Heim
Google bringt das Open-Source-Modell Gemma4 in vier Varianten auf den Markt; die 31-Milliarden-Version belegt weltweit den dritten Platz
Am 3. April um 4:03 Uhr morgens (Peking-Zeit) hat Google das Open-Source-Großsprachenmodell Gemma4 offiziell vorgestellt. Mit einem Durchbruch bei der „Parametereffizienz pro Einheit“ setzt es einen neuen Maßstab für Open-Source-Modelle bei der Unterstützung intelligenter Agenten-Workflows.
Die Serie umfasst die effizienten Varianten E2B (2,3 Mrd.) und E4B (4,5 Mrd.) sowie die leistungsstarken Modelle 26B MoE und 31B Dense. Als neueste Version auf Basis des Gemini3-Technologie-Stacks bietet Gemma4 vollständige Unterstützung für multimodale Eingaben (Bilder und Videos). Die Modelle E2B und E4B unterstützen zudem nativ Spracheingaben und ermöglichen so Sprachverständnis in Echtzeit am Edge.

In Bezug auf die technische Architektur erzielen die Modelle mit großen Parametersätzen durch Optimierung eine außergewöhnliche Hardware-Effizienz. Die 31B-Dense-Version belegt weltweit den dritten Platz unter den Open-Source-Modellen auf der Arena AI-Text-Rangliste, während die 26B-MoE-Version den sechsten Platz einnimmt. Ihre Fähigkeiten im Bereich logisches Schlussfolgern und Funktionsaufruf sind robust genug, um komplexe autonome Agenten anzutreiben.
Für den lokalen Einsatz senkt Gemma4 die Hürden für den Zugang zu modernster KI drastisch. Die nicht quantisierten 31B-Modellgewichte können auf einer einzigen 80-GB-H100-GPU ausgeführt werden, während quantisierte Versionen mit GPUs für Endverbraucher kompatibel sind. Für Mobil- und IoT-Geräte ermöglichen die E2B- und E4B-Modelle dank innovativer PLE-Einbettungstechnologie und Unterstützung für eine Kontextlänge von 128K eine logische Verarbeitung mit geringer Latenz auf Plattformen wie Raspberry Pi und Smartphones.
Diese Veröffentlichung unterstreicht nicht nur Googles starkes Engagement für das Open-Source-Ökosystem, sondern bietet durch die Apache-2.0-Lizenzierung auch eine Grundlage für Entwickler weltweit, um lokalisierte KI-Anwendungen mit hohem Datenschutz zu entwickeln.
Verwandter Artikel
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
Google testet den Remy AI Agent für Gemini, da der Fokus auf die Benutzerkontrolle verlagert wird
Laut Business Insider testet Google Remy, einen neuen KI-Personalagenten für Gemini. Dieses Tool soll Aufgaben im Auftrag von Nutzern ausführen und sowohl professionelle Arbeitsabläufe als auch tägliche Routinen optimieren.Derzeit wird Remy in einer
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Empfehlungen zu verwandten Spezialthemen
Kommentare (2)
Finally Google open-sources something decent! The 31B version ranking third globally is impressive, but I wonder how it compares to Llama 3 in real-world agent tasks? Honestly, parameter efficiency sounds like marketing fluff, but let's see the benchmarks. 🤔
Am 3. April um 4:03 Uhr morgens (Peking-Zeit) hat Google das Open-Source-Großsprachenmodell Gemma4 offiziell vorgestellt. Mit einem Durchbruch bei der „Parametereffizienz pro Einheit“ setzt es einen neuen Maßstab für Open-Source-Modelle bei der Unterstützung intelligenter Agenten-Workflows.
Die Serie umfasst die effizienten Varianten E2B (2,3 Mrd.) und E4B (4,5 Mrd.) sowie die leistungsstarken Modelle 26B MoE und 31B Dense. Als neueste Version auf Basis des Gemini3-Technologie-Stacks bietet Gemma4 vollständige Unterstützung für multimodale Eingaben (Bilder und Videos). Die Modelle E2B und E4B unterstützen zudem nativ Spracheingaben und ermöglichen so Sprachverständnis in Echtzeit am Edge.

In Bezug auf die technische Architektur erzielen die Modelle mit großen Parametersätzen durch Optimierung eine außergewöhnliche Hardware-Effizienz. Die 31B-Dense-Version belegt weltweit den dritten Platz unter den Open-Source-Modellen auf der Arena AI-Text-Rangliste, während die 26B-MoE-Version den sechsten Platz einnimmt. Ihre Fähigkeiten im Bereich logisches Schlussfolgern und Funktionsaufruf sind robust genug, um komplexe autonome Agenten anzutreiben.
Für den lokalen Einsatz senkt Gemma4 die Hürden für den Zugang zu modernster KI drastisch. Die nicht quantisierten 31B-Modellgewichte können auf einer einzigen 80-GB-H100-GPU ausgeführt werden, während quantisierte Versionen mit GPUs für Endverbraucher kompatibel sind. Für Mobil- und IoT-Geräte ermöglichen die E2B- und E4B-Modelle dank innovativer PLE-Einbettungstechnologie und Unterstützung für eine Kontextlänge von 128K eine logische Verarbeitung mit geringer Latenz auf Plattformen wie Raspberry Pi und Smartphones.
Diese Veröffentlichung unterstreicht nicht nur Googles starkes Engagement für das Open-Source-Ökosystem, sondern bietet durch die Apache-2.0-Lizenzierung auch eine Grundlage für Entwickler weltweit, um lokalisierte KI-Anwendungen mit hohem Datenschutz zu entwickeln.
Schwedisches KI-Startup Lovable Eyes: Bewertung von 13,2 Milliarden US-Dollar nach großer Finanzierungsrunde
Während KI-gestützte Coding-Tools an Popularität gewinnen, hat das schwedische Startup Lovable eine bedeutende Finanzierungsrunde abgeschlossen. Das Unternehmen strebt danach, 3 Milliarden US-Dollar einzusammeln, was seine Bewertung potenziell auf 13
So beheben Sie Core Web Vitals für bessere SEO-Rankings
Berichtskartenkommentare mit KI-Tools optimierenEinführungKI-Tools zur Generierung von BerichtskartenkommentarenMagic SchoolAlmanac AIChat GPTNutzung von Magic School zur Generierung von BerichtskartenkommentarenAnmeldung bei Magic SchoolAuswahl des
Finally Google open-sources something decent! The 31B version ranking third globally is impressive, but I wonder how it compares to Llama 3 in real-world agent tasks? Honestly, parameter efficiency sounds like marketing fluff, but let's see the benchmarks. 🤔











