Bolehkah saya jalankan Gemma 4 26B A4B secara tempatan?

Ya — beratnya terbuka di bawah Apache 2.0 dan tersedia di Hugging Face di google/gemma-4-26B-A4B-it, jadi anda boleh muat turun dan jalankan sendiri, walaupun jumlah parameter 25.2B bermakna anda memerlukan mesin berkeupayaan.

Berapa kos melalui API, dan berapa lama konteksnya?

Harga adalah $0.09 setiap sejuta token input dan $0.30 setiap sejuta token output, dengan tetingkap konteks 256K token.

Bagaimana 26B A4B berbeza daripada 31B Dense dalam keluarga Gemma 4?

26B A4B adalah model Mixture-of-Experts yang hanya mengaktifkan 3.8B parameter setiap token, menjadikannya lebih murah dijalankan daripada 31B Dense sambil menyasarkan kualiti output yang serupa; 31B Dense mengaktifkan semua parameternya setiap masa dan tidak menyokong input video.

▲

53.5%

minggu ini

Gemma 4 26B A4B

8770°

#llm #google #penglihatan #video #penalaran #ejen

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

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 disesuaikan arahan dari Google DeepMind. Walaupun mempunyai 25.2B parameter keseluruhan, hanya 3.8B diaktifkan setiap token semasa inferens — memberikan kualiti hampir 31B pada sebahagian kecil kos pengkomputeran. Menyokong input multimodal termasuk teks, imej, dan video (hingga 60 saat pada 1fps). Mempunyai tetingkap konteks 256K token, pemanggilan fungsi asli, mod pemikiran/penaakulan boleh laras, dan sokongan output berstruktur. Dikeluarkan di bawah Apache 2.0.

Panduan untuk model ini

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Cara memilih model AI pada Oktober 2026: berita sumber tertutup, kemudian berat terbuka yang patut dimuat turun

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Gemma 4 26B A4B adalah model Mixture-of-Experts yang ditala arahan dari Google DeepMind yang hanya mengaktifkan 3.8B daripada 25.2B parameternya setiap token, jadi anda mendapat output kelas hampir 31B dengan sebahagian kecil kos pengiraan. Ia mengendalikan teks, imej, dan video sehingga 60 saat, dengan tetingkap konteks 256K token dan mod penalaran yang boleh dikonfigurasikan. Berat Apache 2.0 menjadikannya pilihan serius untuk sesiapa yang mahukan model multimodal berkemampuan yang benar-benar boleh mereka jalankan dan ubah suai.

Dikenali untuk

Kecekapan MoE: 3.8B parameter aktif setiap token, kualiti hampir 31B
Multimodal: menerima teks, imej, dan video sehingga 60 saat
Tetingkap konteks 256K token untuk kerja dokumen panjang
Panggilan fungsi asli dan output berstruktur untuk saluran agen
Lesen Apache 2.0 — guna, ubah suai, sebarkan secara komersial

Berhati-hati dengan

Input video dihadkan pada 1fps dan 60 saat; jangan harap pemahaman temporal yang kaya.
Audio tidak disokong pada saiz ini — hanya pada varian E2B, E4B, dan 12B.
Dengan 25.2B parameter keseluruhan, penyebaran tempatan memerlukan mesin berprestasi tinggi walaupun dengan penjimatan MoE.

Terbaik untuk

Penalaran

Penglihatan

Ejen dan penggunaan alat

Pengaturcaraan

Konteks panjang

Arahan untuk cuba

Debug pepijat async yang rumit

Ini adalah fungsi async Python yang kadang-kadang menaikkan RuntimeError: 'Event loop is closed' apabila dipanggil dari tugas latar belakang FastAPI. Terangkan mengapa ini berlaku, kemudian tulis semula fungsi supaya selamat dipanggil dalam konteks itu. Tunjukkan kod yang diperbetulkan dan jelaskan setiap perubahan.

Penalaran melalui teka-teki penjadualan

Lima jurutera mesti menyemak dua daripada tujuh permintaan tarik. Tiada jurutera menyemak PR mereka sendiri. PR 3 dan 7 mesti disemak oleh jurutera yang tidak menyemak mana-mana PR 1, 2, atau 4. Tugaskan penyemak untuk semua tujuh PR memenuhi kekangan ini, dan tunjukkan penalaran anda langkah demi langkah.

Analisa imej yang dilampirkan

Lampirkan tangkapan skrin papan pemuka, carta, atau UI. Kemudian tanya: Terangkan setiap titik data dan elemen visual yang anda lihat, kenal pasti sebarang anomali atau tren, dan cadangkan satu perubahan konkrit yang akan memudahkan bacaan sekilas.

Bandingkan dengan

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

Lebih banyak model teks dari google

Soalan yang sering ditanya

Bolehkah saya jalankan Gemma 4 26B A4B secara tempatan?: Ya — beratnya terbuka di bawah Apache 2.0 dan tersedia di Hugging Face di google/gemma-4-26B-A4B-it, jadi anda boleh muat turun dan jalankan sendiri, walaupun jumlah parameter 25.2B bermakna anda memerlukan mesin berkeupayaan.
Berapa kos melalui API, dan berapa lama konteksnya?: Harga adalah $0.09 setiap sejuta token input dan $0.30 setiap sejuta token output, dengan tetingkap konteks 256K token.
Bagaimana 26B A4B berbeza daripada 31B Dense dalam keluarga Gemma 4?: 26B A4B adalah model Mixture-of-Experts yang hanya mengaktifkan 3.8B parameter setiap token, menjadikannya lebih murah dijalankan daripada 31B Dense sambil menyasarkan kualiti output yang serupa; 31B Dense mengaktifkan semua parameternya setiap masa dan tidak menyokong input video.

Keputusan Kapten
Gabungan jarang: berat terbuka, kemampuan multimodal sebenar, dan kecekapan MoE yang mengekalkan kos inferens jujur.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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

Trend populariti Gemma 4 26B A4B

Skor panas sejak 3 Apr 2026

Skor haba

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 dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,489°

Token OpenRouter

919,242,238,645 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 91,924 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

+281°

Kadar penerimaan

Kira-kira 5,610 muat turun sehari, diukur antara dua bacaan sumber, tidak pernah dianggarkan dari purata sepanjang hayat. Kelajuan seberat suku istilah muat turun, jadi lonjakan baru kelihatan tanpa membiarkan lonjakan satu hari mengatasi penggunaan bertahun-tahun.

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,770°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
91,924 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,489°
8,489°
jumlah berjalan
3
Tambah kadar penerimaan.
Sekitar 5,610 muat turun sehari sekarang, diukur antara dua bacaan, dengan berat suku.
+281°
8,770°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,770°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Gemma 4 26B A4B ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm google penglihatan video penalaran ejen pengaturcaraan konteks panjang

Layari mengikut keluarga model