Gemma 4: Todos os tamanhos da família de pesos abertos do Google explicados

Não há um único Gemma 4 para consultar. A atual linha de pesos abertos do DeepMind é composta por cinco modelos separados — Gemma 4 E2B, Gemma 4 E4B, Gemma 4 12B, Gemma 4 26B A4B e Gemma 4 31B — distribuídos entre duas arquiteturas e dois níveis de janela de contexto, e eles divergem entre si sobre a pergunta com que a maioria dos leitores chega. Três dos cinco aceitam áudio. Dois não. Dois dos cinco são o tipo de modelo que você chama por meio de uma API; o 12B é o tipo que você baixa. Escolher o tamanho errado é a maneira mais comum de desperdiçar um fim de semana com esta família, e nada no hub do próprio fornecedor torna a divisão óbvia à primeira vista.

Essa lacuna é mensurável, e é por isso que esta página existe. Em nossos próprios dados do Search Console de 2026-09-15 a 2026-10-12, a faceta Gemma 4 atraiu 499 impressões e 5 cliques em 47 consultas. O termo puro — alguém digitando apenas "gemma 4" — respondeu por 24 impressões e zero cliques em duas consultas. As seis maiores consultas em toda a vizinhança são comparações, e todas elas são contra um modelo Qwen 3.8: gemma 4 vs qwen 3.8 (99 impressões), gemma 4 vs qwen3.8 (40), gemma 4 vs qwen 3.8 27b (29). E o blog ao vivo já responde aos confrontos do 12B em detalhes — três gemma-4-12b-vs-* comparações lideram com esse modelo, e mais quarenta o carregam do outro lado do versus. Todas elas colocam o mesmo Gemma 4 12B sem encoder contra um oponente diferente. Os leitores não estão perguntando o que é o Gemma 4. Eles estão perguntando se ele supera algo. Essa pergunta pertence às páginas de comparação. O que as comparações precisam — e o que não foi escrito — é um único lugar que diga precisamente o que é o Gemma 4 e quais tamanhos existem.

O que Gemma 4 realmente é

Gemma 4 é a família de modelos de pesos abertos do DeepMind, publicada tanto na forma pré-treinada quanto ajustada para instruções, com os checkpoints ajustados para instruções carregando o -it como sufixo. A família abrange designs densos e de mistura de especialistas, cinco tamanhos e um conjunto compartilhado de escolhas arquiteturais: atenção híbrida que intercala atenção local de janela deslizante com atenção global completa, com a camada final sempre global; chaves e valores unificados nas camadas globais, além de RoPE proporcional para manter a memória de contexto longo sob controle; um vocabulário de 262.000 tokens; modos de pensamento configuráveis; chamada de função nativa; e suporte nativo para o system como papel. Os cartões de modelo dizem que os modelos foram pré-treinados em mais de 140 idiomas, com mais de 35 suportados de imediato.

Duas coisas sobre a família decidem a maioria dos leitores antes mesmo de o desempenho entrar na conversa.

O primeiro é a licença. Cada tamanho do Gemma 4 na família é distribuído sob Apache 2.0. Isso é uma mudança de postura: os lançamentos do Gemma 2 e do Gemma 3 traziam os Termos de Uso personalizados do Gemma, e seus model cards no Hugging Face ainda exibem license: gemma. Os cards do Gemma 4 apontam, em vez disso, para um texto de licença Apache 2.0, e o post de lançamento descreve a família como "lançada sob uma licença Apache 2.0 comercialmente permissiva." Para quem já teve que ponderar sobre os Termos de Uso do Gemma antes, esse é o fato principal nesta página. Isso se aplica por tamanho, e está declarado no model card de cada tamanho — não é inferido de uma afirmação em nível de família.

A segunda é que "Gemma 4" não é um único modelo, e os tamanhos não são cópias em escala uns dos outros. E2B e E4B usam um truque chamado Per-Layer Embeddings, em que cada camada do decodificador recebe sua própria pequena tabela de embeddings por token; essas tabelas são grandes, mas só são lidas por consulta, e é por isso que o card cita contagens de parâmetros efetivos (2,3B e 4,5B) que ficam bem abaixo dos totais incluindo embeddings (5,1B e 8B). O 12B é o ponto fora da curva em termos de arquitetura — ele não tem encoder, projetando patches brutos de imagem e formas de onda de áudio diretamente no transformer por meio de camadas lineares leves, em vez de usar encoders dedicados de visão e áudio. O 31B é um modelo denso convencional. O 26B A4B é esparso. Quatro perfis de máquina diferentes, um nome de família.

