Kan ik Gemma 4 26B A4B lokaal draaien?

Ja — de gewichten zijn open onder Apache 2.0 en beschikbaar op Hugging Face bij google/gemma-4-26B-A4B-it, dus je kunt het downloaden en zelf draaien, hoewel het totaal van 25,2 miljard parameters betekent dat je een capabele machine nodig hebt.

Wat kost het via API en hoe lang is het contextvenster?

De prijs is $0,09 per miljoen inputtokens en $0,30 per miljoen outputtokens, met een contextvenster van 256K tokens.

Hoe verschilt de 26B A4B van de 31B Dense in de Gemma 4-familie?

De 26B A4B is een Mixture-of-Experts-model dat slechts 3,8 miljard parameters per token activeert, waardoor het goedkoper draait dan de 31B Dense terwijl het vergelijkbare outputkwaliteit nastreeft; de 31B Dense activeert elke keer al zijn parameters en ondersteunt geen video-invoer.

▲

53.5%

deze week

Gemma 4 26B A4B

8770°

#llm #google #visie #video #redeneren #agenten

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Google | 262.144 token context | $0,09/M input, $0,30/M output. Gemma 4 26B A4B IT is een instruction-tuned Mixture-of-Experts (MoE) model van Google DeepMind. Ondanks 25,2 miljard totale parameters worden er slechts 3,8 miljard geactiveerd per token tijdens inferentie — wat bijna 31 miljard kwaliteit levert tegen een fractie van de rekencapaciteit. Ondersteunt multimodale input waaronder tekst, afbeeldingen en video (tot 60s bij 1fps). Beschikt over een contextvenster van 256K tokens, native functie-aanroepen, configureerbare denk-/redeneringsmodus en ondersteuning voor gestructureerde output. Uitgebracht onder Apache 2.0.

Gidsen voor dit model

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Ollama vs LM Studio (2026): welke lokale AI-app gebruik je, en welke topmodellen draaien ze

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Gemma 4 26B A4B is Google DeepMind's instruction-tuned Mixture-of-Experts-model dat slechts 3,8 miljard van zijn 25,2 miljard parameters per token activeert, waardoor je output krijgt van bijna 31 miljard klasse tegen een fractie van de rekencapaciteit. Het verwerkt tekst, afbeeldingen en video tot 60 seconden, met een contextvenster van 256K tokens en een configureerbare redeneermodus. Apache 2.0 gewichten maken het een serieuze optie voor iedereen die een capabel multimodaal model wil dat ze daadwerkelijk kunnen draaien en aanpassen.

Bekend om

MoE-efficiëntie: 3,8 miljard actieve parameters per token, bijna 31 miljard kwaliteit
Multimodaal: accepteert tekst, afbeeldingen en video tot 60 seconden
Contextvenster van 256K tokens voor werken met lange documenten
Native functieaanroepen en gestructureerde output voor agentische pipelines
Apache 2.0-licentie — gebruik het, pas het aan, zet het commercieel in

Let op

Video-invoer is beperkt tot 1fps en 60 seconden; verwacht geen rijke temporele analyse.
Audio wordt niet ondersteund op deze grootte — alleen op de E2B, E4B en 12B varianten.
Met 25,2 miljard totale parameters vereist lokale inzet een goed uitgeruste machine ondanks de MoE-besparingen.

Het beste voor

Redeneren

Visie

Agenten en toolgebruik

Coderen

Lange context

Prompts om te proberen

Debug een lastige async bug

Hier is een Python async functie die af en toe een RuntimeError: 'Event loop is closed' geeft wanneer deze wordt aangeroepen vanuit een FastAPI achtergrondtaak. Leg precies uit waarom dit gebeurt, herschrijf vervolgens de functie zodat deze veilig is aan te roepen in die context. Toon de gecorrigeerde code en leg elke wijziging uit.

Redeneer door een planningspuzzel

Vijf engineers moeten elk twee van zeven pull requests reviewen. Geen engineer reviewt zijn eigen PR. PR's 3 en 7 moeten worden beoordeeld door engineers die geen van PR's 1, 2 of 4 hebben beoordeeld. Wijs reviewers toe aan alle zeven PR's die aan deze voorwaarden voldoen, en toon je redenering stap voor stap.

Analyseer een bijgevoegde afbeelding

Voeg een screenshot toe van een dashboard, grafiek of UI. Vraag dan: Beschrijf elk datapunt en visueel element dat je ziet, identificeer eventuele anomalieën of trends, en stel één concrete wijziging voor die het makkelijker maakt om in één oogopslag te lezen.

Vergelijk met

Gemini 3.8 Flash
Alleen API-model
1,048,576 token context · $0.83/M invoer, $4.12/M uitvoer
Gemini 3 Flash Preview
Alleen API-model
1,048,576 token context · $0.50/M invoer, $3.00/M uitvoer
Gemini 2.5 Flash Lite
Alleen API-model
1,048,576 token context · $0.10/M invoer, $0.40/M uitvoer
Gemini 3.1 Flash Lite
Alleen API-model
1,048,576 token context · $0.25/M invoer, $1.50/M uitvoer

Meer tekstmodellen van google

Veelgestelde vragen

Kan ik Gemma 4 26B A4B lokaal draaien?: Ja — de gewichten zijn open onder Apache 2.0 en beschikbaar op Hugging Face bij google/gemma-4-26B-A4B-it, dus je kunt het downloaden en zelf draaien, hoewel het totaal van 25,2 miljard parameters betekent dat je een capabele machine nodig hebt.
Wat kost het via API en hoe lang is het contextvenster?: De prijs is $0,09 per miljoen inputtokens en $0,30 per miljoen outputtokens, met een contextvenster van 256K tokens.
Hoe verschilt de 26B A4B van de 31B Dense in de Gemma 4-familie?: De 26B A4B is een Mixture-of-Experts-model dat slechts 3,8 miljard parameters per token activeert, waardoor het goedkoper draait dan de 31B Dense terwijl het vergelijkbare outputkwaliteit nastreeft; de 31B Dense activeert elke keer al zijn parameters en ondersteunt geen video-invoer.

Oordeel van de kapitein
Een zeldzame combinatie: open gewichten, echte multimodale capaciteit en MoE-efficiëntie die de inferentiekosten eerlijk houdt.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #46 Hottest Text / LLM model · #46 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van Gemma 4 26B A4B

Heat score sinds 3 Apr 2026

Heat score

8,770°

Deze week

▲

53.5%

8,713° toen, 8,770° nu

Deze maand

▲

607%

8,512° toen, 8,770° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,489°

OpenRouter tokens

919,242,238,645 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 91,924; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+281°

Adoptiesnelheid

Ongeveer 5,610 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 8,770°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
91,924 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,489°
8,489°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 5,610 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+281°
8,770°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
8,770°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

Hermes 3 405B Instruct

TEXT / LLM

Meta Llama 3 70B Instruct

AI-modellen voor het genereren van afbeeldingen, video en tekst

Gemma 4 26B A4B is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm google visie video redeneren agenten coderen lange context

Bladeren op modelfamilie