Maaari ko bang patakbuhin ang Gemma 4 26B A4B nang lokal?

Oo — bukas ang weights sa ilalim ng Apache 2.0 at available sa Hugging Face sa google/gemma-4-26B-A4B-it, kaya maaari mo itong i-download at patakbuhin, ngunit dahil 25.2B ang kabuuang parameter count, kakailanganin mo ng capable na machine.

Magkano ang halaga sa API, at gaano kalaki ang context?

Ang presyo ay $0.09 bawat milyon input tokens at $0.30 bawat milyon output tokens, na may 256K token context window.

Paano naiiba ang 26B A4B sa 31B Dense sa pamilya ng Gemma 4?

Ang 26B A4B ay Mixture-of-Experts model na nag-a-activate lamang ng 3.8B parameters bawat token, kaya mas mura itong patakbuhin kaysa sa 31B Dense habang tinatarget ang katulad na kalidad ng output; ang 31B Dense ay nag-a-activate ng lahat ng parameters sa bawat pagkakataon at hindi sumusuporta sa video input.

▲

53.5%

ngayong linggo

Gemma 4 26B A4B

8770°

#llm #google #paningin #video #pangangatwiran #mga ahente

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Google | 262,144 token context | $0.09/M input, $0.30/M output. Ang Gemma 4 26B A4B IT ay isang instruction-tuned Mixture-of-Experts (MoE) model mula sa Google DeepMind. Sa kabila ng 25.2B total parameters, 3.8B lamang ang na-aactivate bawat token sa inference — nagbibigay ng halos 31B na kalidad sa mas mababang compute cost. Sinusuportahan ang multimodal input kabilang ang teksto, mga larawan, at video (hanggang 60s sa 1fps). Mayroon itong 256K token context window, native function calling, configurable thinking/reasoning mode, at structured output support. Inilabas sa ilalim ng Apache 2.0.

Mga gabay para sa model na ito

Paano Mag-install ng Ollama at Magpatakbo ng Lokal na AI (Windows, Mac, Linux)

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Paano pumili ng AI model sa Oktubre 2026: ang balita sa closed source, tapos ang open weights na sulit i-download

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Gemma 4 26B A4B ay instruction-tuned Mixture-of-Experts model ng Google DeepMind na nag-a-activate lamang ng 3.8B mula sa 25.2B parameters bawat token, kaya nakakakuha ka ng output na malapit sa klase ng 31B sa mas maliit na compute cost. Kaya nitong hawakan ang teksto, mga larawan, at video hanggang 60 segundo, na may 256K-token context window at configurable na reasoning mode. Ang Apache 2.0 weights ay ginagawa itong seryosong opsyon para sa sinumang nais ng capable multimodal model na maaari nilang patakbuhin at baguhin.

Kilalang-kilala sa

MoE efficiency: 3.8B aktibong parameters bawat token, malapit sa kalidad ng 31B
Multimodal: tumatanggap ng teksto, larawan, at video hanggang 60 segundo
256K token context window para sa long-document work
Native function calling at structured output para sa agentic pipelines
Apache 2.0 licence — gamitin, baguhin, at i-deploy ito nang komersyal

Mag-ingat sa

Ang video input ay limitado sa 1fps at 60 segundo; huwag asahan ang malalim na temporal understanding.
Hindi sinusuportahan ang audio sa sukat na ito — suportado lang sa E2B, E4B, at 12B variants.
Sa 25.2B kabuuang parameters, nangangailangan ng mahusay na machine ang lokal na deployment kahit may MoE savings.

Pinakamainam para sa

Pangangatwiran

Pananaw

Mga ahente at paggamit ng tool

Pag-coding

Mahabang konteksto

Mga prompt na subukan

Debug a tricky async bug

Narito ang isang Python async function na paminsan-minsan ay nagbubunga ng RuntimeError: 'Event loop is closed' kapag tinawag mula sa FastAPI background task. Ipaliwanag nang eksakto kung bakit ito nangyayari, pagkatapos ay isulat muli ang function upang maging ligtas itong tawagin sa kontekstong iyon. Ipakita ang naitama na code at ipaliwanag ang bawat pagbabago.

