谷歌Gemma 4深夜突降，31B爆杀20倍巨头！手机跑全血「龙虾」

谷歌这次，把家底都掏了。

凌晨，谷歌DeepMind正式发布Gemma 4，一口气放出四款开源模型。

从能塞进手机的2B，到可以单卡跑满的31B，四个尺寸全覆盖，全部基于Gemini 3同源打造。

时隔一年，Gemma 4终于来了，实力迎来史诗级跃迁。

最炸的一个数字，31B Dense在Arena AI文本榜单上拿下开源第三，Elo评分1452。

排在它前面的，一个600多亿参数，一个超过1000亿。Gemma 4用31B的体量，硬生生挤进了这个量级的牌桌。

26B MoE更离谱：260亿参数，推理时只激活38亿，Elo打到1441，排开源第六。

看一眼成绩单，Gemma 4几乎没有弱点，简直就是对上一代的「血脉压制」——

• 数学（AIME 2026）：89.2% vs 21.2%，暴力拉升68个百分点；
• 编程（LiveCodeBench）：80% vs 29.1%，实力堪称代际断层；
• 智能体（t2-bench）：Gemma 4狂揽86.4%，Gemma 3仅有6.6%，差距大到「没眼看」。
  

另外，在多语言推理、知识问答的基准测试中，Gemma 4均实现了40%性能飙升。

令全网背脊发凉的是，一个31B Gemma 4，越级斩杀体量是其20倍的模型。

一台Mac mimi即可跑Gemma 4，还有人手机已经用上了。

Hugging Face CEO Clément Delangue的评价只有一句话，「这是一个巨大的里程碑。」

四款模型，从口袋到工作站全覆盖

先看Gemma 4「全家桶」具体成员——

每个尺寸都提供base和instruction-tuned两个版本。

E2B和E4B负责端侧，跟谷歌Pixel团队、高通、联发科联合优化，能在手机、树莓派、Jetson Orin Nano上离线运行，延迟接近零。

31B和26B面向开发者工作站和服务器，31B追求极致质量，26B靠MoE架构换取极致速度。

对开发者来说，31B的bfloat16权重可以塞进一张80GB的H100；量化版本在消费级显卡上就能跑。

26B MoE因为只激活3.8B参数，出token速度极快，适合需要低延迟的Agent场景。

值得一提的是，Gemma 4还支持「被曝抄袭」的TurboQuant压缩算法。

跑分碾压，跨级暴打

看完定位看跑分。

31B在数学推理上的表现尤其惊人。AIME 2026拿到89.2%，对比Gemma 3 27B的20.8%，提升超过四倍。

GPQA Diamond（科学知识）84.3%，同样把前代远远甩开。

编程能力同样炸裂。LiveCodeBench v6上31B拿到80%，Codeforces Elo达到2150，相当于一个紫名选手的水平。26B MoE也不弱，LiveCodeBench 77.1%，Codeforces 1718。

多模态方面，MMMU Pro（多模态推理）31B拿到76.9%，26B拿到73.8%，都大幅领先前代的49.7%。

长上下文能力同样有质的飞跃。MRCR v2 8-needle 128K测试中，31B拿到66.4%，26B拿到44.1%，Gemma 3 27B只有13.5%。

小尺寸也没拉胯，E4B在AIME上42.5%，LiveCodeBench 52%，对一个只有45亿有效参数的选手来说，这个成绩放在一年前是旗舰级的。

三个架构设计

让小模型打出大模型的牌

Gemma 4的架构没有堆砌花哨的新概念，反而是把几个经过验证的技术组合到了最优状态。

谷歌明确表示，他们去掉了Altup等「效果不确定」的组件，只保留了真正有用的东西。

逐层嵌入（Per-Layer Embeddings，PLE）

传统Transformer里，每个token在输入层获得一个嵌入向量，后面所有层都基于这个初始表示做计算。问题在于，这要求嵌入层一次性把所有信息打包进去，负担很重。

