Google: Gemma 4 31B (free)

Gemma 4 31B Instruct är en öppen modell från Google DeepMind, publicerad av Google, och erbjuds på api14 under modell-id google/gemma-4-31b-it:free. Det är en 30,7B dense multimodal instruktionstränad modell, en del av Gemma-familjen, och den ligger i textkategorin på api14 även om den accepterar mer än text som indata. Leverantörens releasedatum är 2026-04-02.

På indatasidan accepterar modellen text, bilder och video, och den producerar endast text. Dess kontextfönster är 262 144 tokens, med en maximal utdata på 32 768 tokens. Den stöder ett konfigurerbart tanke- eller resonemangsläge, som du kan styra via parametrarna reasoning och include_reasoning. Spridningen av indata innebär att du kan blanda prosa, skärmbilder, foton och videorutor i samma konversation utan att byta modell.

Dessa förmågor pekar mot en ganska bred uppsättning praktiska användningsområden. Långa dokument, kodbaser, transkript och flera timmar långa konversationsloggar ryms inom 256K-kontexten, så sammanfattning, frågebesvarande och extrahering över stora indata är rimliga tillämpningar. Eftersom bilder och video accepteras är uppgifter som att beskriva visuellt innehåll, läsa diagram eller skärmbilder, moderera användarskickat media och besvara frågor om inspelat material också genomförbara. Instruktionsträning plus verktygsstöd gör den till en kandidat för assistenter som behöver anropa funktioner, returnera strukturerad utdata eller resonera steg för steg innan de svarar.

Att anropa den via api14 fungerar på samma sätt som för alla andra modeller på gatewayen, eftersom API:et är OpenAI-kompatibelt. Du skickar din begäran till chat completions-endpointen och ställer in fältet model till google/gemma-4-31b-it:free. De begärandeparametrar som stöds är include_reasoning, max_tokens, reasoning, response_format, seed, temperature, tool_choice, tools och top_p. I praktiken innebär det att du kan styra sampling med temperature och top_p, begränsa svaret med max_tokens, göra körningar reproducerbara med seed, begära JSON eller andra strukturerade former med response_format, och definiera anropbara funktioner med tools och tool_choice. Om du vill att modellens tänkande ska visas eller döljas, använd reasoning och include_reasoning.

Några saker är värda att ha i åtanke innan du bestämmer dig. Utdata är endast text, så om du behöver genererade bilder, ljud eller video kommer den här modellen inte att producera dem. Taket på 32 768 tokens för utdata ligger långt under indatakontexten, så mycket långa genereringar, som hela böcker i ett enda svar, är inte vad den är byggd för. Det finns ingen angiven pris- eller hastighetsinformation här, så kontrollera den aktuella pristabellen på sidan för gällande villkor. Inom dessa gränser är det ett enkelt val för multimodal förståelse, arbete med lång kontext och verktygsanvändande assistenter.