2026年4月2日，Google DeepMind 正式发布了 Gemma 4 系列模型。自2024年首代 Gemma 发布以来，开发者已经累计下载超过4亿次，并在此基础上衍生出超过10万个变体版本，形成了所谓的"Gemmaverse"社区生态。这次的 Gemma 4，Google 不只是做了常规的性能升级，而是在许可证、模型架构和部署覆盖范围上同时迈出了一大步。
Follow DataLearner WeChat for the latest AI updates
Gemma 4 系列共包含四个模型，参数量从20亿到310亿，全部以 Apache 2.0 协议开源发布，支持图像、音频输入和140多种语言。这是 Gemma 系列第一次以标准开源协议发布。之前的 Gemma 版本虽然开放权重，但使用的是 Google 自定义的专有许可证，用户无法自由修改和商业分发。Apache 2.0 协议则允许用户下载、修改和商业使用，只需保留适当的版权声明。
Gemma 4 基于 Gemini 3 相同的研究和技术构建，是目前可以在本地硬件上运行的性能最强的 Google 开放模型系列。这四个模型被划分为两个部署层次：针对手机、树莓派等边缘设备的轻量级系列（E2B、E4B），以及面向消费级 GPU 和高性能服务器的大规模系列（26B MoE、31B Dense）。
这四个模型的主要介绍如下：
尽管谷歌官方宣称Gemma4 E4B和Gemma4 E2B定位均为端侧模型，但是实际上手机端运行的要求比较高。前者总参数量8B，激活参数4.5B，后者总参数量5.1B，激活参数2.3B，虽然激活参数不高，速度可以，但是float16精度下前者至少16G显存，所以可能需要int8量化才可能比较合理。
不过，由于E2B 的推理时有效参数量为20亿，设计目标是在手机、树莓派和 NVIDIA Jetson Orin Nano 上以接近零延迟运行，可以完全离线使用。这个规模的模型做到多模态本身就不容易，E2B 支持128K的上下文窗口。
而 E4B 的定位是边缘设备中的旗舰选项，有效参数量为40亿。这两款边缘模型原生支持视频、图像和音频处理，可用于语音识别和图像理解等任务。E4B 在 AIME 2026 数学推理测试上达到42.5%，在 LiveCodeBench 上达到52.0%——这对一个可以在 T4 GPU 上运行的模型来说相当可观。更值得注意的是，E4B 在大多数 benchmark 上显著超越了没有推理模式的 Gemma 3 27B，参数量却只是后者的零头。
Gemma4 31B Dense 和 Gemma4 26B MoE的总参数量都在30B规模，前者是稠密模型，后者是MoE架构，与Qwen3.5-27B和Qwen3.5-35B-A3B非常接近。
26B MoE 是混合专家架构（Mixture of Experts），总参数量260亿，但推理时只激活约40亿参数。它支持256K的上下文窗口，目前在 Arena AI 文本排行榜上位列开放模型第6名。
不过 Gemma4 26B MoE 模型的 benchmark 表现与 Gemma4 31B 版本非常接近：AIME 2026 得分88.3%，LiveCodeBench 77.1%，GPQA Diamond（研究生水平科学推理）82.3%。考虑到推理成本优势，这个差距相当小。
Gemma4 31B Dense 是 Gemma 4 中的旗舰模型，目前在 Arena AI 文本排行榜上位列全球开源模型第3名，比Qwen3.5-27B的27名高很多。Gemma4 在 AIME 2026 上达到89.2%，LiveCodeBench v6 达到80.0%，Codeforces ELO 为2150，视觉任务上 MMMU Pro 为76.9%、MATH-Vision 为85.6%。Google 把这个版本定位为微调基座，更适合企业做领域专属微调，而非日常直接调用。
Gemma 4 引入了几个值得关注的架构设计：交替注意力机制——解码器层在局部滑动窗口注意力（处理512-1024个 token）和全局全上下文注意力之间交替，兼顾效率与长程理解；双重 RoPE——滑动窗口层用标准旋转位置编码，全局层用比例 RoPE，使大模型在不损失质量的情况下支持256K超长上下文；共享 KV 缓存——后几层复用前层的 KV 张量，大幅降低推理内存占用和计算开销。
函数调用（Function Calling）、结构化 JSON 输出和系统提示（System Prompt）在四个模型中均原生支持，不是事后通过指令跟随实现的。这对构建智能体（Agent）工作流的开发者意义很大——模型天生就知道怎么用工具。
