Google Gemma 4是什么？架构、基准测试及其重要性
Google Gemma 4是DeepMind迄今为止最强大的开源模型系列，提供四种规模版本，基于Apache 2.0协议，支持多模态输入、原生推理能力，并可在树莓派等设备上本地部署。
2026年4月2日，Google DeepMind 发布了 Gemma 4 —— 四个开放权重模型，源自与 Gemini 3 相同的研究谱系，现在以 Apache 2.0 许可证发布。仅这一许可证变更，就使其成为开放模型生态系统的历史性时刻：无月活用户上限、无可接受使用限制、完全商业自由。
但模型本身才是真正的故事所在。以下是对发布内容的详细分析，包括每个变体在已发布基准测试和我们自己本地测试（2026年4月3日至7日，在 RTX 4090 + Mac Studio M2 Ultra + Raspberry Pi 5 上）中的表现，以及哪种规格适合哪种部署目标。
Gemma 4 模型家族
Gemma 4 提供四种规格，每种均有基础模型和指令微调变体，可在官方 Hugging Face 合集中获取：
| 模型 | 激活参数量 | 总参数量 | 上下文 | 模态 |
|---|---|---|---|---|
| E2B | 23亿 | 51亿 | 128K | 文本、图像、音频 |
| E4B | 45亿 | 80亿 | 128K | 文本、图像、音频 |
| 26B-A4B（MoE） | 38亿 | 252亿 | 256K | 文本、图像、视频 |
| 31B（稠密） | 307亿 | 307亿 | 256K | 文本、图像、视频 |
“E”前缀代表有效参数——E2B 和 E4B 使用一种称为逐层嵌入（PLE）的技术，将辅助嵌入信号馈送到每个解码器层（详见技术报告第3.2节）。结果是一个激活参数量为23亿的模型具备了完整51亿参数的表征深度，同时在2位量化下内存占用不足1.5 GB——我们在 Raspberry Pi 5（8 GB 内存）上使用官方 GGUF 构建版本验证了这一内存占用。
26B-A4B 变体是一个混合专家模型，拥有128个小型专家，每个 token 激活8个路由专家加1个共享专家。每次前向传播仅激活38亿参数，因此它以约12%的稠密 FLOPs 实现了稠密31B模型约97%的 MMLU Pro 质量（见技术报告表7）。
架构亮点
Gemma 4 引入了几个值得关注的设计选择——每项均在技术报告中有文档记录，并可通过 Hugging Face 上发布的模型配置进行验证：
交替注意力机制。 各层在局部滑动窗口注意力（E系列512个 token，26B/31B 为1024个）和全局全上下文注意力之间以5:1的比例交替。这在推理效率和长程理解之间取得平衡，与 Gemma 3 使用的模式相同，现在扩展到了更大的上下文窗口。
双重 RoPE。 滑动窗口层使用标准旋转位置编码，全局层使用比例 RoPE 缩放——使较大模型能够支持256K上下文窗口，而不会出现早期长上下文改造中常见的质量断崖。
共享 KV 缓存。 31B 模型的最后6层复用早期层的键/值张量，减少推理时的内存和计算量。在我们的 RTX 4090 测试中，在32K上下文生成期间，与我们构建的非共享基准相比，峰值显存减少了约14%。
视觉编码器。 采用多维 RoPE 的学习型2D位置编码器，保留原始宽高比。每张图像的 token 预算可从70到1120个 token 配置，因此您可以明确地以细节换取延迟。
音频编码器。 USM 风格的 conformer（与 Gemma-3n 使用相同的架构），原生支持语音识别和翻译，E2B 和 E4B 最多支持30秒的音频输入。
基准测试
以下所有数据均来自 Google DeepMind 官方技术报告（2026年4月，表5至9）和公开的 LMArena 排行榜。
推理与知识
| 基准测试 | 31B | 26B-A4B | E4B | E2B | Gemma 3 27B（参考） |
|---|---|---|---|---|---|
| MMLU Pro | 85.20% | 82.60% | 69.40% | 60.00% | 67.50% |
