Gemma 4 31B Instruct adalah model multimodal padat 30,7B milik Google DeepMind yang mendukung input teks dan gambar dengan output teks. Memiliki jendela konteks 256K token, mode berpikir/penalaran yang dapat dikonfigurasi, fungsi asli...
Google Gemma 4 31B adalah varian yang disetel instruksi dari keluarga Gemma 4, yang dikembangkan oleh Google. Model ini memiliki sekitar 31 miliar parameter dan dioptimalkan untuk tugas obrolan dan…
Gemma 4 31B dirancang untuk mengikuti instruksi, pembuatan teks, dan penalaran. Ia dapat memahami perintah yang kompleks, percakapan multi-putaran, dan tugas yang memerlukan logika langkah demi langkah. Model ini disetel instruksi, artinya telah disetel halus untuk mengikuti arahan pengguna dan menghasilkan respons yang bermanfaat dan koheren. Ia mendukung interaksi satu putaran dan multi-putaran. Berdasarkan jumlah parameternya yang 31B, ia menyeimbangkan kemampuan dengan kecepatan inferensi, sehingga cocok untuk aplikasi waktu nyata di mana latensi penting.
Melalui tolok ukur GPQA Diamond, kita tahu model ini berkinerja baik pada tugas penalaran tingkat ahli dalam sains. Model ini juga kemungkinan kuat dalam pembuatan kode, perangkuman, dan penulisan kreatif, meskipun tolok ukur spesifik untuk tugas-tugas tersebut tidak disediakan dalam fakta yang diberikan. Model ini paling efektif ketika diberikan instruksi yang jelas dan terstruktur. Untuk tugas yang memerlukan konteks yang sangat panjang atau generasi yang ditingkatkan dengan pengambilan, pengguna harus menguji batas jendela konteks model, karena panjang konteks yang tepat tidak ditentukan dalam data yang disediakan.
Jika tugas Anda sederhana—seperti klasifikasi dasar, pembuatan teks pendek, atau respons kalimat tunggal—Anda mungkin lebih memilih model yang lebih kecil dan lebih murah seperti Gemma 4 2B atau 9B. Varian 31B membutuhkan biaya token yang lebih tinggi, meskipun masih terjangkau. Untuk aplikasi throughput tinggi di mana latensi sangat penting, model yang lebih kecil mungkin juga lebih cepat. Selain itu, jika kasus penggunaan Anda tidak memerlukan penalaran ketat yang diukur oleh GPQA Diamond, model tujuan umum yang lebih murah dapat memberikan kinerja yang memadai dengan biaya lebih rendah.
Tidak ada batasan spesifik yang tercantum dalam fakta yang diberikan. Namun, seperti halnya banyak model yang disetel instruksi dengan bobot terbuka, Gemma 4 31B dapat menghasilkan keluaran yang tidak akurat atau bias, terutama pada topik yang ambigu atau kontroversial. Model ini mungkin juga kesulitan dengan tugas yang memerlukan informasi waktu nyata atau peristiwa yang sangat baru karena batas waktu pelatihannya. Ukuran jendela konteks model tidak diungkapkan; jika terbatas (misalnya, 8K-32K), model mungkin tidak cocok untuk dokumen yang sangat panjang. Pengguna harus selalu memverifikasi keluaran dalam aplikasi berisiko tinggi.
GPQA Diamond adalah kumpulan data soal pilihan ganda tingkat pascasarjana yang mencakup biologi, fisika, dan kimia. Skor 85,7% berarti Gemma 4 31B menjawab lebih dari 85% soal tersebut dengan benar. Ini adalah hasil yang kuat, yang menunjukkan bahwa model memiliki pengetahuan domain yang kuat dan kemampuan penalaran. Perlu dicatat bahwa tolok ukurnya adalah pilihan ganda, sehingga tidak secara langsung mengevaluasi kemampuan generatif, tetapi berkorelasi dengan kemampuan model untuk mengingat dan menalar konten tingkat ahli.
Tidak ada skor benchmark tambahan yang disediakan dalam fakta yang diberikan. Satu-satunya benchmark kuantitatif yang dibagikan adalah skor GPQA Diamond sebesar 85.7. Untuk pemahaman yang lebih lengkap tentang kemampuan model, pengguna harus berkonsultasi dengan laporan teknis resmi Google atau model card. OrcaRouter tidak memverifikasi atau menambahkan benchmark secara independen. Model mungkin berkinerja berbeda pada evaluasi lain seperti MMLU, HumanEval, atau GSM8K, tetapi angka-angka tersebut tidak disertakan di sini.
