Gemma 4: Byte for byte, the most capable open models

原文链接：https://deepmind.google/models/gemma/gemma-4/ 博客全文：https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/ 作者：Clement Farabet（VP of Research, Google DeepMind）、Olivier Lacombe（Group Product Manager） 机构：Google DeepMind 发布日期：2026-04-02

速查卡

核心 Insight

Gemma 4 的核心叙事不是”又一个大模型”，而是 “每参数智能密度”（intelligence-per-parameter）的极致追求 + 真正的开源许可证。

这两点合在一起的意义是革命性的：

1. 能力密度：31B 参数的 Gemma 4 在 Arena AI 排名全球开源 #3，击败了参数量 20 倍以上的模型。26B MoE 变体推理时只激活 3.8B 参数就能排到 #6。这意味着单张 H100（80GB）甚至消费级 GPU 就能运行世界级智能。

2. Apache 2.0：Gemma 3 时代的自定义许可证是社区的一大痛点——虽然免费但附带各种限制条款，企业法务团队对此心存疑虑。切换到 Apache 2.0 彻底消除了这个障碍，意味着：完全自由商用、可修改、可再分发、无需向 Google 报告、无需担心许可证变更风险。

3. 从云到端的完整覆盖：四个尺寸（31B Dense → 26B MoE → E4B → E2B）覆盖从数据中心到树莓派的全场景，而且边缘模型（E2B/E4B）支持视觉+音频多模态输入。这不是一个模型，而是一个”可到处部署的 AI 引擎家族”。

为什么 Gemma 4 能用更少的参数做到更多？

从技术角度看，这得益于 Gemini 3 的研究成果下放：

• 更好的架构设计：虽然 Google 没有公开 Gemma 4 的完整技术报告（截至发布日），但从 Gemini 3 的已知信息推断，更高效的注意力机制、改进的位置编码、优化的 FFN 结构都贡献了能力密度的提升
• 更高质量的训练数据：Google 坐拥全球最大的网页索引+知识图谱+多语言数据，数据质量是能力密度的关键因素
• MoE 架构的高效利用：26B MoE 只需激活 3.8B 参数即可推理，本质上是用”专家路由”机制让不同类型的输入由不同的”专家子网络”处理，避免了密集模型中大量参数”空转”的浪费
• 从 Gemini 3 到 Gemma 4 的”蒸馏+优化”路径：大模型的知识通过精心设计的训练流程压缩到小模型中，这比从零训练小模型效果好得多

模型规格与架构

完整模型家族

硬件需求映射

关键能力特性

高级推理与 Agentic 工作流：

• 原生函数调用（function calling）：模型天然支持调用外部工具和 API
• 结构化 JSON 输出：直接生成符合 schema 的 JSON，无需后处理
• 原生系统指令（system instructions）：无需在 prompt 中模拟系统角色
• 多步规划与深度逻辑推理

多模态能力：

• 所有模型支持图像/视频输入（可变分辨率）
• E2B/E4B 额外支持音频输入（语音识别+理解）
• 擅长 OCR、图表理解等视觉任务

多语言：

• 原生训练覆盖 140+ 语言
• 不仅是翻译，还理解文化语境

Benchmark 详细结果

解读：

• 数学能力飞跃：AIME 2026 从 Gemma 3 的 20.8% 直接跳到 89.2%（+68.4pp），这不是渐进提升，是质变。即使是 26B MoE 也达到了 88.3%，表明数学推理能力不依赖于密集参数。

• Agent 工具使用能力爆发：τ2-bench 从 6.6% 到 86.4%（+79.8pp），Gemma 3 几乎不能做 Agent 任务，Gemma 4 直接成为顶级 Agent 基座。这是最具实际价值的提升——意味着 Gemma 4 可以直接用于构建自主 Agent。

• 编程能力翻倍有余：LiveCodeBench 从 29.1% 到 80.0%（+50.9pp），直接进入竞赛级编程能力范围。

• MoE 与 Dense 的性能差距极小：26B MoE 在所有 benchmark 上仅比 31B Dense 低 1-3 个百分点，但推理时只用 3.8B 参数。这意味着在速度敏感的场景中，MoE 是更优选择。

与竞品的横向对比

注： Qwen3.6-Plus 和 Llama 4 的部分 benchmark 数据缺失或不可直接对比。Arena AI 排名 Gemma 4 31B 为开源 #3，击败了包括 Llama 4 Maverick（400B）在内的大模型。

生态系统与工具链

Day-1 支持的框架和平台

下载与快速开始

# Ollama（最简单）
ollama run gemma4

# HuggingFace
# pip install transformers
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("gg-hf-gg/gemma-4-31B-it")