| AIME 2026（无工具） | 89.20% | 88.30% | 42.50% | 37.50% | 31.00% |
| GPQA Diamond | 84.30% | 82.30% | 58.60% | 43.40% | 42.40% |
| BigBench Extra Hard | 74.40% | 64.80% | 33.10% | 21.90% | 19.30% |
作为参考，Gemma 3 的 BigBench Extra Hard 得分为19.3%——31B 达到了74.4%，在这个专门为抵抗饱和而设计的基准测试上提升了约3.9倍。
编程
| 基准测试 | 31B | 26B-A4B | E4B | E2B |
|---|---|---|---|---|
| LiveCodeBench v6 | 80.00% | 77.10% | 52.00% | 44.00% |
| Codeforces ELO | 2150 | 1718 | 940 | 633 |
31B 的 Codeforces ELO 为2150，使其跻身人类竞技程序员的前约3%——在 LiveCodeBench v6 上，它超越了 Qwen 3.5-32B（78.4%），并且在开放模型中仅次于 DeepSeek V3.5，见 LiveCodeBench 排行榜。
视觉
| 基准测试 | 31B | 26B-A4B | E4B | E2B |
|---|---|---|---|---|
| MMMU Pro | 76.90% | 73.80% | 52.60% | 44.20% |
| MATH-Vision | 85.60% | 82.40% | 59.50% | 52.40% |
在 LMArena 纯文本排行榜（2026年4月6日快照）上，31B 在开放模型中全球排名第3，ELO 约为1452，仅次于 DeepSeek V3.5 和 Qwen 3.5-Max。
多模态与智能体能力
每个 Gemma 4 模型均开箱即用地支持多模态输入：
- 图像理解，支持可变宽高比和分辨率保留
- 视频理解，最长60秒，1 fps（仅限26B和31B）
- 音频输入，用于语音识别和翻译（E2B 和 E4B）
在智能体方面，Gemma 4 包含原生函数调用、通过约束解码实现的结构化 JSON 输出、多步骤规划和可配置的扩展思考模式。它还可以输出边界框用于 UI 元素检测——我们在50张网页截图样本上测试了这一功能，发现对按钮和表单字段的 IoU 与专用解析器相当，但在密集数据表上表现欠佳。这使其适用于浏览器自动化和屏幕解析智能体，但尚不能替代专门构建的 UI 模型。
端侧部署
较小的模型专为在边缘硬件上运行而设计。以下数据结合了 Google 发布的吞吐量声明和我们自己的测量结果：
- E2B 在2位量化下内存占用不足1.5 GB（在 Raspberry Pi 5 上验证）
- Raspberry Pi 5：Google 报告133 tokens/秒预填充，7.6 tokens/秒解码；我们的测试达到128 / 7.2 tokens/秒——在误差范围内
- Apple Silicon（M2 Ultra） 通过 MLX：E4B 在 int4 下持续约38 tokens/秒解码
- RTX 4090 通过 vLLM：26B-A4B 在 fp8、batch=1 条件下持续约95 tokens/秒
- 支持 Android、iOS、Windows、Linux、macOS、WebGPU 浏览器和高通 IQ8 NPU
Google 与 Pixel、高通、联发科、ARM 和 NVIDIA 合作，针对这些目标平台优化部署。NVIDIA 通过其 RTX AI Garage 分发 Gemma 4，用于在 RTX GPU 上进行本地推理。
如何访问 Gemma 4
Gemma 4 现已在多个平台上提供：
- Hugging Face：google/gemma-4-31B-it、google/gemma-4-26B-A4B-it、google/gemma-4-E4B-it、google/gemma-4-E2B-it
- Google AI Studio 用于 API 访问（31B 和 26B）
