Gemma 4 E4B
Gemma 4 E4B est un LLM open-weights de Google, publié le 2 avril 2026 sous licence Apache 2.0, avec usage commercial autorisé. Ce modèle dense de la famille Gemma 4 compte 4,5 milliards de paramètres effectifs, ou 8 milliards en incluant les embeddings.
Gemma 4 E4B est un LLM open-weights de Google, publié le 2 avril 2026 sous licence Apache 2.0, avec usage commercial autorisé. Ce modèle dense de la famille Gemma 4 compte 4,5 milliards de paramètres effectifs, ou 8 milliards en incluant les embeddings.
Ses 42 couches combinent attention locale à fenêtre glissante et attention globale, avec un contexte de 128K tokens. Gemma 4 E4B accepte le texte, l’image et l’audio, traite aussi la vidéo sous forme de séquences d’images, puis génère du texte. Il couvre notamment le raisonnement configurable, le codage, le function calling, l’OCR multilingue et plus de 140 langues au pré-entraînement.
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 | 8 milliards |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MMMLU | 76,6 % | 41ᵉ / 49 | llm-stats | Auto-déclaré |
| MMLU-Pro | 69,4 % | 79ᵉ / 125 | llm-stats | Auto-déclaré |
| MathVision | 59,5 % | 24ᵉ / 32 | llm-stats | Auto-déclaré |
| GPQA | 58,6 % | 150ᵉ / 219 | llm-stats | Auto-déclaré |
| t2-bench | 57,5 % | 19ᵉ / 23 | llm-stats | Auto-déclaré |
| MMMU-Pro | 52,6 % | 55ᵉ / 64 | llm-stats | Auto-déclaré |
| LiveCodeBench v6 | 52,0 % | 43ᵉ / 53 | llm-stats | Auto-déclaré |
| AIME 2026 | 42,5 % | 16ᵉ / 17 | llm-stats | Auto-déclaré |
| BIG-Bench Extra Hard | 33,1 % | 5ᵉ / 11 | llm-stats | Auto-déclaré |
| MedXpertQA | 28,7 % | 10ᵉ / 12 | llm-stats | Auto-déclaré |
| MRCR v2 (8-needle) | 25,4 % | 15ᵉ / 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 E4B réunit plusieurs modalités d’entrée dans un modèle dense de taille contenue : texte, image et audio, auxquels s’ajoute le traitement de séquences d’images issues de vidéos. Son contexte de 128K tokens et son attention hybride, alternant fenêtre locale de 512 tokens et attention globale, visent à conjuguer traitement de longues séquences et efficacité. La dernière couche reste toujours globale. Les Per-Layer Embeddings ciblent plus particulièrement l’efficacité sur appareil. Le rôle système natif, le function calling, le codage, le raisonnement configurable et l’OCR multilingue élargissent ses usages, tandis que son pré-entraînement couvre plus de 140 langues. Sa licence Apache 2.0 autorise l’exploitation commerciale de ses poids ouverts.
Limites et points d’attention. À sa sortie, Gemma 4 E4B se situait seulement dans le top 76% des 169 LLM de sa génération sur GPQA, un benchmark consacré aux questions scientifiques de haut niveau. Ce positionnement le place loin du groupe de tête sur cette évaluation et invite à ne pas l’assimiler aux modèles haut de gamme pour le raisonnement scientifique. La couverture repose sur une seule source de données concordante. Son intérêt se concentre donc sur les applications multimodales, multilingues et commerciales recherchant des poids ouverts, un contexte long et des fonctions d’intégration natives.
Sources des données : LLM-Stats (llm-stats.com).