Kann ich Gemma 4 31B IT Turbo lokal ausführen?

Nein. Die Gewichte sind nicht öffentlich, es ist nur über die API verfügbar – Download oder Selbsthosting sind nicht möglich.

Was kostet es und wie lang ist der Kontext?

Die Preise betragen 0,09 $ pro Million Eingabetokens und 0,34 $ pro Million Ausgabetokens, mit einem Kontextfenster von 262.144 Tokens.

Worin unterscheidet es sich von anderen Gemma 4-Modellen?

Google hat keinen detaillierten Vergleich der Gemma 4-Varianten veröffentlicht, aber das Turbo-Label signalisiert typischerweise eine Geschwindigkeits- oder Effizienzoptimierung innerhalb einer Modellfamilie.

Gemma 4 31B it turbo

4653°

#llm #google #vision #logik #langer kontext #budget

DeepInfra öffnen

google | 262.144 Token Kontext | $0.09/M Eingabe, $0.34/M Ausgabe. Gemma ist eine Familie offener Modelle, die von Google DeepMind entwickelt wurde. Die Gemma 4 Modelle sind multimodal, verarbeiten Text- und Bildeingaben und erzeugen Textausgaben.

Anleitungen zu diesem Modell

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Gemma 4 31B IT Turbo ist ein multimodales Modell von Google DeepMind, das Text- und Bildeingaben verarbeitet und Text ausgibt. Es liegt im mittleren Größenbereich der Gemma 4-Familie und verfügt über ein Kontextfenster von 262.144 Tokens. Mit weniger als zehn Cent pro Million Eingabetokens ist es für den Volumeneinsatz preislich attraktiv und lohnt einen Blick, wenn Sie Vision plus Langzeit-Kontextverarbeitung ohne hohe API-Kosten benötigen.

Bekannt für

262.144 Token Kontextfenster – verarbeitet sehr lange Dokumente in einem Durchgang.
Akzeptiert Bildeingaben neben Text, deckt multimodale Aufgaben ab.
Niedriger Eingabepreis von 0,09 $/M Tokens hält die Kosten bei großem Umfang überschaubar.
Teil der Gemma 4-Familie von Google DeepMind, entwickelt für breite Aufgabenabdeckung.

Achte auf

Gewichte sind nicht öffentlich verfügbar; Sie sind an die API gebunden, keine lokale Bereitstellung möglich.
Ausgabetokens kosten fast das Vierfache des Eingabepreises – achten Sie auf die Generierungslänge in der Produktion.

Am besten für

Prompts zum Ausprobieren

Analyse eines dichten Dokuments

Hier ist ein langer Vertrag. Identifiziere jede Klausel, die die Haftung einschränkt, fasse in einfachem Englisch zusammen, was jede besagt, und markiere ungewöhnliche oder einseitige Klauseln. Sei spezifisch bei den Abschnittsnummern.

Bildbeschreibung und Begründung

Ich füge einen Screenshot eines Daten-Dashboards bei. Liste alle angezeigten Kennzahlen auf, notiere Auffälligkeiten im Vergleich zu den anderen und schlage jeweils zwei mögliche Erklärungen für jede Anomalie vor.

Mehrstufiges Denkproblem

Ein Lager versendet täglich 240 Bestellungen über drei gleich lange Schichten. Die Morgenschicht bearbeitet 40 % der Bestellungen, die Nachmittagsschicht 35 %, die Nachtschicht den Rest. Wenn die Nachtschicht einen weiteren Arbeiter bekommt und die Produktion um 15 % steigt, wie viele Bestellungen bearbeitet die Nachtschicht jetzt und wie hoch ist die neue Tagesgesamtzahl?

Vergleichen mit

Gemini 3.8 Flash
Nur API-Modell
1,048,576 Token Kontext · $0.83/M Eingabe, $4.12/M Ausgabe
Gemini 3 Flash Preview
Nur API-Modell
1,048,576 Token Kontext · $0.50/M Eingabe, $3.00/M Ausgabe
Gemini 2.5 Flash Lite
Nur API-Modell
1,048,576 Token Kontext · $0.10/M Eingabe, $0.40/M Ausgabe
Gemini 3.1 Flash Lite
Nur API-Modell
1,048,576 Token Kontext · $0.25/M Eingabe, $1.50/M Ausgabe

Mehr Textmodelle von google

Häufig gestellte Fragen

Kann ich Gemma 4 31B IT Turbo lokal ausführen?: Nein. Die Gewichte sind nicht öffentlich, es ist nur über die API verfügbar – Download oder Selbsthosting sind nicht möglich.
Was kostet es und wie lang ist der Kontext?: Die Preise betragen 0,09 $ pro Million Eingabetokens und 0,34 $ pro Million Ausgabetokens, mit einem Kontextfenster von 262.144 Tokens.
Worin unterscheidet es sich von anderen Gemma 4-Modellen?: Google hat keinen detaillierten Vergleich der Gemma 4-Varianten veröffentlicht, aber das Turbo-Label signalisiert typischerweise eine Geschwindigkeits- oder Effizienzoptimierung innerhalb einer Modellfamilie.

Captain's Urteil
Ein wirklich günstiger Einstiegspunkt für Langzeit-Vision-Aufgaben – denken Sie nur daran, dass Sie es mieten, nicht besitzen.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie man installiert

Wie man Ollama installiert und eine lokale KI betreibt (Windows, Mac, Linux)

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Gemma 4 31B it turbo ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm google vision logik langer kontext budget

Nach Modellfamilie stöbern