Google DeepMind 近日发布 Gemma 4 系列开放模型。和上一代相比，Gemma 4 的重点不只是参数规模变大，而是把多模态、长上下文、推理模式、MoE 架构和端侧部署能力放在了一起。Google 官方介绍显示，Gemma 4 支持文本和图像输入，小模型还支持音频输入，并提供预训练和指令微调版本，最高上下文窗口可达 256K tokens，同时继续支持 140 多种语言。

一、密集模型：三兄弟各有所长

这次 Gemma 4 一共提供四种规模：E2B、E4B、26B A4B 和 31B。E2B 与 E4B 面向移动设备、笔记本和边缘场景；26B A4B 和 31B 则更适合消费级 GPU、工作站和服务器环境。换句话说，Google 这次并不是只推出一个“更强的大模型”，而是在尝试覆盖从端侧设备到企业服务器的不同部署需求。

二、MoE 模型：速度与能力的完美平衡

从架构上看，Gemma 4 同时采用了 Dense 和 Mixture-of-Experts（MoE）两类路线。E2B、E4B 和 31B 属于密集模型，其中 E2B 为 23 亿有效参数，E4B 为 45 亿有效参数，31B Dense 为 307 亿参数；26B A4B 则是 MoE 模型，总参数约 252 亿，但推理时只激活约 38 亿参数。这样的设计让 26B A4B 在保持较强能力的同时，也能获得接近小模型的推理速度。

Gemma 4 的另一个重要变化，是更强调多模态和长上下文能力。E2B 和 E4B 支持文本、图像和音频输入，31B 与 26B A4B 支持文本和图像输入。小模型支持 128K tokens 上下文，较大的 26B A4B 和 31B 支持 256K tokens。对于企业场景来说，这意味着模型可以处理更长的文档、更复杂的项目资料，或更大规模的知识库片段，而不只是完成简单问答。

三、核心能力对比

在能力表现上，Gemma 4 的提升也比较明显。官方模型卡显示，Gemma 4 31B 在 MMLU Pro 上达到 85.2%，在 AIME 2026 无工具测试中达到 89.2%，LiveCodeBench v6 达到 80.0%；26B A4B 在这些项目中也分别达到 82.6%、88.3% 和 77.1%。视觉任务方面，31B 在 MMMU Pro 上达到 76.9%，在 MATH-Vision 上达到 85.6%。这些结果说明，Gemma 4 不只是文本模型，而是在数学、代码、视觉理解和文档解析方面都有进一步增强。

对开发者来说，Gemma 4 比较值得关注的还有两点。第一，它支持内置 Thinking 模式，可以让模型在回答前进行分步推理；第二，它支持原生函数调用，更适合构建 agentic workflows，也就是能连接工具、执行任务的智能体流程。Google 官方也提到，Gemma 4 引入了 system 角色支持，使对话控制和结构化交互更加方便。

这对企业有什么意义？过去，开放模型常常被认为适合实验、研究或成本敏感场景，但在真正企业落地时，往往会遇到能力不足、上下文不够、多模态支持弱、部署不灵活等问题。Gemma 4 的方向正好回应了这些需求：小模型可以用于端侧和本地部署，大模型可以用于更复杂的知识工作，MoE 模型则在性能和成本之间提供折中。

不过，开放模型并不等于可以随意上线。企业在使用 Gemma 4 这类模型时，仍然需要考虑数据边界、模型部署环境、权限控制、输出审核和合规要求。Google 官方也强调，Gemma 4 经过了安全评估，并在内容安全方面相比前代模型有所改进，但企业自身的治理机制仍然不可缺少。

Gemma 4 的发布说明，开放模型正在从“能用”走向“更适合部署”。未来企业选择 AI 模型时，不一定只看最强闭源模型，也可以根据场景选择更灵活的开放模型方案。真正关键的是，企业是否能把模型能力、数据安全、部署成本和业务流程结合起来，让 AI 在可控环境中产生实际价值。