Gemma 4 E2B

Kleinstes Modell der Gemma-4-Familie mit 2,3B effektiven (5,1B gesamt) Parametern – multimodal und mit Reasoning, ausgelegt auf Smartphones und Einplatinenrechner.

Überblick

Gemma 4 E2B ist das kleinste Modell der Gemma-4-Familie. Mit 2,3B effektiven Parametern (5,1B gesamt inklusive Embeddings) zielt es auf Geräte mit knappem Speicher – Smartphones, Einplatinenrechner, eingebettete Systeme – und bringt dabei Reasoning sowie Bild- und Audioeingabe mit. Die Lücke zwischen effektiver und Gesamtgröße entsteht durch Per-Layer Embeddings (PLE), nicht durch MoE-Routing.

Use Cases

On-Device-Anwendungen ohne Netzwerkverbindung
Vorverarbeitung und Klassifikation als günstiges Vorschaltmodell
Mehrsprachige Aufgaben (MMMLU 67,4 %) – gemessen an der Größe der stärkste Bereich
Bild- und Audioeingabe in Umgebungen, in denen kein größeres Modell läuft

Stärken & Grenzen

Stärken: Multimodalität und Reasoning in einem Modell, das mit 2,3B effektiven Parametern auf Hardware läuft, auf der sonst kein Reasoning-Modell arbeitet. Auf MMLU-Pro liegt es mit 60,0 % nicht dramatisch hinter dem über zehnmal größeren Gemma 3 27B (67,6 %) und schlägt dieses bei Mathematik und Coding deutlich (AIME 2026 37,5 % gegenüber 20,8 %, LiveCodeBench 44,0 % gegenüber 29,1 %).

Grenzen: Agentische Aufgaben sind die klare Schwachstelle (Tau2 24,5 %), ebenso Long Context (MRCR v2 19,1 %) und komplexes Reasoning (BigBench Extra Hard 21,9 %). Codeforces Elo 633 zeigt, dass wettbewerbsnahe Programmieraufgaben außerhalb der Reichweite liegen. GPQA Diamond 43,4 % liegt nur knapp über dem Gemma-3-27B-Vorgänger. Ausgabe nur Text.

Praxis-Erfahrung

Reines Open-Weights-Modell ohne First-Party-API-Listenpreis (AA: $0,00 in/out). Gewichte als google/gemma-4-E2B auf Hugging Face. BenchLM führt das Modell mit Gesamtscore 41,82/100 auf geschätztem Rang 162.

Gut zu wissen

Lizenz: Apache-2.0 (kommerziell frei); Release 31.03.2026 laut Googles Releases-Seite (die Launch-Blogs vom 02.04.2026 werden von AA und BenchLM als Release-Datum übernommen)
Architektur: dicht, 2,3B effektive / 5,1B gesamte Parameter, Per-Layer Embeddings; Kontext 128K
AA-Omniscience −24

Weitere Benchmarks (Zusatzquellen)

Weitere berichtete Werte, für die in der Score-Tabelle oben kein Eintrag vorliegt.

Quelle: Google DeepMind (offizielle Model Card, HF):

Codeforces Elo 633 · BigBench Extra Hard 21,9 % · MATH-Vision 52,4 %
MedXPertQA MM 23,5 % · OmniDocBench 1.5 0,290 · FLEURS 0,09
CoVoST (Audio) 33,47 · MRCR v2 8-needle 128k 19,1 %

Quelle: Artificial Analysis – Index-Versionsbruch beachten: Intelligence Index 15 im Launch-Artikel (06.04.2026), 9 auf der aktuellen Modellseite (Index v4.1). Dasselbe Modell, unterschiedliche Index-Versionen; die Werte sind nicht vergleichbar.