Gemma 4 31B Instruct es el modelo multimodal denso de 30.7B de Google DeepMind que admite entrada de texto e imagen con salida de texto. Cuenta con una ventana de contexto de 256K tokens, modo de pensamiento/razonamiento configurable, función nativa...
Google Gemma 4 31B es una variante ajustada por instrucciones de la familia Gemma 4, desarrollada por Google. Tiene aproximadamente 31 mil millones de parámetros y está optimizada para tareas de chat…
Gemma 4 31B está diseñado para seguir instrucciones, generación de texto y razonamiento. Puede comprender indicaciones complejas, conversaciones de múltiples turnos y tareas que requieren lógica paso a paso. El modelo está ajustado por instrucciones, lo que significa que ha sido afinado para seguir las indicaciones del usuario y producir respuestas útiles y coherentes. Admite interacciones de un solo turno y de múltiples turnos. Basado en sus 31B parámetros, equilibra capacidad con velocidad de inferencia, lo que lo hace adecuado para aplicaciones en tiempo real donde la latencia importa.
A través del benchmark GPQA Diamond, sabemos que el modelo se desempeña bien en tareas de razonamiento de nivel experto en ciencias. También es probablemente fuerte en generación de código, resumen y escritura creativa, aunque no se proporcionan puntos de referencia específicos para esas tareas en los datos dados. El modelo es más efectivo cuando se le dan instrucciones claras y estructuradas. Para tareas que requieren un contexto muy largo o generación aumentada por recuperación, los usuarios deben probar los límites de la ventana de contexto del modelo, ya que la longitud exacta del contexto no está especificada en los datos proporcionados.
Si tus tareas son simples — como clasificación básica, generación de texto corto o respuestas de una sola oración — podrías preferir un modelo más pequeño y menos costoso como Gemma 4 2B o 9B. La variante de 31B incurre en costos de token más altos, aunque aún modestos. Para aplicaciones de alto rendimiento donde la latencia es crítica, un modelo más pequeño también puede ser más rápido. Además, si tu caso de uso no requiere el razonamiento riguroso medido por GPQA Diamond, un modelo de propósito general más barato podría proporcionar un rendimiento adecuado a un costo menor.
En los hechos proporcionados no se enumeran limitaciones específicas. Sin embargo, como ocurre con muchos modelos ajustados por instrucciones de peso abierto, Gemma 4 31B puede generar resultados incorrectos o sesgados, especialmente en temas ambiguos o controvertidos. También puede tener dificultades con tareas que requieren información en tiempo real o eventos muy recientes debido a su fecha límite de entrenamiento. El tamaño de la ventana de contexto del modelo no se revela; si es limitada (por ejemplo, 8K-32K), puede no ser adecuado para documentos muy extensos. Los usuarios siempre deben verificar los resultados en aplicaciones de alto riesgo.
GPQA Diamond es un conjunto de datos de preguntas de opción múltiple a nivel de posgrado que cubre biología, física y química. Una puntuación del 85.7% significa que Gemma 4 31B respondió correctamente más del 85% de estas preguntas. Este es un resultado sólido, lo que indica que el modelo tiene un conocimiento robusto del dominio y habilidades de razonamiento. Es importante señalar que el punto de referencia es de opción múltiple, por lo que no evalúa directamente las capacidades generativas, pero se correlaciona con la capacidad del modelo para recordar y razonar sobre contenido de nivel experto.
No se proporcionan puntuaciones adicionales de benchmarks en los hechos dados. El único benchmark cuantitativo compartido es la puntuación GPQA Diamond de 85.7. Para una comprensión más completa de las capacidades del modelo, los usuarios deben consultar el informe técnico oficial o la ficha del modelo de Google. OrcaRouter no verifica ni agrega benchmarks de forma independiente. El modelo puede tener un rendimiento diferente en otras evaluaciones como MMLU, HumanEval o GSM8K, pero esas cifras no se incluyen aquí.