PLE的做法是给每一层都配一个专属的低维信号通道。

每个token在每一层都能收到一个定制化的向量，由token本身的身份信息和上下文信息共同生成。

打个比方，传统做法像是出门前把一天要用的所有东西塞进一个背包；PLE像是每到一个地方，都有人递给你当下最需要的工具。

因为PLE的维度远小于主隐藏层，额外开销很小，但每一层都获得了专属的调节能力。这个设计在小模型上效果尤其明显，是E2B和E4B能以极小体量跑出好成绩的关键。

共享KV缓存

最后N层不再自己计算Key和Value投影，而是直接复用前面层的KV张量。同类型的注意力层（滑动窗口或全局注意力）共享同一组KV状态。

效果是推理时的显存占用和计算量都下降了，长上下文生成和端侧部署尤其受益。谷歌称这对质量的影响「微乎其微」。

交替注意力机制

模型交替使用局部滑动窗口注意力和全局全上下文注意力。

小模型用512 token的滑动窗口，大模型用1024。全局层配合等比例RoPE拉长上下文覆盖范围，滑动层用标准RoPE保持局部建模效率。

这三个设计的共同目标只有一个，让每一个参数都尽可能高效地被利用。

看图、听声、读视频

一个Gemma全搞定

Gemma 4全系能处理图像和视频输入，E2B和E4B还额外兼容音频。

视觉编码器相比Gemma 3做了两个关键升级，一是可变宽高比（不再强制裁切），二是可配置的图像token预算（70/140/280/560/1120五档可选）

低预算适合分类和描述，高预算适合OCR和文档解析。开发者可以根据场景在速度和精度之间自由取舍。

GUI元素检测。

给一张网页截图，问「view recipe按钮在哪」，四个尺寸都能以JSON格式返回精确的边界框坐标，不需要任何特殊提示词。31B的定位最精准，E2B稍有偏差但基本可用。

视频理解。

用一段现场演唱会视频做测试。E4B准确描述了舞台画面，也从音轨中提取了歌词主题。

26B和31B没有音频输入能力，但对纯视觉内容的理解同样到位，甚至识别出了屏幕上的赞助商品牌名。

音频转写。

E4B对一段英文演讲的转写几乎完美，标点和断句都很自然。E2B偶尔会出现幻觉，但整体可用。

多模态函数调用。

给一张曼谷寺庙的照片，问「这是哪个城市？帮我查一下当地天气」。

四个尺寸都正确识别出曼谷，并自动调用了get_weather工具。全程不需要额外的提示工程。

函数调用是从训练阶段就内置的，基于去年底发布的FunctionGemma研究成果，能处理多轮多工具的Agent工作流。这跟之前靠提示词「哄」模型做工具调用的路线完全不同。

Apache 2.0，谷歌终于放手了

这次发布最大的非技术新闻，是Gemma 4首次采用Apache 2.0协议。

之前的Gemma系列用的是谷歌自定义许可证，里面有「有害使用」限制条款和归属要求，企业法务团队需要逐条审查才能确认是否可以商用。

Apache 2.0一步到位，没有自定义条款，没有灰色地带，修改、分发、商用完全自由。

自Gemma初代发布以来，累计下载量超过4亿次，社区衍生版本超过10万个。Apache 2.0的加持下，这个数字大概率还会加速增长。

开源模型，规则变了

Gemma 4的发布，让谷歌的双线策略彻底成型。

顶层是Gemini系列闭源模型，占据榜单前列，通过API变现。底层是Gemma系列开源模型，用同源技术喂养开发者生态，抢占本地部署、端侧推理、Agent开发的入口。

一个做收入，一个做生态。彼此不冲突，反而互相放大。

对开发者来说，选择已经摆在面前。

一个31B的体量，能在单卡上跑出接近千亿参数级别的效果，Apache 2.0随便用，从手机到服务器全覆盖，微调工具链完整。

参数效率这条路，谷歌跑在了最前面。31B打赢20倍体量的对手，2B塞进手机口袋。

开源模型的比赛，规则已经变了。

参考资料：

https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/

文章来自于微信公众号 "新智元"，作者 "新智元"