Posso eseguire Gemma 4 26B A4B localmente?

Sì — i pesi sono aperti sotto Apache 2.0 e disponibili su Hugging Face a google/gemma-4-26B-A4B-it, quindi puoi scaricarlo ed eseguirlo, anche se i 25,2 miliardi di parametri totali richiedono una macchina potente.

Quanto costa via API e quanto è lunga la finestra di contesto?

Il prezzo è $0,09 per milione di token in input e $0,30 per milione di token in output, con una finestra di contesto da 256K token.

In cosa differisce il 26B A4B dal 31B Dense nella famiglia Gemma 4?

Il 26B A4B è un modello Mixture-of-Experts che attiva solo 3,8 miliardi di parametri per token, rendendolo più economico da eseguire rispetto al 31B Dense pur mirando a qualità simile; il 31B Dense attiva tutti i parametri ogni volta e non supporta input video.

▲

53.5%

questa settimana

Gemma 4 26B A4B

8770°

#llm #google #visione #video #ragionamento #agenti

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Google | contesto da 262.144 token | $0.09/M input, $0.30/M output. Gemma 4 26B A4B IT è un modello Mixture-of-Experts (MoE) istruito con istruzioni di Google DeepMind. Nonostante 25.2B parametri totali, solo 3.8B si attivano per token durante l’inferenza — offrendo qualità quasi da 31B a una frazione del costo computazionale. Supporta input multimodale inclusi testo, immagini e video (fino a 60s a 1fps). Presenta una finestra di contesto da 256K token, chiamata di funzione nativa, modalità di pensiero/ragionamento configurabile e supporto per output strutturati. Rilasciato sotto Apache 2.0.

Guide per questo modello

Come Installare Ollama e Usare un'IA Locale (Windows, Mac, Linux)

Ollama vs LM Studio (2026): quale app AI locale usare e quali modelli top esegue ciascuna

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Come scegliere un modello AI a ottobre 2026: le novità closed source, poi i pesi aperti da scaricare

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Gemma 4 26B A4B è il modello Mixture-of-Experts istruito con istruzioni di Google DeepMind che attiva solo 3,8 miliardi dei suoi 25,2 miliardi di parametri per token, offrendo output di qualità quasi da 31 miliardi a una frazione del costo computazionale. Gestisce testo, immagini e video fino a 60 secondi, con una finestra di contesto da 256K token e una modalità di ragionamento configurabile. I pesi Apache 2.0 lo rendono un’opzione seria per chi vuole un modello multimodale capace da eseguire e modificare realmente.

Conosciuto per

Efficienza MoE: 3,8 miliardi di parametri attivi per token, qualità quasi da 31 miliardi
Multimodale: accetta testo, immagini e video fino a 60 secondi
Finestra di contesto da 256K token per lavoro su documenti lunghi
Chiamata nativa di funzioni e output strutturati per pipeline agentiche
Licenza Apache 2.0 — usalo, modificalo, distribuiscilo commercialmente

Attenzione a

Input video limitato a 1fps e 60 secondi; non aspettarti comprensione temporale ricca.
Audio non supportato in questa versione — solo nelle varianti E2B, E4B e 12B.
Con 25,2 miliardi di parametri totali, il deployment locale richiede una macchina ben equipaggiata nonostante i risparmi MoE.

Ideale per

Ragionamento

Visione

Agenti e uso di strumenti

Programmazione

Contesto lungo

Prompt da provare

Debug di un bug async complesso

Ecco una funzione Python async che occasionalmente genera un RuntimeError: 'Event loop is closed' quando chiamata da un task in background FastAPI. Spiega esattamente perché succede, poi riscrivi la funzione in modo che sia sicura da chiamare in quel contesto. Mostra il codice corretto e spiega ogni modifica.

Ragionamento su un puzzle di scheduling

Cinque ingegneri devono revisionare ciascuno due delle sette pull request. Nessun ingegnere può revisionare la propria PR. Le PR 3 e 7 devono essere revisionate da ingegneri che non hanno revisionato le PR 1, 2 o 4. Assegna i revisori a tutte e sette le PR rispettando questi vincoli e mostra il ragionamento passo-passo.

Analizza un’immagine allegata

Allega uno screenshot di una dashboard, grafico o interfaccia utente. Poi chiedi: Descrivi ogni dato e elemento visivo che vedi, identifica anomalie o trend e suggerisci un cambiamento concreto che renda la lettura più immediata.