O mapa de tamanhos

Aqui está a família como os próprios cartões de modelo a descrevem. Os parâmetros, as contagens de camadas e as janelas de contexto abaixo são lidos das tabelas de especificações densas e de MoE nos cartões de modelo do Gemma 4.

Gemma 4 E2B. O membro mais pequeno: 2,3 mil milhões de parâmetros efetivos, 5,1 mil milhões incluindo embeddings, 35 camadas, uma janela deslizante de 512 tokens e um contexto de 128K. Lida com texto, imagem e áudio, com aproximadamente 150M de parâmetros do codificador de visão e cerca de 300M para áudio. Foi criado para telemóveis e dispositivos IoT, e não é um dos três tamanhos para os quais o fornecedor publicou uma página separada neste lote — se está aqui especificamente pelo E2B, esta secção é tudo o que existe sobre ele.

Gemma 4 E4B. O mesmo design um passo acima: 4,5B de parâmetros efetivos, 8B incluindo embeddings, 42 camadas, janela deslizante de 512 tokens, contexto de 128K, e a mesma cobertura de texto, imagem e áudio com os mesmos tamanhos de codificador. Também um modelo de borda, também sem uma página dedicada aqui.

Gemma 4 12B. O modelo intermediário unificado e sem encoder da família: 11,95 bilhões de parâmetros, 48 camadas, uma janela deslizante de 1.024 tokens, contexto de 256K e áudio nativo junto com texto e imagem — que o post de lançamento de 3 de junho de 2026 chama de primeiro Gemma de porte médio a incluir áudio. O próprio fornecedor enquadra a implantação local como 16 GB de VRAM ou memória unificada. Ele tem sua própria página neste lote, e toda a presença da família em buscas ao vivo hoje é composta por três gemma-4-12b-vs-* comparações, por isso essa página tem muito peso.

Gemma 4 26B A4B. O modelo esparso, e aquele sobre o qual a seção de notação desta página abaixo trata: 25,2B parâmetros totais, 30 camadas, uma janela deslizante de 1.024 tokens, contexto de 256K, apenas texto e imagem — sem áudio — e 8 especialistas ativos de 128, mais um especialista compartilhado. Ele tem sua própria página neste lote.

Gemma 4 31B. O topo de linha denso: 30,7B de parâmetros, 60 camadas, janela deslizante de 1.024 tokens, contexto de 256K, texto e imagem com um codificador de visão de ~550M e nenhum áudio. Ele tem sua própria página neste lote.

Coloque os cinco lado a lado e a divisão em níveis é limpa em um aspecto e confusa em outro. A janela de contexto acompanha o tamanho exatamente — 128K abaixo de 12B, 256K no 12B e acima. O áudio não: ele está disponível nos dois menores tamanhos e no 12B, e ausente nos dois maiores. Se você precisa de entrada de voz, o 31B é a escolha errada, não importa quanto esteja disposto a gastar em hardware.

O "A4B" em 26B A4B, decifrado

O nome carrega dois números e apenas um deles é uma contagem de parâmetros que você usaria para planejamento de memória. O 26B é o total: 25,2B de parâmetros residem no checkpoint. O A4B é a contagem ativa — aproximadamente 3,8B de parâmetros são tocados por token durante a inferência, porque o roteador de mistura de especialistas seleciona 8 de 128 especialistas (mais um especialista compartilhado) para cada token. O cartão do modelo afirma explicitamente o "A": "O 'A' em 26B A4B significa 'parâmetros ativos', em contraste com o número total de parâmetros que o modelo contém."

O que isso lhe proporciona é uma velocidade de inferência mais próxima de um modelo 4B do que de um 26B, enquanto a qualidade fica mais perto do 31B denso — a própria descrição do card, e a razão pela qual o 26B A4B existe como um nível. O que isso não lhe proporciona é um download pequeno. Você carrega todos os 25,2B parâmetros; você simplesmente não multiplica por todos eles.

