Gemma 4 E2B
Gemma 4 E2B est un LLM multimodal de Google, publié le 2 avril 2026 sous licence Apache 2.0. Ses poids ouverts autorisent les usages commerciaux. Il accepte du texte, des images et de l’audio, puis génère du texte.
Gemma 4 E2B est un LLM multimodal de Google, publié le 2 avril 2026 sous licence Apache 2.0. Ses poids ouverts autorisent les usages commerciaux. Il accepte du texte, des images et de l’audio, puis génère du texte.
Ce modèle dense de 5 milliards de paramètres compte 2,3 milliards de paramètres effectifs et 35 couches. Son architecture associe attention locale à fenêtre glissante et attention globale, avec un contexte de 128K tokens. Il couvre notamment le codage, l’analyse d’images, la reconnaissance vocale, la traduction parole-vers-texte et le function calling.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | Apache 2.0 |
| Date de sortie | 2 avril 2026 |
| Connaissances jusqu'à | 2025-01-01 |
| Multimodal | oui |
| Paramètres | 5 milliards |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MMMLU | 67,4 % | 45ᵉ / 49 | llm-stats | Auto-déclaré |
| MMLU-Pro | 60,0 % | 100ᵉ / 125 | llm-stats | Auto-déclaré |
| MathVision | 52,4 % | 26ᵉ / 32 | llm-stats | Auto-déclaré |
| MMMU-Pro | 44,2 % | 60ᵉ / 64 | llm-stats | Auto-déclaré |
| LiveCodeBench v6 | 44,0 % | 47ᵉ / 53 | llm-stats | Auto-déclaré |
| GPQA | 43,4 % | 182ᵉ / 219 | llm-stats | Auto-déclaré |
| AIME 2026 | 37,5 % | 17ᵉ / 17 | llm-stats | Auto-déclaré |
| t2-bench | 29,4 % | 22ᵉ / 23 | llm-stats | Auto-déclaré |
| MedXpertQA | 23,5 % | 11ᵉ / 12 | llm-stats | Auto-déclaré |
| BIG-Bench Extra Hard | 21,9 % | 6ᵉ / 11 | llm-stats | Auto-déclaré |
| MRCR v2 (8-needle) | 19,1 % | 17ᵉ / 19 | llm-stats | Auto-déclaré |
« 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.
Notre analyse
Forces. Gemma 4 E2B réunit plusieurs modalités dans un modèle relativement compact. Il traite le texte, l’image et l’audio, analyse une vidéo présentée comme une séquence d’images et produit une sortie textuelle. Son raisonnement configurable permet d’adapter le traitement à la tâche. Les Per-Layer Embeddings complètent une attention hybride alternant calcul local sur 512 tokens et attention globale. Le modèle prend en charge plus de 35 langues et son pré-entraînement en couvre plus de 140. Il s’intègre à Transformers via AutoModelForCausalLM ou AutoModelForMultimodalLM.
Limites et points d'attention. À sa sortie, Gemma 4 E2B se classait dans le top 89% des 169 LLM de sa génération sur GPQA, un benchmark de questions scientifiques avancées. Ce résultat ne le situe donc pas dans le groupe de tête sur cette évaluation. Ses connaissances s’arrêtent au 1er janvier 2025, ce qui limite sa maîtrise des événements ultérieurs. La couverture repose sur une seule source de données concordante. Gemma 4 E2B vise surtout les projets recherchant des poids ouverts, un usage commercial autorisé et des entrées multimodales dans l’écosystème Transformers.
Sources des données : LLM-Stats (llm-stats.com).