Google создали ЛУЧШУЮ Edge AI модель? (Gemma 4)

하이라이트

• Gemma 4 работает полностью в офлайне на iPhone, Android и Raspberry Pi, используя всего 2,3 миллиарда активных параметров.

• Архитектура «эмбеддингов на каждый слой» позволяет вводить новую информацию на любом этапе обработки вместо одного раза в начале.

• Модель E4B набрала 42,5% в математическом тесте AIME 2026, что в два раза превышает показатели крупных моделей предыдущего поколения.

• Gemma 4 функционирует в рамках единой мультимодальной архитектуры, где текст, зрение и аудио обрабатываются нативно без сторонних модулей.

• Модель занимает менее 1,5 гигабайта оперативной памяти при сохранении плотности интеллекта уровня 5-миллиардных моделей.

• Дата отсечки знаний Gemma 4 соответствует январю 2025 года.

타임라인

1. 00:00 - 02:28

   Архитектура и технические особенности Gemma 4

   Переход к эмбеддингам на каждом слое объясняет наличие буквы «E» в названиях моделей, что означает эффективные параметры. Это позволяет модели E4B демонстрировать рассуждения уровня 5-миллиардных моделей, задействуя в два раза меньше ресурсов. Конструкция включает встроенную цепочку рассуждений (Chain of Thought) для минимизации галлюцинаций в малых масштабах.

   • Открытая лицензия Apache 2.0 обеспечивает свободный доступ к весам модели.
   • Каждый слой трансформера имеет собственный набор эмбеддингов для точного управления информацией.
   • Режим внутреннего мышления предотвращает логические циклы через самопроверку перед выдачей ответа.
   • Поддержка более 140 языков сочетается с нативной мультимодальностью и контекстом 128K.
2. 02:29 - 03:19

   Бенчмарки и возможности агентного взаимодействия

   Внутренние тесты показывают значительный скачок в математических способностях на наборе AIME 2026. Модель способна не просто отвечать на вопросы, но и управлять инструментами, например, самостоятельно запрашивать данные в Википедии. Это подтверждает потенциал использования Gemma 4 в качестве автономного локального агента.

   • Точность использования внешних инструментов значительно возросла на тесте T2 bench.
   • Нативный вызов функций позволяет выполнять многоэтапные процессы без генерации лишнего текста.
   • Функция «навыки агента» обеспечивает доступ к внешним данным в реальном времени через API.
3. 03:20 - 05:28

   Локальное тестирование кодинга и веб-разработки

   При тестировании создания сайта на HTML/CSS/JS версия E2B показала избыточность, добавляя списки задач внутрь кода и имитируя создание JavaScript-файла. Переход на версию E4B исправляет логические ошибки, позволяя реализовать функциональные элементы интерфейса, которые недоступны конкурентам аналогичного размера. Однако для сложного программирования такие малые модели остаются экспериментальным инструментом.

   • Модель E2B выполняет простую задачу по верстке сайта за 1,5 минуты, но допускает ошибки в структуре файлов.
   • Версия E4B тратит 3,5 минуты на генерацию, обеспечивая полностью рабочую логику корзины товаров.
   • Интеграция с LMStudio и Cline позволяет запускать модель локально без доступа к интернету.
4. 05:29 - 10:09

   Производительность на мобильных устройствах и визуальные тесты

   В мобильном приложении скорость генерации текста превышает показатели QWAN 3.5 благодаря оптимизации Google. Визуальный модуль верно идентифицирует присутствие собаки на фото, хотя может ошибаться в определении конкретной породы. Тестирование на латышском языке подтвердило высокое качество распознавания текста (OCR) и понимание грамматики, несмотря на наличие специфических архаичных конструкций в ответах.

   • Фреймворк Lite RTLM обеспечивает мгновенный отклик на iPhone в приложении AI Edge Gallery.
   • Модель успешно проходит логические тесты и корректно распознает объекты на изображениях.
   • OCR-способности позволяют точно считывать текст даже на редких языках, таких как латышский.