиге.

Зато в категории «модели для edge» у Gemma 4 E2B и E4B конкурентов почти нет. Мультимодальная модель с аудио и видео на Raspberry Pi за 1.5 ГБ памяти — попробуйте найти что-то сравнимое.

## Что ещё почитать

- [Gemini 3.1 Flash Live: голосовые агенты Google стали точнее](https://matveev.tech/gemini-3-1-flash-live-obzor/) — предыдущий релиз Google в области AI
- [Gemini 3.1 Pro: что нового в модели Google](https://matveev.tech/gemini-3-1-pro-obzor/) — флагманская модель Gemini, на технологиях которой построена Gemma 4
- [Jina VLM: мультиязычная VLM на 2.4B параметров](https://matveev.tech/jina-vlm-obzor/) — ещё одна компактная мультимодальная модель для сравнения
- [MiniMax M2.7: модель, которая сама себя обучала](https://matveev.tech/minimax-m27-self-evolution/) — альтернативный подход к обучению открытых моделей