摘要： Google DeepMind 於 2026 年 4 月 2 日推出 Gemma 4，整條產品線改用 Apache 2.0，結束前兩代的自訂條款。系列包含 E2B、E4B、26B MoE 與 31B Dense，原生支援超過 140 種語言，上下文最長 256K；Hugging Face 首日評測顯示 31B 的 MMLU Pro 為 85.2%。
Google DeepMind 在 2026 年 4 月 2 日推出 Gemma 4，距離這個開源模型家族上一次大改版正好一年。這回真正的重點不在能力躍進，而在授權換軌：整條產品線全面改採 Apache 2.0，前兩代一路使用的自訂 Gemma 條款畫下句點。這也是 Google 的開源模型頭一回納入標準開源授權之下——沒有附加的使用限制，也沒有廠商能單方面改動的商用條款。
這次一口氣備齊四款：端側定位的 E2B 與 E4B、推理時只啟動約 3.8B 參數的 26B MoE，以及 31B Dense，底層一律來自 Gemini 3 的技術，原生涵蓋 140 種以上語言，上下文最長 256K。Google 對外只給一句定位：到目前為止最聰明的開源模型，為進階推理與代理式工作流量身打造。
授權換軌：告別自訂條款
前兩代 Gemma 同樣開放免費商用，只是掛在 Google 自訂授權底下：得先同意附加條款，命名與用途也都受約束。個人開發者通常感覺不出差別，企業的平台團隊卻躲不掉——法務要審查，條款還可能說變就變。Ars Technica 的判讀很明確：這場發布真正的主軸是轉向 Apache 2.0，不是妝點門面的行銷素材。
時機同樣有訊息量。年初刊出的開年觀察當時還在追蹤 Meta 傳出 Avocado 可能轉向閉源的動態；短短三個月後，Google 交出的卻是方向相反的答案——一份 Apache 2.0。開源陣營內部兩條路線的差距，正越拉越開。
一套研究，四種落地規模
Gemma 4 的產品思維，是讓同一份研究對準好幾種部署目標：
- E2B（有效參數約 2B）與 E4B（約 4.5B）：目標硬體是手機、Raspberry Pi 和 Jetson Orin Nano，離線運行且延遲趨近於零，並由 Pixel 團隊攜手 Qualcomm、MediaTek 共同調校
- 26B MoE：總參數量 26B，推理階段只啟用約 3.8B，設計上優先壓低延遲與成本
- 31B Dense：以品質為優先，官方將它定位成微調用的強力基礎模型
硬體面來看，兩款大模型就算維持 bf16、不做量化，也放得進單張 80GB H100；經過量化，消費級 GPU 一樣跑得動。上下文長度則是端側 128K、大模型 256K。
跑分成績與排行榜位置
Hugging Face 在發布首日完成的評測給出這組數字：31B 的 MMLU Pro 為 85.2%，AIME 2026 有 89.2%，GPQA Diamond 是 84.3%，LiveCodeBench 則拿到 80.0%；26B MoE 對應為 82.6%、88.3% 與 77.1%。和上一代 Gemma 3 27B 相比，多數指標都明顯勝出。
榜單的呈現更一目了然：截至 4 月 1 日，31B 在 Arena 文字排行榜的開源模型中位居第三，26B 排在第六，後者靠約 4B 的啟動參數換得 LMArena 估計約 1441 的分數。「擊敗體積 20 倍的模型」確實是宣傳話術，可是一個憑 4B 啟動參數擠進開源前段班的模型，從成本面看確實成立。
多模態輸入與代理式任務
每一款都能原生處理影像與影片（解析度可變），並內建 OCR 與圖表理解；E2B、E4B 再加上原生語音輸入。面向代理式工作流，模型提供 GUI 元素偵測、以 JSON 產出邊界框的物件偵測、多模態函式呼叫，以及 thinking mode——「看螢幕、點按鈕、呼叫工具」所需的感知能力，就這樣直接寫進了權重。
生態系在第一天就全數到位：權重可於 Hugging Face、Kaggle、Ollama 下載，transformers、llama.cpp、MLX、Unsloth 皆首日跟進支援；Android 方面，它驅動 Android Studio 的 Agent Mode，並透過 AICore 前向相容未來的 Gemini Nano 4。實驗性的 DiffusionGemma 改走離散擴散路線來生成文字，在 H100 FP8 上每秒突破 1,100 token，只是多數基準仍不及自回歸版本。
實務面：開發者與產品團隊該注意的三件事
歸納成三點。首先，Apache 2.0 直接讓「能不能用」不再是問題：嵌入、修改、再散布都不必再簽任何廠商條款，省下來的是以週計的法務流程。其次，26B MoE 是產品性價比最高的一款：付出約 4B 啟動參數的成本，得到貼近 31B 的品質，單張 H100 就載得動，適合撐起高吞吐功能。最後，端側型號讓離線與隱私敏感場景——現場設備、無網路環境、資料不能離開裝置——有了可靠的選擇。
生態量體同樣值得參考：Gemma 系列累積下載已超過 4 億次，社群變體超過 10 萬個；實際案例橫跨 INSAIT 的保加利亞語 BgGPT 與 Yale 的 Cell2Sentence-Scale 癌症研究，安全評估則採用與 Google 專有模型相同的標準。2026 年要挑開源基線，能進首選名單的選項更少了。