Google DeepMind 於 2026 年 4 月 2 日正式發布 Gemma 4 開源模型系列，一口氣 […]

The post Google DeepMind 發布 Gemma 4 開源模型系列，主打本地端推理與 Agent 工作流 appeared first on 電腦王阿達.

Google於美國時間2026年4月2日宣布推出Gemma 4開源模型，強調為進階推論與AI代理工作流程而生，建構在Gemini 3同源的技術基礎，並透過Apache 2.0授權模式供業界進行開源創新；Gemma 4提供四種參數規模，可涵蓋自基本的聊天至處理複雜邏輯與AI代理等應用，且釋出之際，31B模型於Arena AI測試排行第三、26B模型位居第6，其表現甚至超越使用超過20倍參數的模型。

開發者現在可於Google AI Studio使用Gemma 4的31B與26B MoE可在Google AI Studio取得，而E4B及E2B可透過Google AI Edge Gallery取得；若要針對Android進行開發，可透過Gemma 4增強Android Studio的代理模式，與使用ML Kit GenAI Prompt API建立用於Android生產環境的應用程式。另外也可透過Hugging Face、Kaggle及Ollama取得模型權重

同時作Gemma 4自Day 1即支援Hugging Face(Transformers、TRL、Transformers.js、Candle)、LiteRT-LM、vLLM、llama.cpp、MLX、Ollama、NVIDIA NIM和NeMo、LM Studio、Unsloth、SGLang、Cactus、Basetan、Docker、MaxText、Tunix、Keras，開發者可依據專案需求、偏好選擇合宜的工具。

同時Google也號召開發者加入Kaggle的Gemma 4 Good的駭客松挑戰賽，以Gemma 4開發創新的產品及應用：Gemma 4 Good Hackathon

Gemma 4與Gemini 3分別為開源與專屬提供強大的性能

Google標榜開源的Gemma 4採用與Gemini 3相同的世界一流研發技術，是可在開發者硬體執行的頂尖AI模型系列，Gemma 4與Gemini 3兩者相輔相成，為開發者與業界分別提供強大的開源與專屬AI模型。同時Gemma亦以目前市面上執行AI硬體的裝置衡量，為Android裝置、筆電的GPU到工作站等不同層級效能提供能在這些硬體執行的最合適模型規模。

超越更大參數模型的表現

Gemma 4提供4種不同的參數類型，包括Effective 2B (E2B )、Effective 4B (E4B)、26B Mixture of Experts (MoE，混合專家)和31B Dense；參數規模較大的26B MoE以及31B著重在PC與工作站及設備提供出色性能的的開源模型，而E2B與E4B則鎖定輕量運算效能的邊際AI應用，優先考慮多模態功能、低延遲與無縫的生態系整合，而非原始參數的數量。

強大、易用但同時也是開放

作為開源模型的Gemma 4強調開發者能夠進行微調，進而在特定的任務實現最佳的效能，例如可用於特定語言的最佳化，或是用於特定疾病治療的探索等；Google強調Gemma 4可執行多步驟規劃與深度推論邏輯，可在像數學與指令遵循的基礎測試相較過往有顯著的進步，且原生支援高達140種語言。

此外Gemma 4可支援代理工作流程，包括原生支援函數呼叫，結構化JSON輸出與原生系統指令，並於建立與不同工具、API互動且可靠執行工作流程的自主代理；此外Gemma 4支援高品質的非連網程式碼，可將工作站化為裝置端優先的AI程式碼助理。

且所有參數規模的Gemma 4皆支援原生視訊與影像處理，尤其在光學字元辨識(ocr)與圖表識別等視覺任務尤其出色，為裝置端執行的E2B及E4B還支援原生音訊輸入，便於支援語言辨識及理解。同時Gemma 4可支援更長的上下文窗口，E2B及E4B可支援128K，而26B及31B則支援達256K，可無縫處理更長篇的內容。

