Bisakah saya menjalankan Gemma 4 26B A4B secara lokal?

Ya — bobotnya terbuka di bawah lisensi Apache 2.0 dan tersedia di Hugging Face di google/gemma-4-26B-A4B-it, jadi Anda bisa mengunduh dan menjalankannya sendiri, meskipun dengan total 25,2 miliar parameter Anda memerlukan mesin yang mumpuni.

Berapa biaya via API dan berapa lama konteksnya?

Harga $0,09 per juta token input dan $0,30 per juta token output, dengan jendela konteks 256 ribu token.

Apa perbedaan 26B A4B dengan 31B Dense dalam keluarga Gemma 4?

26B A4B adalah model Mixture-of-Experts yang hanya mengaktifkan 3,8 miliar parameter per token, membuatnya lebih murah dijalankan daripada 31B Dense dengan kualitas keluaran serupa; 31B Dense mengaktifkan semua parameternya setiap kali dan tidak mendukung input video.

▲

53.5%

minggu ini

Gemma 4 26B A4B

8770°

#llm #google #visi #video #penalaran #agen

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Google | konteks token 262.144 | $0,09/M input, $0,30/M output. Gemma 4 26B A4B IT adalah model Mixture-of-Experts (MoE) yang disetel instruksi dari Google DeepMind. Meskipun memiliki total 25,2B parameter, hanya 3,8B yang aktif per token saat inferensi — memberikan kualitas hampir setara 31B dengan biaya komputasi jauh lebih rendah. Mendukung input multimodal termasuk teks, gambar, dan video (hingga 60 detik pada 1fps). Memiliki jendela konteks 256K token, pemanggilan fungsi asli, mode berpikir/penalaran yang dapat dikonfigurasi, dan dukungan output terstruktur. Dirilis di bawah lisensi Apache 2.0.

Panduan untuk model ini

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Gemma 4 26B A4B adalah model Mixture-of-Experts yang disetel instruksi dari Google DeepMind yang mengaktifkan hanya 3,8 miliar dari 25,2 miliar parameternya per token, sehingga Anda mendapatkan keluaran kelas hampir 31 miliar dengan biaya komputasi jauh lebih rendah. Mendukung teks, gambar, dan video hingga 60 detik, dengan jendela konteks 256 ribu token dan mode penalaran yang dapat dikonfigurasi. Bobot Apache 2.0 menjadikannya opsi serius bagi siapa saja yang menginginkan model multimodal mumpuni yang benar-benar bisa dijalankan dan dimodifikasi.

Dikenal untuk

Efisiensi MoE: 3,8 miliar parameter aktif per token, kualitas hampir 31 miliar
Multimodal: menerima teks, gambar, dan video hingga 60 detik
Jendela konteks 256 ribu token untuk pekerjaan dokumen panjang
Pemanggilan fungsi native dan output terstruktur untuk pipeline agen
Lisensi Apache 2.0 — gunakan, modifikasi, dan deploy secara komersial

Waspadai

Input video dibatasi 1fps dan 60 detik; jangan harap pemahaman temporal kaya.
Audio tidak didukung pada ukuran ini — hanya pada varian E2B, E4B, dan 12B.
Dengan total 25,2 miliar parameter, deployment lokal membutuhkan mesin dengan spesifikasi tinggi meski ada penghematan MoE.

Terbaik untuk

Penalaran

Penglihatan

Agen dan penggunaan alat

Pemrograman

Konteks panjang

Prompt untuk dicoba

Debug bug async yang rumit

Berikut fungsi async Python yang kadang memunculkan RuntimeError: 'Event loop is closed' saat dipanggil dari tugas latar belakang FastAPI. Jelaskan persis mengapa ini terjadi, lalu tulis ulang fungsi agar aman dipanggil dalam konteks itu. Tunjukkan kode yang diperbaiki dan jelaskan setiap perubahan.

Penalaran teka-teki penjadwalan

Lima insinyur harus masing-masing meninjau dua dari tujuh pull request. Tidak ada insinyur yang meninjau PR sendiri. PR 3 dan 7 harus ditinjau oleh insinyur yang belum meninjau PR 1, 2, atau 4. Tugaskan reviewer ke semua tujuh PR sesuai batasan ini, dan tunjukkan alasan Anda langkah demi langkah.

Analisis gambar terlampir

Lampirkan tangkapan layar dashboard, grafik, atau UI. Kemudian tanyakan: Jelaskan setiap titik data dan elemen visual yang Anda lihat, identifikasi anomali atau tren, dan sarankan satu perubahan konkret yang membuatnya lebih mudah dibaca sekilas.

Bandingkan dengan

Gemini 3.8 Flash
Model hanya API
konteks 1,048,576 token · $0.83/M input, $4.12/M output
Gemini 3 Flash Preview
Model hanya API
konteks 1,048,576 token · $0.50/M input, $3.00/M output
Gemini 2.5 Flash Lite
Model hanya API
konteks 1,048,576 token · $0.10/M input, $0.40/M output
Gemini 3.1 Flash Lite
Model hanya API
konteks 1,048,576 token · $0.25/M input, $1.50/M output

Model teks lain dari google

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Gemma 4 26B A4B secara lokal?: Ya — bobotnya terbuka di bawah lisensi Apache 2.0 dan tersedia di Hugging Face di google/gemma-4-26B-A4B-it, jadi Anda bisa mengunduh dan menjalankannya sendiri, meskipun dengan total 25,2 miliar parameter Anda memerlukan mesin yang mumpuni.
Berapa biaya via API dan berapa lama konteksnya?: Harga $0,09 per juta token input dan $0,30 per juta token output, dengan jendela konteks 256 ribu token.
Apa perbedaan 26B A4B dengan 31B Dense dalam keluarga Gemma 4?: 26B A4B adalah model Mixture-of-Experts yang hanya mengaktifkan 3,8 miliar parameter per token, membuatnya lebih murah dijalankan daripada 31B Dense dengan kualitas keluaran serupa; 31B Dense mengaktifkan semua parameternya setiap kali dan tidak mendukung input video.

Putusan Kapten
Kombinasi langka: bobot terbuka, kemampuan multimodal asli, dan efisiensi MoE yang menjaga biaya inferensi tetap wajar.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Tren popularitas Gemma 4 26B A4B

Skor panas sejak 3 Apr 2026

Skor panas

8,770°

Minggu ini

▲

53.5%

8,713° dulu, 8,770° sekarang

Bulan ini

▲

607%

8,512° dulu, 8,770° sekarang

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,489°

Token OpenRouter

919,242,238,645 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 91,924; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+281°

Tingkat adopsi

Sekitar 5,610 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 8,770°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
91,924 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,489°
8,489°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 5,610 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+281°
8,770°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
8,770°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

Summarize

TEXT / LLM

Llama 3.2 90B Vision Instruct

Model AI untuk Pembuatan Gambar, Video & Teks

Gemma 4 26B A4B adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm google visi video penalaran agen pemrograman konteks panjang

Jelajahi berdasarkan Keluarga Model