# Google AI Studio（在线体验）
# https://aistudio.google.com/prompts/new_chat?model=gemma-4-31b-it

Apache 2.0 许可证的意义

这次许可证变更值得单独分析，因为它对整个开源 AI 生态的影响可能比模型本身更深远。

许可证对比

为什么 Apache 2.0 是”金标准”？

1. 企业法务零摩擦：Apache 2.0 是全球最被广泛理解和接受的开源许可证之一，几乎所有企业的法务部门都已审阅过，不需要额外的许可证审查流程
2. 明确的专利授权：Apache 2.0 包含明确的专利授权条款，保护使用者不会因使用模型而遭到专利诉讼
3. 真正的”数字主权”：Google 在博客中强调 “digital sovereignty”——各国政府和企业可以完全掌控自己的数据、基础设施和模型，无需依赖 Google 的许可
4. 社区信号效应：Google 明确写了 “You gave us feedback, and we listened”——这向社区传递了积极信号，可能推动 Meta 等也考虑更宽松的许可

批判性分析

局限性

1. 缺少完整技术报告：截至发布日，Google 没有公开 Gemma 4 的完整技术报告（仅有 model card）。对于一个声称”每参数最聪明”的模型，缺少训练细节（数据混合、训练策略、架构改进）是一个遗憾。这使得独立验证其声明更加困难。

2. Benchmark 选择性展示：官方只展示了最有利的 benchmark 结果。在某些任务（如长上下文检索、代码完成等具体工程任务）上的表现可能不如数字看起来那么亮眼。社区独立评测的结果可能会揭示不同的画面。

3. 边缘模型（E2B/E4B）的实际可用性：虽然声称支持”从手机到树莓派”，但在实际部署中，E2B 的 2B 有效参数在复杂任务上的能力仍然有限。128K 上下文在 2GB RAM 设备上是否真能保持性能？

4. Thinking 模式的依赖性：所有 benchmark 数字都标注了 “IT Thinking”（带推理链的版本），这意味着模型需要生成额外的推理 token 来达到这些分数。实际延迟和成本会比”裸”推理高很多。没有 Thinking 模式的 benchmark 数字缺失。

适用边界

• 最佳场景：需要高质量推理的本地/私有部署、Agent 工作流、多语言应用、边缘设备 AI
• 不适用场景：需要超长上下文（>256K）的任务、需要最高保密级别的政府应用（虽然有 Sovereign Cloud 选项）、需要自定义模态的特殊任务

独立观察

• Gemma 4 vs Qwen3.6-Plus 的赛道碰撞：两者在同一天发布，都主打”小模型大能力”+编程+Agent。Qwen3.6-Plus 拿出 100 万上下文的杀手锏，Gemma 4 拿出 Apache 2.0+更完整的尺寸矩阵。这是 2026 年开源模型赛道最精彩的正面对决。

• Google 的”开源-闭源双引擎”战略：Gemma 4 与 Gemini 3 形成互补——开源版本吸引社区和生态，闭源版本在 Cloud 上变现。这比 Meta 的纯开源策略（缺乏 API 营收）和 OpenAI 的纯闭源策略（缺乏社区生态）都更可持续。

• 400M 下载量 + 10 万社区变体的生态飞轮：Gemma 已经形成了强大的社区生态——微调版本、领域特化版本（如保加利亚语 BgGPT、癌症治疗发现 Cell2Sentence-Scale）。Apache 2.0 将进一步加速这个飞轮。

对领域的影响

短期（1-3 个月）： 开源社区将涌现大量 Gemma 4 微调版本。在 HuggingFace Trending 上预计会持续霸榜数周。Ollama / LM Studio 用户将大规模迁移到 Gemma 4。

中期（3-12 个月）： Gemma 4 将成为 Agent 框架（LangChain、AutoGPT 等）的默认开源选择之一。边缘部署（手机、IoT）将进入实用阶段。Apache 2.0 可能推动 Meta 在 Llama 5 时采用更开放的许可。

长期（1-2 年）： “每参数智能密度”的竞赛将加速——这比”参数量竞赛”对实际应用更有价值。如果 Gemma 4 的社区微调版本能在特定垂直领域达到 GPT-5 级别，将彻底改变 AI 产业的成本结构。

附录：Gemma 4 31B vs 闭源主力模型全面横评

数据来源：OpenAI / Anthropic / Google 官方技术报告及模型卡（2025–2026）、Berkeley BFCL、SWE-bench.com、LiveCodeBench、GAIA HuggingFace Leaderboard、lmarena.ai Chatbot Arena 标注说明：⚠️ = 社区估算或非官方数据；† = 扩展思考/Thinking 模式下的分数；✓ = 官方数据