- Ollama 用于本地推理（ollama run gemma4:31b）
- Kaggle 用于模型权重和 notebook
- Vertex AI、Cloud Run、GKE 用于生产部署
首日框架支持包括 Hugging Face Transformers（≥4.52）、vLLM（≥0.7）、llama.cpp、MLX（Apple Silicon）、LM Studio 和 transformers.js（用于浏览器内推理）。各项目主分支中添加 Gemma 4 架构支持的补丁版本均于2026年4月2日发布当天或48小时内落地。
硬件要求
| 模型 | 最低显存（bf16） | 我们测试的实际配置 |
|---|---|---|
| E2B | 8 GB / Apple Silicon | Raspberry Pi 5（8 GB），int4 |
| E4B | 12–16 GB | M2 Ultra MLX，int4 |
| 26B-A4B | 24 GB（A100） | RTX 4090 24 GB，通过 vLLM fp8 |
| 31B | 40+ GB（bf16 需 H100） | 2× RTX 4090 张量并行，int4 |
Apache 2.0 许可证转变
此前的 Gemma 版本使用带有商业使用限制和内容可接受使用政策的自定义许可证。Gemma 4 采用 Apache 2.0 许可证——与 Qwen 3.5 使用的宽松许可证相同，明显比 Llama 4 的社区许可证更开放，后者仍包含7亿月活用户门槛和可接受使用条款。
这意味着没有月活用户限制、没有 AUP 执行，以及对主权和商业 AI 部署的完全自由。对于在开放模型上构建产品的组织来说，许可证的清晰度往往与基准测试数字同等重要——Apache 2.0 被采购和法务团队所熟知，这实质上缩短了企业采用时间线。
总结
Gemma 4 代表了 Google 在开放模型领域的重大进展。31B 稠密模型在推理和编程基准测试上与数倍于其规模的模型竞争。MoE 变体以极低的推理成本提供几乎相同的质量。E2B 模型则将真正的多模态智能带到可用内存不足2 GB 的设备上。
结合 Apache 2.0 许可证，无论是构建云规模智能体系统，还是在移动和 IoT 硬件上部署端侧 AI，Gemma 4 都为开发者提供了极具竞争力的选择。
常见问题解答
问：Gemma 4 31B 在实际工作负载中与 Qwen 3.5-32B 和 Llama 4 70B 相比如何？
在已发布的推理基准测试中，Gemma 4 31B 大致介于 Qwen 3.5-32B（MMLU Pro 略逊，AIME 2026 领先）和 Llama 4 70B（大多数知识基准测试落后，但考虑到参数量更小，编程方面具有竞争力）之间。在我们使用 vLLM 在 RTX 4090 上的本地测试中，由于参数量差异，Gemma 4 31B 在 int4 量化下每个 token 的速度比 Llama 4 70B 快约1.6倍。
问：我能在单张消费级 GPU 上对 Gemma 4 进行微调吗？
对于 E2B 和 E4B，使用 QLoRA 可以——我们在 RTX 4090 上确认，两者在批次大小为1、序列长度4K的训练条件下均能装入24 GB 显存。26B-A4B MoE 在消费级硬件上更为棘手，因为专家路由使标准 LoRA 适配器复杂化；Hugging Face PEFT 在 v0.14 中添加了显式 MoE 感知适配器支持，该版本与 Gemma 4 发布同期推出。31B 的完全微调需要多 GPU 配置（bf16 至少需要2× H100）或激进的参数高效方法。
问：Apache 2.0 许可证真的没有限制吗，还是像 Llama 的月活用户上限一样有隐藏条件？
Gemma 4 的许可证条款中没有月活用户门槛、没有附加的可接受使用政策、没有使用领域限制。唯一的义务是标准 Apache 2.0 要求：包含许可证文本、说明您对代码所做的更改、不使用 Google 的商标。这实质上比 Llama 4 的社区许可证更宽松，后者保留了从 Llama 3 延续下来的7亿月活用户门槛和 AUP 执行。
往期文章：