Pesos abertos, por tamanho, e o que a licença permite

Todos os cinco tamanhos são lançamentos de pesos abertos, e todas as cinco fichas de modelo declaram Apache 2.0 — E2B, E4B, 12B, 26B A4B e 31B igualmente. A postagem de lançamento descreve a família como "lançada sob uma licença Apache 2.0 comercialmente permissiva" que dá aos desenvolvedores controle sobre seus dados, infraestrutura e modelos, e a postagem do 12B repete a linha do Apache 2.0 para esse tamanho.

O Apache 2.0 é tudo o que há para dizer sobre a licença aqui, mas vale a pena ser preciso quanto ao que isso significa, porque é a pergunta a que a licença responde, e não uma afirmação sobre qualquer serviço alojado. O Apache 2.0 concede uma licença de direitos de autor perpétua, mundial, não exclusiva e isenta de royalties, e uma concessão de patente correspondente, permite a redistribuição e a modificação, e exige que o texto da licença acompanhe a obra e que os ficheiros alterados sejam sinalizados. A concessão de patente termina se intentar um litígio de patente sobre a obra. Não concede direitos de marca para além do uso descritivo habitual e exclui garantias. Quando comparado com os Termos de Utilização do Gemma 2 e 3, a diferença prática é que o Apache 2.0 é uma licença permissiva padrão, sem um anexo separado de uso aceitável associado aos pesos.

Portanto, a licença permite a redistribuição, a utilização comercial, a modificação e o ajuste fino destes pesos, e os próprios pesos estão publicados. É este todo o alcance do que o texto da licença diz. O que qualquer serviço específico gera com um modelo em produção é uma questão separada, regida pelos próprios termos desse serviço e não pela concessão da Apache 2.0.

Formatos de download: o que "QAT" e os repositórios GGUF significam para você

Esta é uma pergunta de leitor com tráfego real por trás, então ela recebe uma resposta aqui em vez de um encaminhamento para outro lugar. O fornecedor disponibiliza checkpoints treinados com reconhecimento de quantização (QAT) para toda a família, e eles são o motivo pelo qual um tamanho que parece grande demais para sua máquina muitas vezes não é.

• Os checkpoints QAT são publicados para todos os tamanhos e em mais de um formato: qat-q4_0-gguf para runtimes locais no estilo llama.cpp, qat-w4a16-ct para serving com pesos de 4 bits / ativação de 16 bits, e qat-q4_0-unquantized variantes que carregam os pesos treinados com QAT sem o empacotamento, para que você mesmo possa quantizá-los.

• A página do Gemma descreve o QAT como "compactação de modelo para eficiência em dispositivos móveis e laptops", datada de junho de 2026 — o mesmo mês em que o 12B chegou.

• Faça a correspondência entre o formato e o tamanho de forma deliberada. E2B, E4B e 12B têm qat-q4_0-gguf builds voltados para celulares, laptops e GPUs de consumidor individuais; o 26B A4B e o 31B também têm builds de 4 bits, mas são quantização do lado do servidor para uma máquina com memória real, e não um alvo de celular.

Existem também -assistantvariantes em toda a família, que são os drafters de previsão multi-token que o fornecedor envia junto com os modelos; a página do Gemma em deepmind.com data o trabalho dos drafters em maio de 2026. Trata-se de uma técnica de aceleração para decodificação especulativa, não de um modelo diferente — você ainda precisa do checkpoint principal.

Onde os tamanhos ficam no hardware e quanto custam

O post de lançamento da família de modelos descreve os dois modelos maiores como pesos bfloat16 não quantizados que "cabem eficientemente em uma única GPU NVIDIA H100 de 80 GB". Com 30,7 bilhões de parâmetros, o 31B tem pouco mais de 60 GB em bfloat16, o que é uma interpretação razoável dessa frase. O 26B A4B, com 25,2 bilhões de parâmetros totais, fica em torno de 50 GB em bfloat16, mas roda na velocidade que sua contagem de 3,8 bilhões de parâmetros ativos sugere.

