Gemma 4 26B-A4B

Gemma 4 26B-A4B est un LLM open-weights de Google, publié le 2 avril 2026 sous licence Apache 2.0, avec usage commercial autorisé. Son architecture Mixture-of-Experts compte 25,2 milliards de paramètres, dont 3,8 milliards actifs, répartis entre 128 experts spécialisés et un expert partagé.

Le modèle traite le texte et les images, puis génère du texte dans 35 langues ou plus. Sa fenêtre de contexte atteint 262 144 tokens. Il combine raisonnement configurable, rôle system natif, function calling et capacités de codage. Son accès gratuit le place 100% sous le tarif moyen des LLM similaires.

Caractéristiques

Indices de synthèse

Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.

Performances (benchmarks)

« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Classements Arena (Elo)

Arena Text · 200 modèles classés

Arena Code · 99 modèles classés

Arena Vision · 135 modèles classés

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 100 % en dessous de la moyenne des LLM similaires.

Coût & vitesse agentiques

Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.

Notre analyse

Forces. À sa sortie, Gemma 4 26B-A4B se classait dans le top 31% des LLM de sa génération sur GPQA. Ses meilleurs résultats Benchable concernent les hallucinations et la classification d’e-mails, avec 98% dans les deux cas. Le suivi d’instructions atteint également un niveau solide. Son architecture n’active qu’une partie de ses experts à chaque traitement, tout en proposant une longue fenêtre de contexte et des entrées texte-image. L’attention hybride alterne fenêtre locale glissante et attention globale. La licence Apache 2.0 et la gratuité renforcent son positionnement très économique.

Limites et points d'attention. Les classements globaux restent modestes : l’Intelligence Index se situe dans la seconde moitié du panel, tandis que le Code Index et l’Agentic Index occupent un milieu de tableau inférieur. Le résultat en mathématiques demeure en retrait, et le score de codage est pénalisé par un classement proche du bas du panel. Sur PinchBench, consacré aux tâches agentiques, le modèle devance peu de concurrents. Les Arena text, code et vision confirment un positionnement intermédiaire, avec un écart particulièrement marqué en code face au meilleur score. Gemma 4 26B-A4B cible ainsi les usages multilingues, multimodaux et automatisés sensibles au coût, plutôt que la recherche de performances de pointe.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).