Gemma 4 E4B

Überblick

Gemma 4 E4B ist die größere der beiden Edge-Varianten der Gemma-4-Familie. Das „E" steht für effective parameters: Zur Laufzeit wirken 4,5B Parameter, insgesamt bringt das Modell inklusive Embeddings 8B mit. Möglich macht das die Per-Layer-Embeddings-Technik (PLE) – eine zweite Embedding-Tabelle, die jeder Decoder-Schicht ein kleines Residualsignal zuführt. Es ist trotz der geringen Größe ein echtes Reasoning-Modell und nimmt Text, Bild und Audio entgegen.

Use Cases

• Lokaler Betrieb auf Consumer-Hardware, Notebooks und Einplatinenrechnern
• Multimodale Aufgaben mit Bild- und Audioeingabe ohne Cloud-Anbindung
• Mehrsprachige Aufgaben (MMMLU 76,6 %) – der relativ stärkste Bereich des Modells
• Anwendungen mit Datenschutzanforderungen, die eine Verarbeitung auf dem Gerät verlangen

Stärken & Grenzen

Stärken: Reasoning, Vision und Audio in einem Modell, das auf Edge-Hardware läuft. Gegenüber dem kleineren E2B durchgehend deutlich stärker – am klarsten bei GPQA Diamond (58,6 % gegenüber 43,4 %) und Codeforces (940 gegenüber 633 Elo). Mehrsprachigkeit liegt mit 76,6 % MMMLU über dem, was die Größe erwarten lässt.

Grenzen: Der Abstand zu den großen Geschwistern ist erheblich – AIME 2026 42,5 % gegenüber 89,2 % beim 31B. Agentische Aufgaben sind eine klare Schwäche (Tau2 42,2 %). BenchLM schließt das Modell mangels ausreichender unabhängiger Benchmark-Abdeckung vom öffentlichen Leaderboard aus. Ausgabe nur Text.

Praxis-Erfahrung

Reines Open-Weights-Modell ohne First-Party-API-Listenpreis (AA: $0,00 in/out). Gewichte als google/gemma-4-E4B auf Hugging Face.

Achtung: Artificial Analysis bezeichnet E4B auf der Modellseite als Mixture-of-Experts mit „4,5B aktiven Parametern". Das ist falsch – Google führt E2B, E4B, 12B und 31B ausdrücklich unter „Dense Models" und nur das 26B A4B unter „Mixture-of-Experts". AA verwechselt hier effektive (embedding-bereinigte) mit aktiven (MoE-gerouteten) Parametern.

Gut zu wissen

• Lizenz: Apache-2.0 (kommerziell frei); Release 31.03.2026 laut Googles Releases-Seite (die Launch-Blogs vom 02./03.04.2026 werden von AA und BenchLM als Release-Datum übernommen)
• Architektur: dicht, 4,5B effektive / 8B gesamte Parameter, Per-Layer Embeddings; Kontext 128K
• AA-Omniscience −20

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 940 · BigBench Extra Hard 33,1 % · MATH-Vision 59,5 %
• CoVoST (Audio) 35,54 · MRCR v2 8-needle 128k 25,4 %

Quelle: Artificial Analysis – Index-Versionsbruch beachten: Intelligence Index 19 im Launch-Artikel (06.04.2026), 12 auf der aktuellen Modellseite (Index v4.1). Dasselbe Modell, unterschiedliche Index-Versionen; die Werte sind nicht vergleichbar. Zum Vergleich: Das 31B fiel im selben Wechsel von 39 auf 29.