O 12B é o tamanho que o fornecedor divulga explicitamente para uso local — "Pequeno o suficiente para rodar localmente com apenas 16 GB de VRAM ou memória unificada", conforme o post de lançamento de junho de 2026, com uma build QAT GGUF de 4 bits como o caminho óbvio para caber nesse orçamento. Essa é uma afirmação do fornecedor sobre uma configuração específica, não uma promessa geral sobre todos os níveis de quantização.

Em relação a preço, a formulação honesta é que esta família se divide entre dois modelos de custo ao mesmo tempo. Se você faz auto-hospedagem, seu custo é a GPU e a eletricidade. Se você chama um endpoint hospedado, o preço por token é definido por quem o está servindo e, para a maior parte desta família, esse número varia conforme o provedor. A Artificial Analysis, uma avaliadora independente, lista o Gemma 4 12B (Reasoning) a US$ 0,10 por milhão de tokens de entrada e US$ 0,30 por milhão de tokens de saída — e sinaliza a mesma página com a observação de que não há "API disponível publicamente" para essa variante, o que é um sinal independente útil sobre quais tamanhos nesta família realmente têm endpoints hospedados disponíveis no mercado.

Benchmarks de fornecedores, com os rótulos anexados

Os números abaixo são do próprio fornecedor, publicados nos model cards do Gemma 4, e não são reproduzidos aqui. Eles comparam os modelos ajustados por instrução, com o Gemma 3 27B (sem think) como linha de base da geração anterior.

• Raciocínio — MMLU Pro: 31B 85,2%, 26B A4B 82,6%, 12B 77,2%, E4B 69,4%, E2B 60,0%, contra Gemma 3 27B com 67,6%.

• Matemática de competição — AIME 2026 sem ferramentas: 89,2% / 88,3% / 77,5% / 42,5% / 37,5%, linha de base 20,8%.

• Código — LiveCodeBench v6: 80,0% / 77,1% / 72,0% / 52,0% / 44,0%, linha de base 29,1%. ELO do Codeforces: 2150 / 1718 / 1659 / 940 / 633, linha de base 110.

• Ciência — GPQA Diamond: 84,3% / 82,3% / 78,8% / 58,6% / 43,4%, linha de base 42,4%.

• Tarefas agênticas — Tau2, média de três execuções: 76.9% / 68.2% / 69.0% / 42.2% / 24.2%, linha de base 16.0%.

• Contexto longo — MRCR v2, 8-needle em 128k: 66,4% / 44,1% / 43,4% / 25,4% / 19,1%, linha de base 13,5%. Esta linha é a que separa mais nitidamente o 31B de seus irmãos.

• Visão — MMMU Pro: 76,9% / 73,8% / 69,1% / 52,6% / 44,2%. MATH-Vision: 85,6% / 82,4% / 79,7% / 59,5% / 52,4%.

• Análise de documentos — OmniDocBench 1.5 na distância média de edição, onde menor é melhor: 0.131 / 0.149 / 0.164 / 0.181 / 0.290.

Duas alegações do fornecedor feitas no post de lançamento merecem ficar separadas da tabela, porque são rankings, e não medições: o fornecedor descreve o 31B como o "3º modelo aberto do mundo" e o 26B A4B como ocupando o "6º lugar". Essas são as posições do fornecedor em relação a um conjunto de modelos que ele escolheu. A ficha do modelo também registra que as pontuações de áudio do 12B excluem o chinês. E um número que não é nem um benchmark nem um preço: o post do 12B de junho de 2026 diz que os modelos Gemma 4 "ultrapassaram 150 milhões de downloads". Esse é um número informado pelo fornecedor, sem auditoria independente vinculada.

Apenas uma pontuação independente surgiu para esta família. O Artificial Analysis lista o Gemma 4 12B (Reasoning) com 14 em seu Intelligence Index — sinalizado explicitamente como uma estimativa, com avaliação independente ainda por vir, e classificado em #20 de 141 — ao lado de 110,9 tokens de saída por segundo e 2,49 segundos até o primeiro token. Sua página de índice não traz nenhuma pontuação medida do Gemma 4 para os tamanhos maiores. Trate toda a tabela acima como sendo do próprio fornecedor, e o 14 do 12B como o único ponto de dados medido na família até agora, ele próprio provisório.