在30B参数量级，目前公认最具代表性的两个开源模型是 Google 的 Gemma 4 31B 和阿里的 Qwen3.5-27B。两者都采用 Apache 2.0 协议、都支持思考模式、都可以免费商用，属于同一赛道的直接竞争对手。同日发布的 Qwen 3.6-Plus 为更大规模的 MoE 模型，不属于同一参数量级，因此这里选择 Qwen3.5-27B 作为同档位对比对象。DataLearner 的横向评测对比页面汇总了目前可获取的公开 benchmark 数据：
简单总结一下：
综合知识和科学推理方面，Qwen3.5-27B 略占上风。 MMLU Pro 上 Qwen 得 86.1%，Gemma 得 85.2%；GPQA Diamond（博士级物理、化学、生物推理）上 Qwen 85.5%，Gemma 84.3%。差距不到1.5个百分点，但两个方向一致，Qwen 在综合学科知识上稳定高一点。
编程能力则是典型的各有所长。 LiveCodeBench v6 两者基本持平，Qwen 80.7%、Gemma 80.0%。但如果细分场景，差异就明显了：Codeforces ELO 这个衡量算法竞赛编程的指标上，Gemma 4 31B 得 2150，Qwen3.5-27B 得 1899，相差251分，在这个分段里差距非常显著，Gemma 在竞赛类算法题上明显更强。另一边，SWE-bench Verified 测的是在真实代码库中定位和修复 bug 的能力，Qwen 得 72.4%，Gemma 没有公布对应数据，这个工程实战维度目前无法比较。
在 Agent 任务和工具调用上，Qwen3.5-27B 有优势。 τ²-Bench（多步 Agent 任务执行）Qwen 得 79.0，Gemma 得 76.9。更值得注意的是 HLE（人类最难问题评测）：不使用工具的纯推理条件下，Gemma 4 31B 得 26.5%，比 Qwen 的 24.3% 略高；但一旦允许使用工具，Qwen3.5-27B 直接跳到 48.5%，提升幅度远超 Gemma——Gemma 在有工具条件下的 HLE 分数没有公布，但这个反差本身说明了一些问题。
指令遵循和多语言，Qwen 有完整数据，Gemma 没有。 IFEval（指令遵循精确度）Qwen 得 95.0%，接近满分，Gemma 没有发布该项数据。多语言评测上，Qwen 在跨语言 MMMLU 得 85.9%、覆盖29种语言的 MMLU-ProX 得 82.2%，Gemma 虽然声称支持140+种语言，但目前没有任何多语言 benchmark 数据公布，是一个明显的信息空白。
多模态是 Gemma 4 31B 明确的差异化方向。 MMMU Pro 综合多模态理解上 Gemma 得 76.9%，Qwen 没有发布对应分数。更关键的是：Gemma 4 31B 支持最长60秒的视频序列输入，Qwen3.5-27B 不支持视频。如果应用场景涉及视频理解，这是目前这个参数量级里 Gemma 独有的能力。
人类偏好评分上，Gemma 排名更靠前。 Gemma 4 31B 在 LMArena 文本对话榜的预估 ELO 约为 1452，开放模型中排第三。Qwen3.5-27B 没有公布对应的 Arena 排名数据。
总体来看，两者的差距并没有 benchmark 数字有时呈现的那么悬殊。Qwen3.5-27B 在纯文本任务上更全面稳定——综合知识、科学推理、指令遵循、工具调用均有具体数据支撑，而且上下文窗口长达100万 token，是 Gemma 256K 的约四倍。Gemma 4 31B 的优势集中在两个方向：一是多模态（尤其是视频输入），二是竞赛类算法编程，另外在人类偏好评分上表现更好。如果任务场景不涉及视频或算法竞赛题型，从目前公开的数据来看，Qwen3.5-27B 是更保险的选择；反之，Gemma 4 31B 的视频能力和更高的 Arena 分数值得认真考量。
为了测试2个模型的能力，我们给了2个题目测试验证，这两个题目只是随机找的，可能不能代表全貌，但也算标准评测的补充。
这里我们给了一个算法题：给定一个长度为 n 的整数数组 a，找出所有满足 i < j < k 且 a[i] + a[j] + a[k] 能被给定整数 m 整除的三元组数量。要求时间复杂度优于 O(n³)。约束条件：n ≤ 10⁵，m ≤ 100。这道题的关键在于：n 很大但 m 很小，这两个约束条件的组合直接决定了最优算法的选择方向。
Gemma 4 31B 的解法 抓住了 m ≤ 100 这个关键约束。先统计数组中每个元素对 m 取余的频次分布（长度为 m 的数组），然后枚举所有可能的余数三元组 (r₁, r₂, r₃)，检查 (r₁ + r₂ + r₃) mod m 是否为零，再根据三个余数是否相等分三种情况计算组合数。时间复杂度 O(n + m³)，在 n = 10⁵、m = 100 的约束下，实际计算量约为 10⁶，毫秒级完成。算法推导完整，分类讨论清晰，代码与数学推导一致。
