Am 2. April 2026 veröffentlichte Google DeepMind Gemma 4. Der Originalartikel hebt die Apache-2.0-Lizenz, Agentenfähigkeiten in Edge-Modellen und eine gemeldete Top-drei-Platzierung des 31B-Modells unter offenen Modellen hervor.
Dieser Leitfaden übersetzt die damaligen Spezifikationen und Bereitstellungsbeispiele. Ranglisten, Hardware-Schätzungen und Framework-Unterstützung beschreiben diesen Stand; sie sind keine aktuelle Kompatibilitätsprüfung.
Warum Gemma 4 relevant ist
Metas Llama-Familie hatte die Diskussion über offene Modelle lange geprägt. Ab Gemma 3 setzte Google stärker auf kleinere Modelle, höhere Leistung und breitere Werkzeugunterstützung. Gemma 4 ergänzt Apache 2.0, native Funktionsaufrufe und strukturierte Ausgaben in vier Größen für Mobilgeräte und Server.
Vier Modellvarianten
E2B: Geschwindigkeit am Rand des Netzes
- Effektive Parameter: 2,3B
- Kontextfenster: 128K Tokens
- Eingaben: Text, Bilder und Audio
- Genannter Speicherbedarf: unter 1,5GB RAM
- Einsatzfelder: mobile Anwendungen, Raspberry Pi, Jetson Nano und geringe Latenz
Der Artikel beschreibt E2B als schnellste Variante und dreimal schneller als den Vorgänger. Er bezeichnet es als Kern von Android AI Core und technische Grundlage von Gemini Nano 4 und erwartet eine Wiederverwendung von Anwendungen auf kompatiblen Geräten.
E4B: Qualität und Geschwindigkeit
- Effektive Parameter: 4,5B
- Kontextfenster: 128K Tokens
- Eingaben: Text, Bilder und Audio
- Einsatz: Edge-Anwendungen mit höherem Bedarf an Schlussfolgerungen
E4B behält das Audioverständnis und verbessert logisches Denken und Anweisungsbefolgung. Der Artikel nennt für beide Edge-Modelle einen um 60 Prozent geringeren Energieverbrauch gegenüber ihren Vorgängern, besonders auf Android-Geräten.
26B A4B: effiziente Expertenarchitektur
- Gesamtparameter: 26B, davon 3,8B bei der Inferenz aktiv
- Kontextfenster: 256K Tokens
- Eingaben: Text und Bilder
- AIME 2026: 88,3 Prozent
- Genannte Platzierung unter offenen Modellen: sechs
Die Mixture-of-Experts-Architektur aktiviert je Inferenz nur 3,8 der 26 Milliarden Parameter. Der Artikel sieht darin einen wirtschaftlichen Weg zu annähernder 31B-Ausgabequalität und nennt einen Arena-AI-Elo-Wert von ungefähr 1.441.
31B Dense: das Spitzenmodell
- Parameter: 31B in dichter Architektur
- Kontextfenster: 256K Tokens
- Eingaben: Text, Bilder und bis zu 60 Sekunden Video
- MMLU Pro: 85,2 Prozent
- AIME 2026: 89,2 Prozent
- GPQA Diamond: 85,7 Prozent
- LiveCodeBench v6: 80,0 Prozent
- Arena AI Elo: ungefähr 1.452; genannter Rang drei unter offenen Modellen
- Hardware-Empfehlung im Artikel: eine NVIDIA H100 mit 80GB
Der Artikel empfiehlt die dichte Variante als Fine-Tuning-Basis. Gleichmäßigere Gewichtsaktualisierungen sollen LoRA und QLoRA stabiler machen als bei der MoE-Variante.
Technische Grundlagen
Funktionen für Agenten
Die Familie unterstützt Funktionsaufrufe, strukturierte JSON-Ausgaben und Systemprompts ohne zusätzliches Fine-Tuning. Entwickler können Werkzeuge definieren, Aufrufe auswählen lassen, Ausgaben an ein Schema binden und Rollen sowie Verhaltensregeln vorgeben.
Das schafft Grundlagen für einen Agenten; die umgebende Anwendungslogik bleibt notwendig.
Langer Kontext
26B MoE und 31B Dense unterstützen 256K Eingabetokens. Der Artikel vergleicht dies grob mit 200.000 chinesischen Zeichen, einem mittelgroßen GitHub-Repository oder Hunderten Bildern. Das sind Näherungen, keine austauschbaren Kapazitätsgarantien. E2B und E4B bieten 128K Tokens.
Multimodales Verständnis
| Modell | Text | Bilder | Audio | Video |
|---|---|---|---|---|
| E2B | Ja | Ja | Ja | Ja |
| E4B | Ja | Ja | Ja | Ja |
| 26B MoE | Ja | Ja | — | Bis 60 Sekunden |
| 31B Dense | Ja | Ja | — | Bis 60 Sekunden |
Audioverständnis konzentriert sich auf die Edge-Varianten. Sprachverarbeitung auf dem Gerät kann Cloud-Übertragung verringern. Die größeren Modelle unterstützen Clips von bis zu 60 Sekunden bei einem Bild pro Sekunde zur Analyse und Informationsextraktion.
Apache 2.0
Frühere Gemma-Versionen verwendeten Googles eigene Lizenz. Der Artikel beschreibt Gemma 4 als erste vollständig unter Apache 2.0 veröffentlichte Generation. Unter dieser Lizenz sind Änderungen, Weitergabe und kommerzielle Integration ohne separate Genehmigungsanfrage möglich.