為GPU加速的AI PC及工作站量身打造的26BMoE及31B參數

Gemma 4的26B MoE參數與31B參數旨在為具有高性能GPU與加速器的AI PC及工作站提供強大的性能，其中未量化的bfloat16可於單一80GB的NVIDIA H100 GPU執行，經過量化的版本甚至可在消費級GPU執行；其中26B MoE版本著重低延遲，僅在推論過程使用當中的3.8B參數，盡可能實現極快的每秒Token輸出，而31B參數模型著重最大限度提供原始品質，為模型微調提供強大的基礎。

為邊際裝置量身打造的E2B及E4B模型

Gemma 4的E2B與E4B是為邊際裝置量身打造，從底層架構就以最大限度提高運算與記憶體使用效率，於推論過程有效啟動2B至4B參數，藉此節省記憶體使用並延長續航力；Google AI團隊與Google Pixel團隊、高通與聯發科等合作，使Gemma 4的E2B及E4B多模態模型可在包括手機、樹莓派、NVIDIA Jetson Orin Nano等邊際裝置完全離線執行，且提供近乎零延遲的體驗；同時Android開發者現在即可在AICore開發者預覽版測試代理流程原型，作為與Gemini Nano 4的向前相容。

Google 宣布推出 Gemma 4 開源模型家族，首度採用 Apache 2.0 授權，提供四款規格涵蓋手機到工作站，效能可擊敗體積大 20 倍的模型。

繼去年底推出專有大型語言模型Gemini 3 Pro之後，Google進一步宣佈，正式將打造該系列模型的同源技術與研究成果帶給開源社群，推出全新一代「Gemma 4」開源權重模型 (Open-weight models)家族。

值得注意的是，這次Google不僅賦予這系列模型強大的多模態與離線編碼能力，更首度捨棄自家Gemma授權形式，全面改為更自由的Apache 2.0授權協議，大幅提升開發者的佈署彈性。

四款級距全面涵蓋：從智慧型手機到高階工作站

為了滿足不同硬體環境的運算需求，Google這次依照參數規模 (Parameters)，一口氣推出四種不同版本的Gemma 4模型：

• 主攻邊緣裝置 (Edge devices)：針對智慧型手機等算力與記憶體受限的裝置，Google提供20億 (2B)與40億 (4B)參數規模的「Effective」 (效能)模型。

• 主攻高階工作站與伺服器：針對具備更強大硬體的運算平台，則推出260億 (26B)參數規模的「Mixture of Experts」 (混合專家)系統，以及310億 (31B)參數規模的「Dense」 (密集)系統。

「參數智力比」創紀錄：越級擊敗20倍大模型

Google在聲明中充滿自信地表示，Gemma 4達到「前所未有的單位參數智力水準」 (Intelligence-per-parameter)。

根據Arena AI文字基準測試排行榜，Gemma 4的310億與260億參數版本，分別強勢奪下第三名與第六名的佳績，其表現甚至擊敗體積比它們龐大20倍的巨型模型。

在多模態 (Multimodal)能力方面，Gemma 4全系列模型都具備處理影片與圖像的能力，相當適合用於光學字元辨識 (OCR)等視覺任務。而更令人驚豔的是，兩款體積最小的模型 (2B與4B)，竟然同時具備處理音訊輸入與理解語音的能力。

此外，Gemma 4全系列支援超過140種語言，並且能夠進行「離線程式碼生成」，意味開發者可以在完全沒有網路連線的情況下，僅依靠本地算力就能進行Vibe coding (氛圍寫碼)。

擁抱Apache 2.0授權，徹底釋放數位主權

過去，Google的開源模型多半採用自家的「Gemma授權」條款，這在商業使用與修改上仍有部分限制。但這次Gemma 4全面改採業界廣泛認可的Apache 2.0授權。

Google對此解釋：「這項開源授權為開發者的徹底靈活度與『數位主權』 (Digital sovereignty)奠定基礎，賦予開發者對數據、基礎設施與模型的完全控制權」。開發者現在可以更自由地將Gemma 4修改、佈署至地端伺服器 (On-premises)或任何雲端環境中，無須擔憂資安外洩風險。

目前，開發者已經可透過Hugging Face、Kaggle與Ollama等知名開源平台取得Gemma 4的模型權重，並且進行測試。

這次 Google 推出的 Gemma 4 系列具備原生 Agent 能力，對於有在用 OpenClaw 或其他 AI 代理工具的人，一定會想用用看其效果究竟如何。不過雖然是開源模型，但 26B、31B 參數不是每個人都有適合的電腦硬體可順暢運行，好消息是，Gemini API 其實就有免費提供這兩個模型，而且每日還多達 3,000 次呼叫，對於基本使用來說非常夠，還不需要填信用卡，下面就來教你怎麼操作。

The post Gemini API 提供每日免費 3,000 次呼叫的 Gemma 4 26B、31B 模型，免填信用卡、可串 OpenClaw appeared first on 電腦王阿達.