Angka kecepatan inferensi atau latensi spesifik tidak disediakan dalam fakta yang diberikan. Sebagai model dengan 31 miliar parameter, model ini lebih besar dibandingkan varian Gemma 4 yang berukuran 9B dan 2B, sehingga biasanya akan lebih lambat per token dan membutuhkan lebih banyak memori GPU. Latensi aktual tergantung pada perangkat keras (misalnya, tipe GPU, ukuran batch) dan infrastruktur penyedia. Ketika diakses melalui OrcaRouter, Anda tunduk pada infrastruktur peladen Google. Untuk aplikasi yang sensitif terhadap latensi, kami merekomendasikan untuk menguji waktu respons model di bawah beban kerja yang Anda harapkan.
Skor GPQA Diamond sebesar 85.7% menunjukkan performa yang kuat, tetapi tidak sempurna—model masih melewatkan 14.3% pertanyaan, yang berarti mungkin tidak dapat diandalkan untuk semua pertanyaan tingkat ahli. Tolok ukur tersebut tidak mengukur penalaran konteks panjang, performa multibahasa, atau keamanan. Oleh karena itu, meskipun skornya mengesankan, tidak boleh ditafsirkan sebagai jaminan penalaran sempurna di semua tugas. Pengguna harus mempertimbangkan performa model dalam domain spesifik yang ingin mereka terapkan.
Harga adalah $0,13 per 1 juta token input dan $0,38 per 1 juta token output. Ini adalah tarif penyedia yang ditagih tanpa markup oleh OrcaRouter. Token dihitung sesuai dengan tokenizer Google; token input mencakup seluruh prompt dan pesan sistem apa pun, sedangkan token output adalah teks yang dihasilkan. Tidak ada biaya tambahan per permintaan atau komitmen bulanan. Harga per token yang sederhana ini membuat estimasi biaya menjadi mudah berdasarkan volume penggunaan Anda.
Fakta yang disediakan tidak menyebutkan adanya diskon caching atau harga volume. OrcaRouter mungkin menawarkan caching untuk token input yang berulang guna mengurangi biaya, tetapi hal itu tidak disebutkan di sini. Anda sebaiknya memeriksa dokumentasi OrcaRouter atau menghubungi dukungan mereka untuk informasi lebih lanjut mengenai fitur optimalisasi biaya. Harga dasar $0,13/$0,38 per juta token berlaku secara default. Untuk penggunaan yang sangat tinggi, Anda dapat menanyakan kemungkinan perjanjian perusahaan, tetapi tidak ada ketentuan semacam itu yang disertakan dalam data ini.
Jika Anda menggunakan Gemma 4 2B atau 9B, biaya per token akan lebih rendah, biasanya berkisar antara $0,02–$0,10 per juta token. Model 31B lebih mahal tetapi menawarkan kemampuan penalaran yang lebih tinggi seperti yang ditunjukkan oleh skor GPQA Diamond. Untuk tugas yang tidak memerlukan penalaran tingkat ahli, biaya tambahan mungkin tidak sepadan. Sebaliknya, untuk aplikasi yang mengutamakan akurasi, investasi pada model 31B dapat mengurangi kebutuhan verifikasi manual, yang berpotensi menurunkan biaya keseluruhan.
OrcaRouter meneruskan tarif penyedia yang tepat tanpa markup apa pun. Untuk Gemma 4 31B milik Google, itu berarti Anda membayar $0.13 per juta token masukan dan $0.38 per juta token keluaran secara langsung. Tidak ada biaya layanan tambahan atau margin platform. OrcaRouter menghasilkan uang melalui cara lain (misalnya, langganan perusahaan atau kelebihan pemakaian), tetapi untuk model ini, harga yang Anda lihat adalah apa yang Google kenakan. Transparansi ini memungkinkan Anda membandingkan biaya secara langsung dengan penyedia lain.
Anda menggunakan pustaka klien yang kompatibel dengan OpenAI dengan URL dasar https://api.orcarouter.ai/v1 dan ID model "google/gemma-4-31b-it". Misalnya, menggunakan OpenAI Python SDK, atur `openai.api_base = "https://api.orcarouter.ai/v1"` dan `openai.api_key = "your-orcarouter-api-key"`. Kemudian panggil `openai.ChatCompletion.create(model="google/gemma-4-31b-it", messages=[{"role":"user","content":"Hello"}])`. API ini mendukung parameter yang sama dengan endpoint chat OpenAI, seperti temperature, max_tokens, dan top_p.