Reason through a scheduling puzzle

Limang engineers ang kailangang mag-review ng tig-dalawa sa pitong pull requests. Walang engineer ang magre-review ng sariling PR. Ang PRs 3 at 7 ay kailangang i-review ng mga engineers na hindi pa nag-review ng PRs 1, 2, o 4. Mag-assign ng reviewers sa lahat ng pitong PR na sumusunod sa mga kondisyong ito, at ipakita ang iyong pangangatwiran hakbang-hakbang.

Analyse an attached image

Mag-attach ng screenshot ng dashboard, chart, o UI. Pagkatapos ay itanong: Ilarawan ang bawat data point at visual element na nakikita mo, tukuyin ang anumang anomalies o trends, at magmungkahi ng isang konkretong pagbabago na magpapadali sa pagbabasa nito nang mabilis.

Ihambing sa

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

Higit pang mga text model mula sa google

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Gemma 4 26B A4B nang lokal?: Oo — bukas ang weights sa ilalim ng Apache 2.0 at available sa Hugging Face sa google/gemma-4-26B-A4B-it, kaya maaari mo itong i-download at patakbuhin, ngunit dahil 25.2B ang kabuuang parameter count, kakailanganin mo ng capable na machine.
Magkano ang halaga sa API, at gaano kalaki ang context?: Ang presyo ay $0.09 bawat milyon input tokens at $0.30 bawat milyon output tokens, na may 256K token context window.
Paano naiiba ang 26B A4B sa 31B Dense sa pamilya ng Gemma 4?: Ang 26B A4B ay Mixture-of-Experts model na nag-a-activate lamang ng 3.8B parameters bawat token, kaya mas mura itong patakbuhin kaysa sa 31B Dense habang tinatarget ang katulad na kalidad ng output; ang 31B Dense ay nag-a-activate ng lahat ng parameters sa bawat pagkakataon at hindi sumusuporta sa video input.

Hatol ng Kapitan
Isang bihirang kumbinasyon: bukas na weights, tunay na multimodal capability, at MoE efficiency na nagpapanatili ng makatwirang gastos sa inference.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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 ng kasikatan ng Gemma 4 26B A4B

Heat score mula 3 Apr 2026

Iskor ng init

8,770°

Ngayong linggo

▲

53.5%

8,713° noon, 8,770° ngayon

Ngayong buwan

▲

607%

8,512° noon, 8,770° ngayon

Nakaraang taon

n/a

Hindi pa nailalabas/natatrack

7,000°

Floor

Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.

+1,489°

OpenRouter tokens

919,242,238,645 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 91,924 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).

+281°

Bilis ng pagtanggap

Mga humigit-kumulang 5,610 downloads bawat araw, sinusukat sa pagitan ng dalawang pagbabasa ng mga pinanggalingan, hindi hinuhulaan mula sa average ng buong buhay. Ang bilis ay katumbas ng isang-kapat ng term ng downloads, kaya ang bagong pagtaas ay nakikita nang hindi pinapantayan ng isang araw na spike ang mga taon ng paggamit.

Ipakita ang detalyadong paghahati

Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 8,770°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.

1
Magsimula sa floor.
Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.
7,000°
patuloy na kabuuan
2
Idagdag ang mga download.
91,924 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.
+1,489°
8,489°
patuloy na kabuuan
3
Idagdag ang bilis ng pagtanggap.
Mga 5,610 downloads kada araw ngayon, sinusukat sa pagitan ng dalawang readings, na may isang-kapat na bigat.
+281°
8,770°
patuloy na kabuuan
=
Ang heat score.
Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.
8,770°

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.

Mga katulad na model

Mistral Large 4

TEXT / LLM

Mistral Small 3.2 24B Instruct 2506

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Gemma 4 26B A4B ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm google paningin video pangangatwiran mga ahente pag-coding mahabang konteksto

Mag-browse ayon sa pamilya ng model