Quais membros do Gemma 4 atendemos

OrcaRouter serve três entradas Gemma 4, e elas estão na lista ativa hoje:

• google/gemma-4-26b-a4b-it — o 26B A4B esparso ajustado a instruções, descrito em nosso catálogo como 25,2B de parâmetros totais com 3,8B ativados por token e um contexto de 262.144 tokens, aceitando entrada de texto, imagem e vídeo. Preço de tabela $0,06 por milhão de tokens de entrada e $0,33 por milhão de tokens de saída, com leituras de entrada em cache a $0,0075 por milhão.

• google/gemma-4-31b-it — o modelo denso de 31B ajustado por instruções, com 30,7B de parâmetros. Preço de tabela: US$ 0,13 por milhão de tokens de entrada e US$ 0,38 por milhão de tokens de saída.

• obsidian/gemma-4-26B-A4B — uma build hospedada na Obsidian do mesmo modelo esparso 26B A4B, com contexto de 262K tokens e entrada de texto e imagem, posicionada pelo seu provedor para escrita criativa, roleplay e trabalho de assistente com contexto longo. Preço de tabela de $0.25 por milhão de tokens de entrada e $2.90 por milhão de tokens de saída.

Dois dos três são o mesmo modelo base servido por provedores diferentes, o que é o caso útil para uma camada de roteamento, e não uma curiosidade. Se um provedor apresentar degradação, a mesma requisição faz failover para o outro id sem qualquer alteração de código e, como repassamos os preços dos provedores com 0% de margem, um preço hospedado de qualquer um destes três chega até você no dia em que é lançado, e não depois de um ciclo de reajuste. As duas entradas 26B A4B também são a ilustração mais clara de por que vale a pena olhar a diferença de preço antes de você optar por uma delas por padrão: uma diferença de 4× na entrada e de 8,8× na saída entre duas entradas que rodam a mesma arquitetura é uma decisão de roteamento, não de modelo.

Há uma coisa ausente, e vale a pena declará-la claramente em vez de insinuá-la. Não há nenhum ID 12B em nossa lista sob nenhuma grafia. O tamanho com mais páginas ativas e maior demanda por comparações nesta família é exatamente aquele que não atendemos, então, se você quer o 12B por meio de um endpoint hospedado, este não é o lugar para obtê-lo — e, se você quer o membro desta família sem encoder, com capacidade de áudio e da classe de 16 GB, a auto-hospedagem dos pesos abertos é o caminho a planejar.

O que não está resolvido

Três coisas que um leitor não deve considerar encerradas. Primeiro, a tabela de benchmarks é inteiramente informada pelo fornecedor; o único número independente disponível para esta família é uma única pontuação estimada do Intelligence Index para um tamanho. Segundo, a demanda por esta família é quase totalmente comparativa, e não isolada — 73% das impressões da família Gemma 4 em nossos dados vêm de consultas qualificadas, e as seis maiores são todas comparações com o Qwen — o que significa que as respostas que os leitores realmente querem dependem de confrontos que ainda estão sendo medidos. Terceiro, o próprio hub do fornecedor desde então ganhou vizinhos com nomes que ficam próximos a esta família: um DiffusionGemma construído sobre o Gemma 4, drafters de previsão multi-token e o EmbeddingGemma 2. Esses são modelos separados, não tamanhos do Gemma 4, e misturá-los numa comparação de tamanhos produzirá absurdos.

Disponibilidade

Os pesos para todos os cinco tamanhos — E2B, E4B, 12B, 26B A4B e 31B — são publicados abertamente sob a licença Apache 2.0, nas formas pré-treinada e ajustada por instruções, com builds QAT e GGUF ao lado deles, por meio da distribuição do próprio fornecedor e dos repositórios de modelos habituais. Em endpoints hospedados, a linha de modelos varia conforme a plataforma e, para esta família, essa variação é maior do que o habitual: três dos cinco tamanhos aparecem na nossa lista ativa, o 12B não aparece na nossa, e pelo menos um avaliador independente não registra nenhuma API disponível publicamente para ele. Consulte o catálogo ativo da plataforma que você usar para o tamanho específico de que precisa, em vez de presumir que o nome da família o inclui.