API OrcaRouter mendukung parameter standar yang kompatibel dengan OpenAI: `model`, `messages`, `temperature` (0–2, default 1), `max_tokens` (integer, hingga batas model), `top_p` (0–1, default 1), `frequency_penalty`, `presence_penalty`, sekuens `stop`, dan `stream` (boolean). Parameter `n` (jumlah penyelesaian) mungkin juga didukung tetapi batasan penggunaan berlaku. Perhatikan bahwa parameter spesifik Gemma 4 seperti `repetition_penalty` mungkin didukung melalui kunci body tambahan; lihat dokumentasi OrcaRouter untuk parameter penyedia kustom.
Ya, migrasi cukup mudah jika Anda sudah menggunakan API yang kompatibel dengan OpenAI. Anda cukup mengubah parameter `model` menjadi "google/gemma-4-31b-it" dan mengarahkan ke URL dasar OrcaRouter. Perhatikan bahwa tokenisasi dan pemformatan output mungkin sedikit berbeda dari model lain. Anda harus menguji respons model pada sampel prompt Anda untuk memastikan kualitas. Selain itu, strukturnya penetapan harga berbeda dari model OpenAI, dan Anda mungkin perlu menyesuaikan ekspektasi biaya Anda.
OrcaRouter memerlukan kunci API yang dikirim dalam header `Authorization` sebagai `Bearer <kunci-api-anda>`. Anda bisa mendapatkan kunci dengan mendaftar di situs web OrcaRouter. Kunci tersebut digunakan untuk mengautentikasi permintaan Anda dan mengarahkannya ke penyedia yang sesuai. Pastikan untuk menjaga keamanan kunci Anda. API tidak mendukung metode autentikasi lainnya. Untuk permintaan streaming, kunci yang sama digunakan. Tidak ada batasan IP tambahan kecuali ditentukan dalam akun OrcaRouter Anda.
Gemma 4 9B adalah model yang lebih kecil dan lebih murah—biasanya dihargai sekitar $0.02–$0.10 per juta token—dan kemungkinan memiliki skor benchmark yang lebih rendah. Varian 31B, dengan 3.4x lebih banyak parameter, mencapai 85.7% pada GPQA Diamond; skor 9B tidak diberikan tetapi kemungkinan lebih rendah. Model 31B menawarkan penalaran yang lebih baik tetapi dengan biaya lebih tinggi dan kemungkinan latensi lebih tinggi. Untuk tugas sederhana, 9B mungkin mencukupi; untuk pertanyaan tingkat ahli, 31B adalah pilihan yang lebih baik. Keduanya diakses melalui API OrcaRouter yang sama.
Tolok ukur perbandingan langsung tidak disediakan. Namun, Llama 3.1 70B adalah model yang lebih besar (70B parameter) dan sering memiliki kinerja lebih tinggi pada tolok ukur umum, tetapi juga biaya per token yang lebih tinggi. Gemma 4 31B lebih efisien dan mungkin kompetitif dalam penalaran domain-spesifik seperti GPQA. Ukuran 31B membuatnya menarik untuk digunakan pada GPU kelas konsumen. Pengguna harus mengevaluasi pada tugas mereka sendiri. OrcaRouter mungkin menawarkan kedua model untuk perbandingan langsung.
Gemma 4 31B adalah model berbobot terbuka di bawah lisensi Gemma dari Google, yang memungkinkan penggunaan gratis untuk sebagian besar aplikasi. Namun, ketika diakses melalui OrcaRouter, Anda terikat pada persyaratan layanan OrcaRouter dan membayar per token. Anda juga dapat menjalankan model sendiri di perangkat keras Anda sendiri jika Anda memiliki sumber daya. OrcaRouter menyediakan alternatif yang dihosting yang menghindari overhead infrastruktur. Pilihan antara hosting mandiri dan menggunakan OrcaRouter tergantung pada anggaran, kebutuhan latensi, dan preferensi operasional Anda.
OrcaRouter menyediakan titik akhir API terpadu untuk berbagai penyedia, termasuk Google. Jika Anda menggunakan Vertex AI atau AI Platform milik Google sendiri, Anda mungkin mendapatkan harga yang berbeda, kemungkinan lebih rendah untuk volume tinggi. Markup nol OrcaRouter bersaing untuk penggunaan moderat. Keunggulan utama OrcaRouter adalah satu API yang kompatibel dengan OpenAI untuk banyak model, menyederhanakan integrasi. Bagi pengguna yang sudah berada di Google Cloud, akses langsung mungkin menawarkan integrasi yang lebih baik dengan layanan lain. OrcaRouter tidak menyimpan data Anda di luar pencatatan API standar; periksa kebijakan privasi mereka untuk detailnya.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
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)| Input / 1M token | $0.130 |
| Output / 1M token | $0.380 |
| Baca cache / 1M | $0.020 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
GET /api/public/models/google/gemma-4-31b-itBuka @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