Google DeepMind представила Gemma 4, и это официальное признание: гонка за количеством параметров окончательно уступила место борьбе за «плотность интеллекта». Новое семейство открытых моделей, построенное на фундаменте Gemini 3, нацелено на радикальное повышение показателя эффективности на каждый параметр. С 400 миллионами скачиваний предыдущих версий Google явно не собирается отдавать рынок локальных вычислений на откуп Meta или Mistral. Суть релиза не в косметических правках, а в переносе логики рассуждений топовых проприетарных систем в веса, которые «переварит» обычный ноутбук или даже смартфон.
Архитектура и агентность на периферии
Линейка Gemma 4 включает мобильные версии Effective 2B (E2B) и Effective 4B (E4B), а также «тяжелую артиллерию» в лице 26B Mixture of Experts (MoE) и 31B Dense. Для технических директоров и архитекторов здесь важен не объем, а нативная поддержка агентских сценариев. В отличие от старых моделей, которые просто «склеивали слова», Gemma 4 заточена под многошаговое планирование, вызов функций и генерацию структурированного JSON.
Gemma 4 обходит модели, превосходящие её по размеру в 20 раз, обеспечивая возможности уровня передовых систем при минимальных затратах на оборудование.
Это архитектурный сдвиг: разработчики получают возможность развертывать автономных агентов, способных взаимодействовать с API и исполнять сложную логику локально, не отправляя конфиденциальные данные в облако.
Экономический реализм и производительность в бенчмарках
В свежем рейтинге Arena AI модель Gemma 4 31B заняла третью строчку среди всех открытых систем в мире, а вариант 26B расположился на шестом месте. Это прямой вызов доминированию гигантов вроде Llama 3 70B: Google доказал, что грамотная дистилляция знаний позволяет сократить разрыв между решениями с открытым кодом и закрытыми API. Модели изначально мультимодальны, что исключает необходимость в громоздких внешних плагинах и снижает совокупную стоимость владения (TCO) для корпоративного сектора.
Для разработчиков такой уровень плотности интеллекта означает достижение топовой производительности при кратном сокращении расходов на инфраструктуру.
В контексте закрытых корпоративных контуров это позволяет дообучать 31B-версию под специфические задачи — будь то медицинские исследования в Йельском университете или создание национальных языковых моделей типа болгарской BgGPT — получая передовые результаты без закупки серверных стоек стоимостью в бюджет небольшого города.
Переход от масштабирования параметров к глубокой дистилляции знаний в Gemma 4 фиксирует новую норму: эффективность теперь важнее размера. Копируя логику Gemini 3 в компактные рамки, Google заставляет рынок пересмотреть целесообразность использования тяжелых общих API там, где справятся специализированные локальные агенты. Эра оправданий в духе «нам не хватает мощностей для внедрения ИИ» закончена. Если модель такого размера поддерживает сложные агентские цепочки, то содержание убыточных облачных инфраструктур становится вопросом не технологий, а управленческой инерции.