Google: Gemma 4 26B A4B

Google Gemma 4 26B A4B IT är en instruktionstränad modell från Google DeepMind, släppt den 3 april 2026. Den tillhör Gemma-familjen och använder en Mixture-of-Experts-arkitektur (MoE): modellen har 25,2B parametrar totalt, men endast 3,8B aktiveras per token under inferens. Den designen är vad "A4B" i namnet syftar på, och Google positionerar den som att leverera kvalitet nära en 31B-modell samtidigt som den aktiva beräkningskostnaden per token hålls mycket mindre.

Modellen är text-in, text-ut i sin kärna, men den accepterar mer än text. Indatamodaliteter är bild, text och video, så du kan skicka skärmbilder, foton eller videoramar tillsammans med en prompt. Utdata är endast text. Kontextfönstret är 262 144 tokens, och maximal utdata är 235 929 tokens, vilket är ovanligt stort och gör långformsgenerering och bearbetning av hela dokument praktiskt snarare än något du måste dela upp aggressivt.

Dessa förmågor pekar mot några naturliga användningsområden. Långkontextarbete som att sammanfatta eller ställa frågor till stora kodbaser, kontrakt, forskningsartiklar eller historik över supportärenden passar det 262k stora fönstret. Eftersom bilder och video accepteras som indata kan du bygga arbetsflöden kring visuell frågebesvarande, extrahera strukturerad data från skärmbilder, eller beskriva och resonera kring videoinnehåll. Instruktionsträning plus verktygsanrop gör den lämplig för agentliknande pipelines, och strukturerade utdata hjälper när du behöver JSON eller schemakonforma svar snarare än fritext.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "google/gemma-4-26b-a4b-it". Eftersom gränssnittet följer OpenAI:s chat completions-form fungerar befintliga SDK:er och klienter i allmänhet med bara en ändring av bas-URL och nyckel. De stödda förfrågningsparametrarna är 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 och top_p. Reasoning och include_reasoning låter dig styra huruvida resonemangsinnehåll visas, och tools med tool_choice täcker funktionsanrop.

När det gäller begränsningar är det viktigaste att planera kring att utdata endast är text, så alla uppgifter som kräver genererade bilder, ljud eller video behöver en annan modell. De stora taken för kontext och utdata är generösa, men de tar inte bort behovet av att hantera tokenbudgetar i din egen applikation. Om din arbetsbelastning är kort och enkel textgenerering kan en mindre och snabbare modell passa bättre; Gemma 4 26B A4B IT är mest meningsfull när du faktiskt behöver den långa kontexten, multimodala indata eller verktygsanvändning.