Apakah Google Baru Saja Membuat Model Edge AI TERBAIK? (Gemma 4)

하이라이트

• Gemma 4 hadir sebagai model sumber terbuka sejati di bawah lisensi Apache 2.0 dengan varian terkecil sebesar 2,3 miliar parameter.

• Arsitektur per-layer embeddings pada Gemma 4 memungkinkan setiap lapisan memiliki set embedding sendiri untuk memasukkan informasi baru secara spesifik.

• Model E4B mencapai skor 42,5% pada benchmark matematika AIME 2026 yang merupakan peningkatan performa dua kali lipat dibanding generasi sebelumnya.

• Gemma 4 mampu menjalankan logika kompleks dan tugas multimodal menggunakan RAM kurang dari 1,5 gigabyte pada perangkat edge.

• Versi E4B berhasil menghasilkan fungsionalitas kartu belanja yang bekerja pada pengujian pembuatan situs web sederhana.

• Batas pengetahuan (knowledge cutoff) Gemma 4 berada pada bulan Januari 2025 dengan dukungan lebih dari 140 bahasa.

• Kecepatan inferensi Gemma 4 pada perangkat iPhone menggunakan kerangka kerja Lite RTLM melampaui performa QWAN 3.5.

타임라인

1. 00:00 - 02:28

   Arsitektur dan Spesifikasi Teknis Gemma 4

   Penggunaan parameter efektif (E2B dan E4B) mengoptimalkan penggunaan memori sehingga model dapat berjalan pada perangkat dengan spesifikasi rendah seperti Raspberry Pi. Rantai penalaran internal berfungsi memverifikasi logika secara mandiri untuk mencegah kesalahan repetitif yang sering terjadi pada model kecil. Jendela konteks sebesar 128K mendukung pemrosesan data dalam jumlah besar sekaligus.

   • Lisensi Apache 2.0 menjadikan Gemma 4 sebagai model sumber terbuka yang dapat diakses secara luas.
   • Teknologi per-layer embeddings menggantikan sistem embedding tunggal pada transformer tradisional.
   • Efisiensi parameter aktif sebesar 2,3 miliar memungkinkan penalaran setingkat model 5 miliar parameter.
   • Arsitektur multimodal native memproses teks, penglihatan, dan audio dalam satu sistem terpadu.
2. 02:29 - 03:19

   Benchmark Performa dan Kemampuan Agen

   Data internal menunjukkan bahwa model E4B melampaui performa model generasi sebelumnya yang memiliki ukuran jauh lebih besar. Kemampuan fungsionalnya mencakup penarikan data langsung dari Wikipedia dan pembangunan widget suara secara otomatis. Hal ini menandai pergeseran dari model penghasil teks statis menuju asisten digital yang proaktif.

   • Skor 42,5% pada AIME 2026 menunjukkan lonjakan kemampuan matematika yang signifikan.
   • Fitur keterampilan agen mendukung pemanggilan fungsi native untuk alur kerja multi-langkah.
   • Akurasi penggunaan alat mengalami peningkatan besar berdasarkan hasil tes T2 bench.
3. 03:20 - 05:28

   Pengujian Lokal dan Kemampuan Pemrograman

   Pengujian dilakukan secara offline menggunakan LMStudio dan CLINE untuk memastikan privasi dan kinerja lokal. Meskipun desain visual yang dihasilkan masih sederhana, perbedaan kemampuan logika antara versi 2,3 miliar dan 4 miliar parameter terlihat sangat jelas dalam eksekusi kode. Penambahan teks tidak relevan pada file HTML dan CSS menjadi kendala kecil yang ditemukan pada versi terkecil.

   • Varian E2B membutuhkan 1,5 menit untuk membuat situs web namun gagal menghasilkan file JavaScript.
   • Model E4B menyelesaikan tugas pemrograman dalam 3,5 menit dengan fungsionalitas yang lebih lengkap.
   • Versi E4B menunjukkan keunggulan dalam logika aplikasi melalui pembuatan fitur kartu belanja yang berfungsi.
4. 05:29 - 08:30

   Implementasi dan Uji Coba pada Perangkat iPhone

   Ketiadaan binding MLX saat ini membatasi penggunaan model pada aplikasi iOS kustom sehingga pengujian dialihkan ke AI Edge Gallery. Respon instan pada teks sapaan menunjukkan optimasi perangkat keras yang efektif melalui integrasi GPU. Meskipun struktur tata bahasa pada bahasa non-Inggris terkadang terasa kaku, pemahaman konteks bahasa tetap berada pada level yang memadai untuk ukuran model tersebut.

   • Kerangka kerja Lite RTLM memberikan kecepatan respons yang sangat tinggi pada perangkat seluler.
   • Model berhasil mengidentifikasi keberadaan objek anjing dalam gambar meskipun terjadi kesalahan klasifikasi ras.
   • Kemampuan OCR mencakup bahasa dengan basis pengguna kecil seperti bahasa Latvia dengan akurasi teks yang tinggi.
5. 08:31 - 10:11

   Batas Pengetahuan dan Status Pengembangan Komunitas

   Identifikasi Joe Biden sebagai presiden menunjukkan batas pengetahuan yang relevan dengan awal tahun 2025. Pengembang saat ini menantikan rilis resmi binding untuk memperluas implementasi lokal pada ekosistem seluler. Keberhasilan penyelesaian tugas-tugas dasar mengonfirmasi posisi Gemma 4 sebagai pesaing kuat dalam kategori model AI edge.

   • Data pelatihan Gemma 4 mencakup informasi hingga pembaruan terakhir pada Januari 2025.
   • Proyek komunitas seperti SwiftLM sedang mengembangkan binding native tidak resmi untuk integrasi perangkat lunak.
   • Dukungan multibahasa mencakup lebih dari 140 bahasa secara fungsional.