En los hechos proporcionados no se indican cifras específicas de velocidad de inferencia o latencia. Como modelo de 31B parámetros, es más grande que las variantes de 9B y 2B de Gemma 4, por lo que normalmente será más lento por token y requerirá más memoria de GPU. La latencia real depende del hardware (p. ej., tipo de GPU, tamaño de lote) y de la infraestructura del proveedor. Cuando se accede a través de OrcaRouter, estás sujeto a la infraestructura de servicio de Google. Para aplicaciones críticas en cuanto a latencia, recomendamos probar el tiempo de respuesta del modelo bajo la carga de trabajo esperada.
El puntaje de GPQA Diamond de 85.7% muestra un rendimiento sólido, pero no es perfecto—el modelo aún falla en el 14.3% de las preguntas, lo que significa que podría no ser confiable para todas las consultas de nivel experto. El benchmark no mide el razonamiento de contexto largo, el rendimiento multilingüe ni la seguridad. Por lo tanto, aunque el puntaje es impresionante, no debe interpretarse como una garantía de razonamiento perfecto en todas las tareas. Los usuarios deben considerar el rendimiento del modelo en el dominio específico en el que pretenden aplicarlo.
El precio es de $0.13 por 1 millón de tokens de entrada y $0.38 por 1 millón de tokens de salida. Estas son las tarifas del proveedor facturadas sin ningún margen adicional por OrcaRouter. Los tokens se cuentan según el tokenizador de Google; los tokens de entrada incluyen el mensaje completo y cualquier mensaje del sistema, mientras que los tokens de salida son el texto generado. No hay tarifas adicionales por solicitud ni compromisos mensuales. Este precio directo por token facilita la estimación de costos según su volumen de uso.
Los hechos proporcionados no mencionan descuentos por almacenamiento en caché ni precios por volumen. OrcaRouter puede ofrecer almacenamiento en caché de tokens de entrada repetidos para reducir costos, pero eso no se especifica aquí. Deberías consultar la documentación de OrcaRouter o contactar con su soporte para obtener detalles sobre cualquier función de optimización de costos. El precio base de $0,13/$0,38 por millón de tokens se aplica por defecto. Para un uso muy elevado, puedes consultar sobre posibles acuerdos empresariales, pero no se incluyen dichos términos en estos datos.
Si usas Gemma 4 2B o 9B, tu costo por token será menor, a menudo en el rango de $0.02–$0.10 por millón de tokens. El modelo 31B es más caro pero ofrece mayor capacidad de razonamiento, como lo indica la puntuación GPQA Diamond. Para tareas que no requieren razonamiento de nivel experto, el costo adicional puede no estar justificado. Por el contrario, para aplicaciones donde la precisión es crítica, invertir en el modelo 31B podría reducir la necesidad de verificación manual, potencialmente disminuyendo los costos generales.
OrcaRouter pasa la tarifa exacta del proveedor sin ningún recargo. Para el Gemma 4 31B de Google, eso significa que pagas $0.13 por millón de tokens de entrada y $0.38 por millón de tokens de salida directamente. No hay tarifa de servicio adicional ni margen de plataforma. OrcaRouter gana dinero a través de otros medios (p. ej., suscripciones empresariales o excedente de uso), pero para este modelo, el precio que ves es lo que Google cobra. Esta transparencia te permite comparar costos directamente con otros proveedores.
Usas una biblioteca cliente compatible con OpenAI con la URL base https://api.orcarouter.ai/v1 y el ID del modelo "google/gemma-4-31b-it". Por ejemplo, usando el SDK de Python de OpenAI, establece `openai.api_base = "https://api.orcarouter.ai/v1"` y `openai.api_key = "your-orcarouter-api-key"`. Luego llama a `openai.ChatCompletion.create(model="google/gemma-4-31b-it", messages=[{"role":"user","content":"Hello"}])`. La API admite los mismos parámetros que el endpoint de chat de OpenAI, como temperature, max_tokens y top_p.
La API de OrcaRouter admite parámetros estándar compatibles con OpenAI: `model`, `messages`, `temperature` (0–2, valor predeterminado 1), `max_tokens` (entero, hasta el límite del modelo), `top_p` (0–1, valor predeterminado 1), `frequency_penalty`, `presence_penalty`, secuencias `stop` y `stream` (booleano). El parámetro `n` (número de finalizaciones) también puede ser compatible, pero se aplican límites de uso. Tenga en cuenta que parámetros específicos de Gemma 4, como `repetition_penalty`, podrían ser compatibles mediante claves adicionales en el cuerpo; consulte la documentación de OrcaRouter para obtener parámetros personalizados del proveedor.
