Google: Gemma 4 26B A4B

Google Gemma 4 26B A4B IT ist ein instruction-tuned Modell von Google DeepMind, veröffentlicht am 3. April 2026. Es gehört zur Gemma-Familie und verwendet eine Mixture-of-Experts-Architektur (MoE): Das Modell hat insgesamt 25,2B Parameter, aber nur 3,8B werden während der Inferenz pro Token aktiviert. Auf dieses Design bezieht sich das "A4B" im Namen, und Google positioniert es so, dass es Qualität nahe einem 31B-Modell liefert, während der aktive Rechenaufwand pro Token deutlich kleiner bleibt.

Das Modell ist im Kern Text-in, Text-out, aber es akzeptiert mehr als nur Text. Die Eingabemodalitäten sind Bild, Text und Video, sodass Sie Screenshots, Fotos oder Videoframes zusammen mit einem Prompt senden können. Die Ausgabe ist nur Text. Das Kontextfenster beträgt 262.144 Token, und die maximale Ausgabe beträgt 235.929 Token, was ungewöhnlich groß ist und Langform-Generierung sowie Verarbeitung ganzer Dokumente praktikabel macht, statt dass Sie aggressiv in Chunks aufteilen müssen.

Diese Fähigkeiten deuten auf einige natürliche Anwendungsfälle hin. Langkontext-Arbeit wie das Zusammenfassen oder Abfragen großer Codebasen, Verträge, Forschungsarbeiten oder Support-Ticket-Verläufe passt zum 262k-Fenster. Da Bilder und Video als Eingabe akzeptiert werden, können Sie Workflows rund um visuelle Fragebeantwortung, das Extrahieren strukturierter Daten aus Screenshots oder das Beschreiben und Reasoning über Videoinhalte aufbauen. Instruction Tuning plus Tool Calling macht es geeignet für Agent-artige Pipelines, und strukturierte Ausgaben helfen, wenn Sie JSON- oder schema-konforme Antworten statt Freitext benötigen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "google/gemma-4-26b-a4b-it" auf. Da die Schnittstelle der Form der OpenAI-Chat-Completions folgt, funktionieren bestehende SDKs und Clients im Allgemeinen mit nur einer Änderung von Base-URL und Key. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Reasoning und include_reasoning lassen Sie steuern, ob Reasoning-Inhalte sichtbar gemacht werden, und tools mit tool_choice decken Function Calling ab.

Bezüglich der Grenzen sollten Sie vor allem einplanen, dass die Ausgabe nur Text ist, sodass jede Aufgabe, die generierte Bilder, Audio oder Video erfordert, ein anderes Modell benötigt. Der große Kontext und die Obergrenzen für die Ausgabe sind großzügig, aber sie beseitigen nicht die Notwendigkeit, Token-Budgets in Ihrer eigenen Anwendung zu verwalten. Wenn Ihre Workload kurze, einfache Textgenerierung ist, könnte ein kleineres und schnelleres Modell besser passen; Gemma 4 26B A4B IT ergibt am meisten Sinn, wenn Sie tatsächlich den langen Kontext, multimodale Eingabe oder Tool-Nutzung benötigen.