Google: Gemma 4 26B A4B

Google Gemma 4 26B A4B IT to model dostrojony do instrukcji od Google DeepMind, wydany 3 kwietnia 2026. Należy do rodziny Gemma i wykorzystuje architekturę Mixture-of-Experts (MoE): model ma łącznie 25.2B parametrów, ale tylko 3.8B aktywuje się na token podczas wnioskowania. Ten projekt jest tym, do czego odnosi się "A4B" w nazwie, a Google pozycjonuje go jako dostarczający jakość zbliżoną do modelu 31B przy jednoczesnym utrzymaniu znacznie mniejszego aktywnego obliczenia na token.

Model w swoim rdzeniu działa na zasadzie tekst na wejściu, tekst na wyjściu, ale przyjmuje więcej niż tekst. Modalności wejściowe to obraz, tekst i wideo, więc możesz wysyłać zrzuty ekranu, zdjęcia lub klatki wideo wraz z promptem. Wyjście jest tylko tekstowe. Okno kontekstu wynosi 262,144 tokenów, a maksymalne wyjście to 235,929 tokenów, co jest nietypowo duże i czyni generowanie długich form oraz przetwarzanie całych dokumentów praktycznym, a nie czymś, co musisz agresywnie dzielić na fragmenty.

Te możliwości wskazują na kilka naturalnych przypadków użycia. Praca z długim kontekstem, taka jak streszczanie lub odpytywanie dużych baz kodu, umów, artykułów naukowych czy historii zgłoszeń do wsparcia, pasuje do okna 262k. Ponieważ obrazy i wideo są akceptowane jako wejście, możesz budować przepływy pracy wokół odpowiadania na pytania wizualne, wyodrębniania ustrukturyzowanych danych ze zrzutów ekranu lub opisywania i rozumowania treści wideo. Dostrojenie do instrukcji plus wywoływanie narzędzi czyni go odpowiednim dla potoków w stylu agentowym, a ustrukturyzowane wyjścia pomagają, gdy potrzebujesz odpowiedzi w formacie JSON lub zgodnych ze schematem, a nie wolnego tekstu.

Wywołujesz go przez API zgodne z OpenAI od api14, używając identyfikatora modelu "google/gemma-4-26b-a4b-it". Ponieważ interfejs podąża za kształtem uzupełnień czatu OpenAI, istniejące SDK i klienty generalnie działają przy zmianie tylko bazowego URL i klucza. Obsługiwane parametry żądania to 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 i top_p. Reasoning i include_reasoning pozwalają kontrolować, czy treść rozumowania jest ujawniana, a tools z tool_choice obejmują wywoływanie funkcji.

Jeśli chodzi o ograniczenia, główną rzeczą do zaplanowania jest to, że wyjście jest tylko tekstowe, więc każde zadanie wymagające generowanych obrazów, dźwięku lub wideo potrzebuje innego modelu. Duży kontekst i pułapy wyjścia są hojne, ale nie usuwają potrzeby zarządzania budżetami tokenów w twojej własnej aplikacji. Jeśli twoje obciążenie to krótkie, proste generowanie tekstu, mniejszy i szybszy model może być lepszym dopasowaniem; Gemma 4 26B A4B IT ma najwięcej sensu, gdy faktycznie potrzebujesz długiego kontekstu, wejścia multimodalnego lub użycia narzędzi.