Google: Gemma 4 26B A4B (free)

Gemma 4 26B A4B IT adalah model Mixture-of-Experts yang diinstruction-tune dari Google, diterbitkan di bawah keluarga Gemma dari Google DeepMind. Model ini memiliki total 25.2B parameter, tetapi hanya 3.8B yang aktif per token selama inferensi, yang merupakan pilihan desain di balik nama A4B. Ini adalah model teks dalam katalog api14, dan tanggal rilis penyedia adalah 2026-04-03. Versi yang dilayani di sini adalah varian gratis, yang diidentifikasi sebagai google/gemma-4-26b-a4b-it:free.

Di sisi input, model menerima teks, gambar dan video, dan hanya menghasilkan teks. Jendela konteks adalah 262144 token, dan output maksimum adalah 32768 token. Karena diinstruction-tune, model ini dimaksudkan untuk mengikuti prompt secara langsung alih-alih melanjutkan teks mentah. Tata letak mixture-of-experts berarti Anda mendapatkan jumlah parameter total yang relatif besar sementara hanya sebagian kecil bobot yang aktif per token, yang relevan jika Anda peduli tentang throughput atau efisiensi penyajian daripada hanya jumlah parameter mentah.

Kemampuan tersebut mengarah pada beberapa pola praktis. Dokumen panjang, basis kode besar atau transkrip panjang muat dengan nyaman di dalam konteks 262144 token, sehingga peringkasan, tanya jawab atas seluruh repositori, dan analisis multi-dokumen adalah kecocokan yang wajar. Input media campuran membuatnya dapat digunakan untuk tugas yang menggabungkan tangkapan layar, diagram atau bingkai video dengan instruksi tertulis, seperti mengekstrak detail terstruktur dari walkthrough yang direkam atau mendeskripsikan apa yang terjadi dalam klip bersama prompt teks. Dukungan tool calling dan output terstruktur menjadikannya kandidat untuk alur kerja bergaya agen dan untuk pipeline di mana respons harus sesuai dengan skema.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "google/gemma-4-26b-a4b-it:free". Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, response_format, seed, temperature, tool_choice, tools dan top_p. Dalam praktiknya itu berarti Anda dapat mengatur perilaku sampling dengan temperature dan top_p, membuat eksekusi dapat direproduksi dengan seed, membatasi panjang balasan dengan max_tokens, meminta JSON atau bentuk terstruktur lain dengan response_format, dan meneruskan definisi tool dengan tools dan tool_choice. Parameter reasoning dan include_reasoning mengontrol apakah output reasoning diminta dan apakah output tersebut dikembalikan.

Ingatlah batas output 32768 token saat merencanakan generasi panjang, dan perhatikan bahwa model hanya mengembalikan teks, jadi setiap penanganan gambar atau video terjadi di sisi input. Jika tugas Anda murni teks dan tidak mendapat manfaat dari konteks panjang atau input multimodal, model teks yang lebih kecil mungkin lebih sederhana untuk digunakan.