Google: Gemma 4 26B A4B (free)

Gemma 4 26B A4B IT är en instruktionsjusterad Mixture-of-Experts-modell från Google, publicerad under Gemma-familjen från Google DeepMind. Den har 25,2B totala parametrar, men endast 3,8B aktiveras per token under inferens, vilket är designvalet bakom namnet A4B. Det är en textmodell i api14:s katalog, och leverantörens releasedatum är 2026-04-03. Versionen som serveras här är den kostnadsfria varianten, identifierad som google/gemma-4-26b-a4b-it:free.

På inputsidan accepterar modellen text, bilder och video, och den producerar endast text. Kontextfönstret är 262144 tokens, och maximal utdata är 32768 tokens. Eftersom den är instruktionsjusterad är den avsedd att följa prompter direkt snarare än att fortsätta rå text. Mixture-of-experts-upplägget innebär att du får ett relativt stort totalt parameterantal medan endast en liten andel av vikterna är aktiva per token, vilket är relevant om du bryr dig om genomströmning eller serveringseffektivitet snarare än enbart antalet parametrar.

Dessa förmågor pekar mot några praktiska mönster. Långa dokument, stora kodbaser eller utökade transkript passar bekvämt inom kontexten på 262144 tokens, så sammanfattning, frågebesvarande över ett helt arkiv och analys av flera dokument är rimliga användningsområden. Blandade medieindata gör den användbar för uppgifter som kombinerar skärmbilder, diagram eller videorutor med skriftliga instruktioner, till exempel att extrahera strukturerade detaljer från en inspelad genomgång eller beskriva vad som händer i ett klipp tillsammans med en textprompt. Stöd för verktygsanrop och strukturerad utdata gör den till en kandidat för agentliknande arbetsflöden och för pipelines där svaret måste följa ett schema.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "google/gemma-4-26b-a4b-it:free". De stödda begärandeparametrarna är include_reasoning, max_tokens, reasoning, response_format, seed, temperature, tool_choice, tools och top_p. I praktiken innebär det att du kan ställa in samplingsbeteende med temperature och top_p, göra körningar reproducerbara med seed, begränsa svarslängden med max_tokens, begära JSON eller en annan strukturerad form med response_format, och skicka verktygsdefinitioner med tools och tool_choice. Parametrarna reasoning och include_reasoning styr huruvida resonemangsutdata begärs och huruvida den returneras.

Tänk på taket på 32768 tokens för utdata när du planerar långa genereringar, och notera att modellen endast returnerar text, så all bild- eller videohantering sker på inputsidan. Om din uppgift är helt och hållet text och inte drar nytta av den långa kontexten eller multimodala indata, kan en mindre textmodell vara enklare att arbeta med.