为什么要把 Gemma 4 31B 和闭源模型放在一起比？

因为 Google 自己说了——“Byte for byte, the most capable open models”。这句话的潜台词是：我们不仅在开源里赢，我们要和闭源旗舰一起比。

那就来比。

重要前提：Standard vs Thinking 模式

Gemma 4 的官方发布数字用的是 **“IT Thinking”（开启推理链）**模式，其他闭源模型里也存在类似情况（Claude 的 Extended Thinking、o3/o4-mini 的 Reasoning 模式、Gemini 2.5 系列的 Thinking Budget）。

为了公平，本节对每个关键 benchmark 都同时提供两种条件的对比：标准模式（不开启推理链）和最佳模式（模型允许的最强推理设置）。

一、科学推理：GPQA Diamond

测量内容：博士级科学问题（物理/化学/生物），代表模型的”硬知识推理”上限。

解读：

• 标准模式：Gemma 4 31B（53.7%）和 GPT-4o（53.6%）几乎并列，是 GPT-4o 级别的科学推理能力。但 GPT-4.1 已经达到 66.3%，比 Gemma 4 31B 高出约 13pp。
• Thinking 模式：Gemma 4 31B 开启 Thinking 后跳到 84.3%，直接进入 Claude Sonnet 4.5（84.2%）和 Claude 3.7 Thinking（84.8%）的梯队，比 Claude Sonnet 4（80.0%）还略高，但仍然低于 Gemini 2.5 Pro（86.4%）和 o3（87.7%）。
• 核心结论：在 GPQA 这个维度，Gemma 4 31B Thinking ≈ Claude Sonnet 4.5（标准），作为开源模型意义重大。

二、数学能力：AIME 2024 / AIME 2026

AIME 是美国最高级别数学竞赛题。AI 模型在此的得分从 2023 年几乎接近 0，到 2025 年已经”制霸”人类竞赛选手。

解读：

• 标准模式的分水岭极其明显：Claude 3.7（16%）、Gemma 4 31B（16.7%）、GPT-4.1（26.7%）——这三者在标准模式下都”不会做”AIME 题。这说明不开推理链，2026 年旗舰模型对顶级数学题依然力不从心。
• Thinking 模式把格局完全扭转：Gemma 4 31B Thinking（89.2% AIME 2026）直接超过 Gemini 2.5 Pro（86.7%），跟 o3（88.9%）几乎持平。这是本次发布最令人震惊的数字——一个 31B 开源模型在数学推理上比肩 OpenAI 旗舰推理模型？
• ⚠️ 重要注意：Google 使用的是 AIME 2026 数据，其他模型多用 AIME 2024/2025，难度和评测协议存在差异，不能直接做等号比较。即便如此，AIME 2026 89.2% 仍然是一个非常强烈的信号。

三、编程能力：LiveCodeBench v5/v6 / HumanEval

LiveCodeBench 基于竞赛平台实时题目，比 HumanEval 更难伪造、更贴近真实能力。

解读：

• 标准模式：Gemma 4 31B（50.0%）> GPT-4o（32.3%），约与 GPT-4.1（54.4%）接近。这个数字意味着 Gemma 4 的代码能力已经是 GPT-4.1 级别的，只是 LiveCodeBench 版本号有差异（v5 vs v6）。
• Thinking 模式：80.0% 直追 o3（82.1%）和 o4-mini（79.0%），大幅超越 Gemini 2.5 Pro（70.4%）和 Claude Sonnet 4.5（64.2%）。
• HumanEval 的局限性：GPT-4o 的 90.2% 其实比 Gemma 4 的 82.9% 高，但 HumanEval 题目已经被训练数据污染，LiveCodeBench 才是更可信的编程能力指标。

四、代码 Agent：SWE-bench Verified

在真实 GitHub issue 上修复 bug，是代码 Agent 能力的金标准。

解读：

• Gemma 4 31B 没有 SWE-bench 官方数据，这是一个值得注意的缺失。Google 在发布时选择了 τ2-bench（自家 Agent 基准）而非 SWE-bench，可能原因是 SWE-bench 更依赖工具链集成（代码执行、文件操作），而不是纯语言能力。
• 闭源模型里，Claude 系列在 SWE-bench 上碾压 Gemini 系列——Gemini 2.5 Pro（63.8%）vs Claude Sonnet 4.5（75.1%），差距超过 11pp。这也是 Claude 被普遍认为是”代码 Agent 最强”的核心数据来源。
• GPT-4.1 vs Claude 3.7 的对比很有意思：GPT-4.1 标准模式（54.6%）< Claude 3.7 标准模式（62.3%），说明在代码 Agent 任务上 Claude 的优势不只来自推理链。