而Qwen3.5-27B 的解法 采用了双层循环的方案——枚举中间元素 j 和右侧元素 k，通过前缀计数数组在 O(1) 时间内查找满足条件的 i。时间复杂度 O(n²)，在 n = 10⁵ 时实际计算量约为 10¹⁰，比 Gemma 的方案慢了四个数量级。此外，Qwen 在回答末尾给出的验证样例自相矛盾——写了一段推导过程但中间步骤对不上最终结果，最后以"实际应为示例调试确认"收尾，等于承认自己没算出来。
虽然，两个模型的解法都不是错的，但 Gemma 4 准确识别并利用了 m ≤ 100 这个约束条件，将问题从"元素索引"维度转移到了"余数分布"维度，实现了降维。Qwen3.5 给出的 O(n²) 方案在 m 很大时反而更优，但在本题给定的约束下，它没有利用 m 很小这个核心信息。Codeforces ELO 相差251分反映的就是这种差距：不是"会不会做"的问题，而是"能不能找到最优解"的问题。
第二个题目是Agent工具规划调用，假设你有以下三个工具可用：
用户问："苹果公司2024财年的研发费用是多少美元？换算成人民币是多少？用日语回复我。"请规划完整的工具调用链，写出每一步的调用参数和依赖关系。
结果看，这道题两个模型的核心逻辑完全一致：搜索研发费用、搜索汇率、计算、翻译，依赖关系也都对了（步骤1和2可并行，步骤3依赖1+2，步骤4依赖1+3）。所以在"规划能力"这个维度上，两者打平，没有实质差异。
但呈现方式的差异很大，而且恰好反映了两个模型不同的风格倾向：Gemma 4 更简洁精准。 四步写完，每步的调用参数、依赖关系、预期输出一目了然，最后用一个三行的流程图收尾。作为一个 Agent 调用规划，这个信息密度是够的，不多不少。Qwen 工程化考虑更多， 同样的四步逻辑，它用了 ASCII 流程图、参数配置表、执行顺序表、伪代码实现、注意事项五个板块来呈现，信息量比较多。实际使用中优点是考虑周全，缺点可能是耗费tokens多。
不过有一个细节 Qwen 可能做得更好：它的搜索 query 用了英文（"Apple fiscal year 2024 R&D spending"），而 Gemma 用了中文（"苹果公司 2024财年 研发费用 USD"）。搜索苹果财报数据，英文 query 更可能命中 SEC filing 原始数据源，中文 query 大概率只能搜到二手报道。这是一个小但实际有意义的差异。
Gemma 4 另一个很重要的是许可证的切换。此前Google的gemma系列的开源协议是自定义开源协议，虽然也是免费，但包含各种使用限制和随时可能修改的条款，把很多团队推向了 Mistral 或阿里的 Qwen。法律审查带来的摩擦、合规团队标记的边缘情形，让"开放但有星号"的 Gemma 3 无法真正进入生产环境。
Gemma 4 彻底消除了这种摩擦。Apache 2.0 协议与 Qwen、Mistral 以及大多数开放权重生态系统使用的条款完全一致，没有自定义条款，没有需要法律解读的"有害使用"排除条款，没有对再分发或商业部署的限制。
Google发布Gemma4之后，社区做了很多评测，我们总结主要情况如下：
把时间线拉长来看，这次发布的意义或许不只在于 Gemma 4 本身的性能。一个真正以 Apache 2.0 开放的、覆盖从手机到高性能 GPU 全场景的 Google 模型系列，改变的是开发者的选项格局——至少在许可证层面，Google 终于和开源社区站在了同一边。而那个还没有出现的124B大模型，如果确实存在且性能超过 Gemini 3 Flash-Lite，它将直接改变开源模型与闭源模型的竞争格局。
关于Gemma 4系列模型的开源地址、在线体验、详细评测请参考DataLearnerAI大模型信息卡：
Gemma 4 E2B：https://www.datalearner.com/ai-models/pretrained-models/google-gemma-4-e2b Gemma 4 E4B：https://www.datalearner.com/ai-models/pretrained-models/google-gemma-4-e4b Gemma 4 26B A4B：https://www.datalearner.com/ai-models/pretrained-models/google-gemma-4-26b-a4b Gemma 4 31B：https://www.datalearner.com/ai-models/pretrained-models/google-gemma-4-31b