Sí, la migración es sencilla si ya utilizas una API compatible con OpenAI. Simplemente cambias el parámetro `model` a "google/gemma-4-31b-it" y apuntas a la URL base de OrcaRouter. Ten en cuenta que la tokenización y el formato de salida pueden diferir ligeramente de otros modelos. Debes probar las respuestas del modelo con una muestra de tus indicaciones para garantizar la calidad. También debes considerar que la estructura de precios difiere de los modelos de OpenAI, y es posible que debas ajustar tus expectativas de costos en consecuencia.
OrcaRouter requiere una clave de API enviada en el encabezado `Authorization` como `Bearer <your-api-key>`. Puede obtener una clave registrándose en el sitio web de OrcaRouter. La clave se utiliza para autenticar sus solicitudes y enrutarlas al proveedor adecuado. Asegúrese de mantener su clave segura. La API no admite otros métodos de autenticación. Para solicitudes de streaming, se utiliza la misma clave. No hay restricciones adicionales de IP a menos que se especifique en su cuenta de OrcaRouter.
Gemma 4 9B es un modelo más pequeño y barato, generalmente con un precio de alrededor de $0.02–$0.10 por millón de tokens, y probablemente tiene puntuaciones de referencia más bajas. La variante 31B, con 3.4 veces más parámetros, logra un 85.7% en GPQA Diamond; la puntuación de la 9B no se proporciona, pero presumiblemente es más baja. El modelo 31B ofrece un mejor razonamiento, pero a un costo mayor y probablemente una latencia más alta. Para tareas simples, la 9B puede ser suficiente; para preguntas de nivel experto, la 31B es la mejor opción. Ambos se acceden a través de la misma API de OrcaRouter.
No se proporcionan puntos de referencia de comparación directa. Sin embargo, Llama 3.1 70B es un modelo más grande (70B parámetros) y a menudo tiene un mayor rendimiento en puntos de referencia generales, pero también un mayor costo por token. Gemma 4 31B es más eficiente y puede ser competitivo en razonamiento específico de dominio como GPQA. El tamaño de 31B lo hace atractivo para su implementación en GPU de grado de consumo. Los usuarios deben evaluar en sus propias tareas. OrcaRouter puede ofrecer ambos modelos para una comparación directa.
Gemma 4 31B es un modelo de pesos abiertos bajo la licencia Gemma de Google, que permite su uso gratuito para la mayoría de las aplicaciones. Sin embargo, cuando se accede a través de OrcaRouter, estás sujeto a los términos de servicio de OrcaRouter y pagas por token. También podrías ejecutar el modelo tú mismo en tu propio hardware si tienes los recursos. OrcaRouter ofrece una alternativa alojada que evita la sobrecarga de infraestructura. La elección entre autoalojamiento y el uso de OrcaRouter depende de tu presupuesto, requisitos de latencia y preferencias operativas.
OrcaRouter proporciona un punto final de API unificado para múltiples proveedores, incluido Google. Si utilizas Vertex AI o AI Platform de Google, es posible que obtengas precios diferentes, posiblemente más bajos para volúmenes altos. El margen cero de OrcaRouter es competitivo para un uso moderado. La principal ventaja de OrcaRouter es la única API compatible con OpenAI para muchos modelos, lo que simplifica la integración. Para los usuarios que ya están en Google Cloud, el acceso directo podría ofrecer una mejor integración con otros servicios. OrcaRouter no almacena tus datos más allá del registro estándar de la API; consulta su política de privacidad para obtener más detalles.
Compatible con OpenAI: conserva tu SDK actual
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-4-31b-it",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| Entrada / 1M tokens | $0.130 |
| Salida / 1M tokens | $0.380 |
| Lectura caché / 1M | $0.020 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/google/gemma-4-31b-itAbrir @misc{orcarouter_gemma_4_31b_it,
title = {Gemma 4 31B API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemma-4-31b-it}
}Google. (2026). Gemma 4 31B API. OrcaRouter. https://www.orcarouter.ai/models/google/gemma-4-31b-it