Kan jag köra Gemma 4 26B A4B lokalt?

Ja – vikterna är öppna under Apache 2.0 och finns på Hugging Face under google/gemma-4-26B-A4B-it, så du kan ladda ner och köra den själv, även om 25,2 miljarder parametrar kräver en kapabel maskin.

Vad kostar det via API och hur långt är kontexten?

Priset är 0,09 USD per miljon inmatningstokens och 0,30 USD per miljon utmatningstokens, med ett 256K tokens kontextfönster.

Hur skiljer sig 26B A4B från 31B Dense i Gemma 4-familjen?

26B A4B är en Mixture-of-Experts-modell som aktiverar endast 3,8 miljarder parametrar per token, vilket gör den billigare att köra än 31B Dense samtidigt som den siktar på liknande outputkvalitet; 31B Dense aktiverar alla sina parametrar varje gång och stödjer inte videoinmatning.

▲

53.5%

den här veckan

Gemma 4 26B A4B

8770°

#llm #google #vision #video #resonemang #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Google | 262 144 tokens kontext | $0.09/M input, $0.30/M output. Gemma 4 26B A4B IT är en instruktionsfinjusterad Mixture-of-Experts (MoE) modell från Google DeepMind. Trots 25,2 miljarder totala parametrar aktiveras endast 3,8 miljarder per token under inferens – vilket levererar nästan 31 miljarder kvalitetsnivå till en bråkdel av beräkningskostnaden. Stöder multimodal input inklusive text, bilder och video (upp till 60 sekunder vid 1 fps). Har ett kontextfönster på 256K tokens, inbyggda funktionsanrop, konfigurerbart tänkande/resonemangs-läge och stöd för strukturerad output. Släppt under Apache 2.0.

Guider för denna modell

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Gemma 4 26B A4B är Google DeepMinds instruktionsfinjusterade Mixture-of-Experts-modell som aktiverar endast 3,8 miljarder av sina 25,2 miljarder parametrar per token, så du får nästan 31 miljarder-klass output till en bråkdel av beräkningskostnaden. Den hanterar text, bilder och video upp till 60 sekunder, med ett 256K tokens kontextfönster och ett konfigurerbart resonemangsläge. Apache 2.0-vikter gör den till ett seriöst alternativ för alla som vill ha en kapabel multimodal modell de faktiskt kan köra och modifiera.

Känd för

MoE-effektivitet: 3,8 miljarder aktiva parametrar per token, nästan 31 miljarder kvalitet
Multimodal: accepterar text, bilder och video upp till 60 sekunder
256K tokens kontextfönster för arbete med långa dokument
Inbyggd funktionsanrop och strukturerad output för agentpipelines
Apache 2.0-licens – använd, modifiera och distribuera kommersiellt

Se upp för

Videoinmatning är begränsad till 1 bild per sekund och 60 sekunder; förvänta dig inte rik tidsförståelse.
Ljud stöds inte i denna storlek – endast i E2B, E4B och 12B-varianterna.
Med 25,2 miljarder totala parametrar krävs en välutrustad maskin för lokal distribution trots MoE-besparingarna.

Bäst för

Resonemang

Syn

Agenter och verktygsanvändning

Kodning

Lång kontext

Promptar att prova

Debugga en knepig async-bugg

Här är en Python async-funktion som ibland kastar ett RuntimeError: 'Event loop is closed' när den anropas från en FastAPI-bakgrundsuppgift. Gå igenom exakt varför detta händer, skriv sedan om funktionen så att den är säker att anropa i det sammanhanget. Visa den korrigerade koden och förklara varje ändring.

Resonera kring ett schemaläggningspussel

Fem ingenjörer måste var och en granska två av sju pull requests. Ingen ingenjör får granska sin egen PR. PR 3 och 7 måste granskas av ingenjörer som inte granskat PR 1, 2 eller 4. Tilldela granskare till alla sju PR:er som uppfyller dessa krav och visa ditt resonemang steg för steg.

Analysera en bifogad bild

Bifoga en skärmdump av en dashboard, diagram eller UI. Fråga sedan: Beskriv varje datapunkt och visuellt element du kan se, identifiera eventuella avvikelser eller trender och föreslå en konkret förändring som skulle göra detta lättare att läsa vid en snabb blick.

Jämför med

Gemini 3.8 Flash
Endast API-modell
1,048,576 tokens kontext · $0.83/M indata, $4.12/M utdata
Gemini 3 Flash Preview
Endast API-modell
1,048,576 tokens kontext · $0.50/M indata, $3.00/M utdata
Gemini 2.5 Flash Lite
Endast API-modell
1,048,576 tokens kontext · $0.10/M indata, $0.40/M utdata
Gemini 3.1 Flash Lite
Endast API-modell
1,048,576 tokens kontext · $0.25/M indata, $1.50/M utdata

Fler textmodeller från google

Vanliga frågor

Kan jag köra Gemma 4 26B A4B lokalt?: Ja – vikterna är öppna under Apache 2.0 och finns på Hugging Face under google/gemma-4-26B-A4B-it, så du kan ladda ner och köra den själv, även om 25,2 miljarder parametrar kräver en kapabel maskin.
Vad kostar det via API och hur långt är kontexten?: Priset är 0,09 USD per miljon inmatningstokens och 0,30 USD per miljon utmatningstokens, med ett 256K tokens kontextfönster.
Hur skiljer sig 26B A4B från 31B Dense i Gemma 4-familjen?: 26B A4B är en Mixture-of-Experts-modell som aktiverar endast 3,8 miljarder parametrar per token, vilket gör den billigare att köra än 31B Dense samtidigt som den siktar på liknande outputkvalitet; 31B Dense aktiverar alla sina parametrar varje gång och stödjer inte videoinmatning.

Kaptens omdöme
En sällsynt kombination: öppna vikter, genuin multimodal kapacitet och MoE-effektivitet som håller inferenskostnaderna rimliga.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för Gemma 4 26B A4B

Värmenpoäng sedan 3 Apr 2026

Värmescore

8,770°

Den här veckan

▲

53.5%

8,713° då, 8,770° nu

Den här månaden

▲

607%

8,512° då, 8,770° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,489°

OpenRouter-token

919,242,238,645 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 91,924; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+281°

Adoptionshastighet

Ungefär 5,610 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,770°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
91,924 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,489°
8,489°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 5,610 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+281°
8,770°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,770°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Llama 3.3 70B Instruct

TEXT / LLM

Seed 2.0 Code

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Gemma 4 26B A4B är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm google vision video resonemang agenter kodning lång kontext

Bläddra efter modellfamilj