Confronta con

Gemini 3.8 Flash
Modello solo API
Contesto di 1,048,576 token · Input $0.83/M, output $4.12/M
Gemini 3 Flash Preview
Modello solo API
Contesto di 1,048,576 token · Input $0.50/M, output $3.00/M
Gemini 2.5 Flash Lite
Modello solo API
Contesto di 1,048,576 token · Input $0.10/M, output $0.40/M
Gemini 3.1 Flash Lite
Modello solo API
Contesto di 1,048,576 token · Input $0.25/M, output $1.50/M

Altri modelli di testo da google

Domande frequenti

Posso eseguire Gemma 4 26B A4B localmente?: Sì — i pesi sono aperti sotto Apache 2.0 e disponibili su Hugging Face a google/gemma-4-26B-A4B-it, quindi puoi scaricarlo ed eseguirlo, anche se i 25,2 miliardi di parametri totali richiedono una macchina potente.
Quanto costa via API e quanto è lunga la finestra di contesto?: Il prezzo è $0,09 per milione di token in input e $0,30 per milione di token in output, con una finestra di contesto da 256K token.
In cosa differisce il 26B A4B dal 31B Dense nella famiglia Gemma 4?: Il 26B A4B è un modello Mixture-of-Experts che attiva solo 3,8 miliardi di parametri per token, rendendolo più economico da eseguire rispetto al 31B Dense pur mirando a qualità simile; il 31B Dense attiva tutti i parametri ogni volta e non supporta input video.

Verdetto del capitano
Una combinazione rara: pesi aperti, vera capacità multimodale e efficienza MoE che mantiene onesti i costi di inferenza.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Tendenza di popolarità di Gemma 4 26B A4B

Punteggio di calore da 3 Apr 2026

Punteggio di popolarità

8,770°

Questa settimana

▲

53.5%

8,713° allora, 8,770° ora

Questo mese

▲

607%

8,512° allora, 8,770° ora

Ultimo anno

n/a

Non ancora rilasciato/tracciato

7,000°

Floor

La scala va da 0° a 9.999°. Tutto ciò che sta sotto 7,000° è riservato ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete. 7,000° è dove iniziano i dati misurati: un modello con dati reali ma quasi nessun download sta al floor, e le misurazioni riempiono i gradi sopra di esso. Il floor non dice nulla sul modello; solo i gradi sopra lo fanno, e sono quelli che distinguono un modello dall'altro.

+1,489°

Token OpenRouter

919,242,238,645 token processati da questo modello tramite OpenRouter negli ultimi 30 giorni, prompt e risposte insieme. Ogni 10,000,000 token conta come un download nel termine di download, 91,924 in totale; i token dell'ultimo giorno contribuiscono al tasso di adozione. Fonte: OpenRouter (openrouter.ai/rankings).

+281°

Tasso di adozione

Circa 5,610 download al giorno, misurati tra due rilevazioni delle fonti, mai stimati da una media a vita. La velocità pesa un quarto del termine download, così una nuova impennata si vede senza che un picco di un giorno superi anni di uso.

Mostra dettagli

Ogni numero su questo sito può essere verificato. Il punteggio heat di questo modello è 8,770°, ed è costruito un ingrediente alla volta, con il totale progressivo dopo ogni passaggio: il floor, i gradi che ogni fonte aggiunge, il bonus per il tipo di modello e cosa toglie l'età dei suoi pesi. I colori corrispondono alle bande del grafico sopra. Il glossario alla fine definisce ogni termine.

1
Inizia dal floor.
Perché 7,000° e non zero: la scala va da 0° a 9.999°, e la parte sotto 7,000° è riservata ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete e non superare mai un modello con dati. 7,000° è dove iniziano i dati misurati. Un modello con dati reali ma quasi nessun download sta qui; tutto ciò che segue è misurazione, e lo spazio sopra il floor contiene dieci passi decuplici nei download a 300° ciascuno. Il floor è uguale per ogni modello, quindi non decide nulla; lo fanno i gradi sopra di esso.
7,000°
totale in corso
2
Aggiungi i download.
91,924 equivalenti di download in totale, da Token OpenRouter. Dieci volte i download aggiungono lo stesso 300°, quindi la dimensione conta ma non domina mai il punteggio.
+1,489°
8,489°
totale in corso
3
Aggiungi il tasso di adozione.
Circa 5,610 download al giorno in questo momento, misurati tra due rilevazioni, con un peso di un quarto.
+281°
8,770°
totale in corso
=
Il punteggio heat.
Dove si posiziona questo modello in ogni lista di questo sito. Niente altro lo modifica.
8,770°

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Come si è mosso questo modello rispetto al resto del catalogo: la sua crescita in download, like e utilizzo in ogni periodo, misurata rispetto alla crescita tipica dei modelli nello stesso periodo, con il suo punteggio di popolarità al momento. Sopra la crescita tipica indica un aumento, sotto una diminuzione. Il passato è ricostruito dai totali di oggi, dal primo giorno del modello e dalla sua velocità di download misurata quando ci sono due letture; un modello che non esisteva all'inizio del periodo mostra n/a.

Modelli simili

KAT Coder Pro V2.5

TEXT / LLM

DeepSeek V3.1 Terminus

Modelli di IA per generare immagini, video e testo

Gemma 4 26B A4B è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm google visione video ragionamento agenti programmazione contesto lungo

Sfoglia per famiglia di modelli