Gemma 4 E2B

4 E2B · Rodzina: Gemma

Otwarty, wielomodalny model z rodziny Gemma 4 od Google DeepMind. Wariant E2B: 2,3 mld parametrów efektywnych, 128K kontekstu, wejście tekst/obraz/dźwięk — pod urządzenia mobilne i brzegowe.

✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel multimodalnyLLMModel rozumowania📁 Gemma

Okno kontekstowe

128K

tokenów

Parametry

2.3B effective (5.1B with embeddings)

parametrów

Data premiery

2 kwietnia 2026

🏢Google DeepMindProducent

Dostęp:DownloadAPIHostedWdrożenie:📱 Na urządzeniu💻 Lokalnie☁ Cloud

Przegląd

Gemma 4 E2B to otwarty, wielomodalny model językowy opracowany przez Google DeepMind w ramach rodziny Gemma 4 (premiera 2 kwietnia 2026). Litera „E” w nazwie oznacza „efektywne” parametry: model ma 2,3 mld parametrów efektywnych (5,1 mld łącznie z embeddingami) dzięki technice Per-Layer Embeddings (PLE), która obniża zużycie pamięci przy wnioskowaniu na urządzeniu.

Model przyjmuje na wejściu tekst, obraz i dźwięk, a generuje tekst. Obsługuje okno kontekstu 128K tokenów, ponad 140 języków, natywne wywoływanie funkcji oraz konfigurowalne tryby rozumowania (thinking). Architektura jest gęsta (dense) i wykorzystuje hybrydowy mechanizm uwagi przeplatający lokalną uwagę z oknem przesuwnym z pełną uwagą globalną, z Proportional RoPE.

Wagi udostępniono na licencji Apache 2.0 w wariantach pre-trained i instruction-tuned; model można pobrać (Hugging Face) i uruchomić lokalnie lub na urządzeniu, a także korzystać z niego przez Google AI Studio. Data graniczna danych treningowych to styczeń 2025.

Klasyfikacja

Model multimodalnyLLMModel rozumowania

Rodzina: Gemma

Dostęp i wdrożenie

PobieranieAPIHostowane

Na urządzeniuLokalnieChmura

Wagi: Open weights

Kluczowe parametry

📏 Kontekst: 128K

🧩 Parametry: 2.3B effective (5.1B with embeddings)

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz, audio

Specyfikacja techniczna

Okno kontekstowe

128K

tokenów

Parametry

2.3B effective (5.1B with embeddings)

parametrów

Licencja

Apache 2.0

Wymagania sprzętowe

Zaprojektowany pod wnioskowanie lokalne i na urządzeniu (telefony, IoT, laptopy); Per-Layer Embeddings i gęsta architektura minimalizują zużycie pamięci. Dostępne kwantyzacje QAT (q4_0, w4a16) do wdrożeń mobilnych.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

textimageaudio

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Wywoływanie funkcji

Natywne wsparcie dla ustrukturyzowanego wykorzystania narzędzi, umożliwiające przepływy pracy oparte na agentach.

Kategoria: planning

Programowanie

Generowanie, uzupełnianie, wyjaśnianie i debugowanie kodu w wielu językach programowania.

Kategoria: coding

Długi kontekst

Przetwarzanie bardzo długich danych wejściowych (dziesiątki–setki tysięcy tokenów) przy zachowaniu spójności.

Kategoria: language

Wielojęzyczność

Rozumienie i generowanie tekstu w wielu językach oraz tłumaczenie między nimi.

Kategoria: language

Rozumowanie

Zdolność modelu do wieloetapowego wnioskowania logicznego, rozwiązywania złożonych problemów i rozkładania zadań na kroki.

Kategoria: reasoning

Przeplatane wejście multimodalne

Zdolność do dowolnego łączenia tekstu i obrazu w dowolnej kolejności w ramach jednego polecenia.

Kategoria: reasoning

Wyniki benchmarków

6 benchmarków

MMLU Pro

accuracy

60.0%%