Hardware-Schätzungen
| Modell | INT4-VRAM | BF16-VRAM | Empfohlene GPU |
|---|---|---|---|
| E2B | Etwa 5 GB | Etwa 15 GB | RTX 3060 oder höher |
| E4B | Etwa 5 GB | Etwa 15 GB | RTX 3060 oder höher |
| 26B MoE | Etwa 18 GB | — | RTX 4090 / A100 40GB |
| 31B Dense | Etwa 20 GB | Etwa 34 GB | A100 80GB / H100 |
Dies sind Schätzungen des Originalartikels. Er nennt an anderer Stelle auch 4GB-Einstiegs-GPUs für die Edge-Modelle sowie weniger als 1,5GB RAM für E2B. Diese Angaben betreffen unterschiedliche genannte Konfigurationen und bilden kein einheitlich gemessenes Minimum. Prüfe Quantisierung, Kontext und Laufzeitumgebung vor der Hardware-Auswahl.
Für lokale Entwicklung schlägt der Artikel eine RTX 4090 mit 24GB für die INT4-Version von 26B MoE und deren gemeldeten Elo-Wert von 1.441 vor.
Beispiele für die Bereitstellung
Die folgenden Beispiele stammen aus dem Originalleitfaden. Modellbezeichner, verfügbare Laufzeitumgebungen und Cloud-Ressourcen müssen für den jeweiligen Einsatz geprüft werden.
Ollama
# Nach der Installation von Ollama ausführen
ollama run gemma4
# Beispiel für die Modellgröße aus dem Originalartikel
ollama run gemma4:27b
Der Originaltext empfiehlt diesen Weg für lokale Entwicklung, Tests und persönliche Nutzung. Das Tag 27b stammt aus seinem Beispiel, während die Übersicht 26B und 31B beschreibt. Prüfe deshalb das tatsächliche Registry-Tag.
Hugging Face Transformers
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
model_id = "google/gemma-4-31B-it"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto"
)
messages = [
{"role": "user", "content": "Erkläre die Vor- und Nachteile von Mixture of Experts."}
]
input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(input_ids, max_new_tokens=512)
print(tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True))
Google Vertex AI
from google.cloud import aiplatform
# Illustratives Model-Garden-Beispiel
aiplatform.init(project="your-project-id", location="us-central1")
endpoint = aiplatform.Endpoint.create(display_name="gemma-4-endpoint")
model = aiplatform.Model("gemma-4-31b-it")
model.deploy(endpoint=endpoint, machine_type="n1-standard-8", accelerator_type="NVIDIA_L4")
GGUF und llama.cpp
./llama-cli -m gemma-4-31B-it.Q4_K_M.gguf \
--ctx-size 65536 \
--n-gpu-layers 35 \
-i
Der Artikel schlägt das quantisierte 31B-Modell für eine einzelne RTX 4090 mit 24GB vor. Als zum Start unterstützte Umgebungen nennt er Ollama, Transformers, vLLM, llama.cpp, MLX für Apple Silicon, NVIDIA NIM/NeMo, AMD ROCm, LM Studio, Unsloth, SGLang, Keras, LiteRT-LM und NVIDIA Jetson Orin Nano.
Einordnung im Wettbewerb
Der Originalartikel bezeichnet Gemma 4 31B als drittplatziertes offenes Modell, nennt zugleich aber Qwen 3.5, GLM-5 und Kimi K2.5 als davor liegende Modelle. Diese Formulierung ist intern widersprüchlich und belegt keinen exakten aktuellen Rang.
Sein Vergleich stützt sich auf Apache 2.0, die Integration mit Vertex AI und Android AI Core, die MoE-Effizienz und den AIME-Anstieg von 20,8 Prozent bei Gemma 3 auf 89,2 Prozent bei Gemma 4, beschrieben als ungefähr vierfach. Lizenzbedingungen konkurrierender Modelle sind jeweils separat zu prüfen.
Die weitere Gemma-Familie
| Modell | Zweck | Merkmal |
|---|---|---|
| Gemma 4 | Allgemeine Dialoge und Agenten | Offenes Spitzenmodell |
| Gemma 3n | Mobile und Edge-KI | PLE; 2–4GB RAM |
| CodeGemma | Codegenerierung und Ergänzung | Entwicklungsaufgaben |
| PaliGemma 2 | Bildverständnis und Fine-Tuning | Vision-Language-Modell |
| ShieldGemma 2 | Sicherheitsklassifikation | 4B-Bildklassifikator |
Bei einer eng umrissenen Aufgabe kann ein Spezialmodell effizienter sein als das allgemeine Spitzenmodell.
Zeitfolge laut Originalartikel
2025/02 Gemma 1: 1B und 7B
2025/03 Gemma 3: 1B, 4B, 12B und 27B; multimodal; 128K Kontext
2025/05 Gemma 3n: E2B und E4B; mobile PLE-Architektur
2025/07 Gemma 3 270M: leichtes Fine-Tuning-Modell
2026/04 Gemma 4: E2B, E4B, 26B MoE und 31B; Agenten; Apache 2.0
Diese Liste gibt die Chronologie des Quellartikels wieder und prüft die einzelnen Veröffentlichungstermine nicht unabhängig nach.
Eine Variante auswählen
Der Artikel empfiehlt E2B oder E4B mit dem Android AI Core SDK für mobile und Edge-Anwendungen, 26B MoE oder 31B Dense für Agentenabläufe mit Funktionsaufrufen und langem Kontext sowie 31B Dense mit Unsloth oder Hugging Face PEFT für domänenspezifisches QLoRA-Fine-Tuning.
Bei einem möglichen Wechsel von Llama hebt er Lizenz und Google-Ökosystem hervor. Das sind Prüfkriterien; die konkrete Aufgabe, Hardware und Integration müssen trotzdem getestet werden.
Weiterlesen: Der Claude-Code-Harness-Leak und die Agentenarchitektur.