五、工具调用与 Agent 能力：τ2-bench / BFCL / GAIA

5.1 τ2-bench（Google 内部 Agent 基准）

这是 Google 专门为 Agentic 工作流设计的评测，测试模型在多步骤工具使用场景下的表现。

⚠️ 注：τ2-bench 目前只有 Google 内部数据，缺乏对 Claude/GPT/Gemini 系列的横向对比结果。但 86.4% 的绝对值和 Gemma 3 的 6.6% 之间的跳跃（+79.8pp）说明 Gemma 4 的 Agentic 能力是质的突破。

5.2 BFCL v3（Berkeley Function Calling Leaderboard）

测试模型按照 JSON Schema 准确调用工具的能力。

5.3 GAIA（通用 AI 助手真实任务）

测试模型完成真实世界多步骤任务（搜索 + 文件处理 + 推理组合）。

综合 Agent 能力解读：

• Gemma 4 在 BFCL 和 GAIA 上目前均无官方数据，这是一个真实的信息缺口。
• Gemini 2.5 Pro 在 GAIA 上遥遥领先（72%），核心原因是其原生 Google Search 工具集成——多步骤信息检索任务对原生搜索能力的依赖极高。
• GPT-4.1 以 Strict Mode 函数调用为核心优势，在 BFCL 排名第一（79.3%）。

六、综合对话质量：Chatbot Arena ELO

来源：lmarena.ai 人类盲评排行榜，数据约为 2025 年中期

解读：

• Gemma 4 在全模型榜的绝对位置（~1270）低于所有闭源旗舰（1285-1422），但是领先 Gemini 2.0 Flash。
• 在开源模型专榜上，Gemma 4 31B 是 #3（1452 Arena AI 开源榜分），击败了 Llama 4 Maverick（400B）和 Qwen3.6-Plus 等对手。这是 Google 原文”开源 #3”的数据来源——两个榜单用的是不同评分体系，不能混用。

七、价格与性价比全景

关键性价比洞察：

1. Gemma 4 31B 的成本优势是结构性的：自托管情况下边际成本接近零（只有算力成本）。对于私有化部署需求，这不是”便宜一点”，而是”商业模型完全另一个量级”。

2. GPT-4o 与 Gemma 4 31B Thinking 的能力比较：两者 GPQA 分数几乎持平（标准模式），但 GPT-4o 要收 $2.50/$10，Gemma 4 可以免费自托管。

3. Gemini 2.5 Flash（$0.15/$0.60）是商用 API 里性价比最高的方案：GPQA 72%、AIME 73.3%、SWE-bench 38%，而且有 1M token 上下文，Thinking 模式按需付费。

4. Claude 系列三版本同价（$3/$15）：Claude 3.7 → Sonnet 4 → Sonnet 4.5 性能在持续提升，但定价不变，说明 Anthropic 的策略是”锁定中端市场”。

5. o3（$10/$40）的使用场景：成本是 Claude 的 3-4 倍，适合对推理质量极度敏感且任务量不大的场景（复杂规划、一次性分析）。

八、综合横评表（全维度速览）

✓ = 官方数据；⚠️ = 估算；† = 扩展思考/Thinking 模式；— = 无公开数据

‡ Google 使用 AIME 2026 题目，其他模型多用 AIME 2024/2025，难度体系略有不同。

九、基于数据的定性结论

Gemma 4 31B 的真实位置：

三条最核心的结论：

1. Gemma 4 31B Thinking 是目前最强的开源数学/科学推理模型：在 GPQA 和 AIME 上达到或超越 Claude Sonnet 4.5 标准模式，与 Gemini 2.5 Pro（闭源旗舰）差距在 2pp 以内。这一点已经超出了很多人的预期。

2. 代码 Agent 能力存在显著数据空白：Google 没有提供 SWE-bench、BFCL、GAIA 的官方数字。这不一定意味着 Gemma 4 在这些方面表现差，但作为一个声称”顶级 Agent 能力”的模型，缺乏最权威的 Agent 基准数据，让”Agent 能力爆发”的叙事无法被独立验证。

3. 性价比是无法竞争的护城河：对于私有化部署需求，任何闭源方案都无法在价格上与开源权重竞争。问题从来不是”Gemma 4 够不够好”，而是”它在哪些场景好到足够用”。答案已经很清楚：数学、科学推理、编程——够用，而且价格差出一个数量级。

数据来源与完整引用：OpenAI GPT-4.1 发布 · o3/o4-mini System Card · Anthropic Claude 3.7 Sonnet · Google Gemini 2.5 Pro · Gemma 4 HuggingFace 模型卡 · Berkeley BFCL · SWE-bench · LiveCodeBench · GAIA Leaderboard · Chatbot Arena