Google於2026年4月釋出全新開源模型Gemma 4，標榜與Gemini 3技術同源，相較前一代不僅提升準確率與上下文長度，且表現與參數高出20倍的模型不相上下，同時以4種參數規模涵蓋自裝置端到雲端及資料中心層級；AMD也旋即宣布旗下廣泛的產品組合於Day-0即支援Gemma 4，為不同參數規模的Gemma 4提供最佳化解決方案。

AMD標榜以Instinct GPU滿足雲端及企業資料中心規模所需，而Radeon GPU則可用於AI工作站層級規模，Ryzen AI處理器能提供AI PC與裝置端推論需求；開發者可透過支援XDNA 2 NPU的Lemonade Server佈署特定Gemma 4模型，模型可透過Ryzen AI LLM軟體堆疊部署，或以Lemonade Server進行整合，並預計即將推出的Ryzen AI軟體版本中提供更廣泛的NPU支援。

隨著Google釋出再次顛覆AI模型性能的開源AI模型Gemma 4，也吸引許多開發者、AI嘗鮮者前仆後繼於邊際裝置安裝體驗，NVIDIA亦宣布攜手Google將Gemma 4針對NVIDIA GPU最佳化，使Gemma可於搭載NVIDIA RTX GPU的PC、工作站、DGX Spark迷你超級電腦、NVIDIA Jetson Orin Nano邊際AI模組等將效能最大化。

Gemma 4提供E2B、E4B、26B MoE與31B等版本，因應邊際運算至高效能GPU等不同層級具備合適且強大的性能；Gemma 4可支援多種任務，包括推論、程式開發、代理、視覺、影片與音訊能力、交錯式多模態輸入以及支援超過35種語言、並於超過140種語言進行預訓練等特色。

其中針對高效率、低延遲的邊際推論打造的E2B以及E4B模型可在包括Jetson Nano模組等多種裝置以近乎零延遲完全離線執行，而26B MoE與31B模型則鎖定高效能推論與開發者，尤其適合用於代理AI任務，可於搭載NVIDIA RTX GPU的AI PC及工作站與DGX Spark進行高效率執行。同時Gemma 4亦可相容熱門的OpenClaw，使用者能夠建構個人檔案、應用程式與工作流擷取脈絡的裝置端智慧代理，體現任務自動化。

為了讓NVIDIA GPU用戶可以順利部署Gemma 4，NVIDIA攜手Ollama及llama.cpp合作，用戶可透過下載Ollama執行Gemma 4，或安裝llama.cpp後透過搭配Gemma 4的GGUF Hugging Face checkpoint使用；同時Unsloth也同步提供支援、可透過Unsloth Studio提供的最佳化及量化模型實現高效率的Gemma 4裝置端微調與部屬。

透過NVIDIA RTX GPU執行Gemma 4模型可實現極大化的效能，透過Tensor Core可加速AI推論、進而為裝置端實現更高吞吐與更低延遲，同時CUDA軟體堆疊則可確保與主流框架、工具的相容，使模型於Day-0即可高效率執行，也因此，用戶可於具備NVIDIA GPU技術的各式裝置擴展Gemma 4部署，無論是邊際、AI PC、工作站或DGX Spark，皆可在不需大量額外最佳化執行使用。

這幾天 Google 剛開源的 Gemma 4 大語言模型可說是紅透半邊天，這個模型體量由 2B 一直到 31 […]

The post 真的跑得動！ 國外開發者成功用樹莓派在本地跑 Gemma 4 大模型 appeared first on 電腦王阿達.