お知らせ2026年4月3日by K.hirano

Google Gemma 4が変えたこと——Apache 2.0と本格マルチモーダルで「使えるオープンモデル」の基準が上がった

Google DeepMindが2026年4月にリリースしたGemma 4の実力を整理する。Apache 2.0への変更、E2B〜31Bの4モデル構成、画像・動画・音声対応のマルチモーダル実装、そしてQwen 3.5やDeepSeek V3.2との比較まで。「ローカルで動かして本当に使えるか」という目線で書く。

#AI#Gemma#Google#オープンソース#ローカルLLM#マルチモーダル

4月2日、GoogleからGemma 4が発表されました。
この記事では、事実と見立てを分けながら、「結局、何を判断すればいいのか」を整理します。

最初に押さえるべきポイントは、性能より先にライセンスの変更です。
Gemma 3までの独自利用規約から、Gemma 4では Apache 2.0 に移りました。これは、商用利用や再配布の扱いを考えるうえでかなり大きい変更です。

一方で、Googleは毎回「最強クラス」「最も有能」といった言い方をします。そこは宣伝文句として受け止めつつ、今回はモデル構成、ベンチマーク、対応モダリティ、運用条件を見て、実際に使うかどうかを判断した方がよさそうです。

この記事の要点

一番大きい変化はライセンスです。Gemma 4は Apache 2.0。
モデルは E2B / E4B / 26B A4B / 31B の4構成。
E2B/E4Bはエッジ向け、26B A4BはMoEで実効4B活性化、31Bは密度モデル。
テキスト・画像・動画に加えて、音声対応はE2B/E4Bのみ。
ベンチマーク上は強い数字が出ていますが、実運用では用途・VRAM・量子化・ライセンスの確認が先です。
「最強モデルか」より、自社に入れやすい統合マルチモーダルモデルかで見ると判断しやすいです。

4つのモデル構成、それぞれ何のためにある？
Apache 2.0への変更——ここが今回の本命かもしれない
ベンチマーク数字を読む
マルチモーダルの実装——テキスト・画像・動画・音声
ローカルで動かすには？メモリ要件と方法
競合と比べてどうか
で、実際に使えるのか
注意点・制約
検証方法
FAQ
参考リンク
関連記事
関連リンク
この記事を書いた人

4つのモデル構成、それぞれ何のためにある？

Gemma 4は4つのモデルで構成されています。

モデル	有効パラメータ	コンテキスト	主な用途
E2B	2.3B（5.1B埋め込み込み）	128K	エッジ・モバイル（速度優先）
E4B	4.5B（8B埋め込み込み）	128K	エッジ・モバイル（精度優先）
26B A4B	4B活性化 / 26B総量（MoE）	256K	コンシューマーGPU
31B	31B密度モデル	256K	ワークステーション

E2BとE4Bは「Edge」の頭文字どおり、スマートフォンやエッジデバイス向けの位置づけです。Googleは、Android AIコアのプレビューとしても案内しています。

E2B は速度優先
E4B は精度優先
26B A4B は MoE 構造で、総量は26Bでも推論時に使うのは4B
31B は密度モデルで、ファミリー内では最も重いが、性能面では中心的な存在

ここでの判断基準は単純です。
モバイルで回すのか、ローカルGPUで回すのか、ワークステーションで回すのか。
Gemma 4は、その入口を1つのファミリーで揃えています。

Apache 2.0への変更——ここが今回の本命かもしれない

Gemma 3までは、Googleの独自利用規約が付いていました。商用利用は可能でも、いくつかの制限があり、Google側が条件を管理する形でした。

Gemma 4からは Apache 2.0 です。

Apache 2.0は、改変・再配布・商用利用の扱いが明快で、しかも後からGoogleが独自に条件を変える余地がありません。
この「運用上の読みやすさ」は、ベンチマークの数字以上に大事な場面があります。

ここは事実と見立てを分けておくのがよいです。

事実: Gemma 4は Apache 2.0 で公開された
見立て: 自社プロダクトに組み込みたい開発者にとって、性能差よりライセンス安定性のほうが意思決定を左右することがある

VentureBeat でも、このライセンス変更の重要性をベンチマーク以上に扱う論調がありました。
これは少なくとも、**「性能だけ見て決める話ではない」**という点で妥当です。

ベンチマーク数字を読む

ここは、Hugging Face のモデルカードや各種公開情報をもとに整理しています。
ただし、ベンチマークは条件次第で見え方が変わるので、数字をそのまま絶対視しないのが大事です。

推論・知識

ベンチマーク	31B	26B A4B	E4B	Gemma 3 27B
MMLU Pro	85.2%	82.6%	69.4%	67.6%
AIME 2026	89.2%	88.3%	42.5%	20.8%
GPQA Diamond	84.3%	82.3%	58.6%	42.4%

AIME 2026 では、Gemma 3 27B の 20.8% に対して、Gemma 4 26B A4B は 88.3% です。
数字だけ見るとかなり大きな差です。

ただし、ここで断定しすぎない方がいいです。
この差を単純に「パラメータが増えたから」と見るのは不正確で、configurable thinking mode のような推論設定の影響も考える必要があります。
つまり、これは「モデルサイズだけの勝利」とは言い切れません。

コード生成

ベンチマーク	31B	26B A4B	E4B
LiveCodeBench v6	80.0%	77.1%	52.0%
Codeforces ELO	2150	1718	940

Codeforces ELO 2150 は、競技プログラミングの文脈ではかなり高い水準です。
ただし、ELO は実務のコードレビュー品質や保守性をそのまま表すものではありません。ここは注意が必要です。

LMArena 推定スコア

Gemma 4 31B：1452点
Gemma 4 26B A4B：1441点

ここは推定値です。
しかも 26B A4B はアクティブパラメータが 4B なので、**「軽いのにかなり強い」**という MoE のメリットが見えます。

マルチモーダルの実装——テキスト・画像・動画・音声

Gemma 4 で分かりやすく変わったのは、マルチモーダル対応の広がりです。
Gemma 3 は画像入力が中心でしたが、Gemma 4 では動画と音声が加わりました。
ただし、音声対応は E2B / E4B のみです。

入力種別	E2B	E4B	26B A4B	31B
テキスト	✓	✓	✓	✓
画像	✓	✓	✓	✓
動画	✓	✓	✓	✓
音声	✓	✓	✗	✗

また、画像処理では可変アスペクト比に対応し、**複数トークン予算（70〜1120）**で解像度を調整できます。
用途としては、文書OCRやバウンディングボックス検出を想定した設計だと読めます。

ここでのポイントは、
**「何でも入る」ではなく「入力形式が広く、しかも実装の癖が少ない」**ことです。
実務ではこの差が効きます。

ローカルで動かすには？メモリ要件と方法

「Ollamaで動くのか」が最初の関心事になる人は多いはずです。
ローカル運用を考えるなら、まずはモデルサイズではなくVRAMと量子化条件を見たほうがいいです。

実行イメージ

bash

ollama run gemma4:e4b    # E4B（まず試すならここ）
ollama run gemma4:26b    # 26B A4B
ollama run gemma4:31b    # 31B

メモリ要件の目安

※4-bit / 8-bit はあくまで目安。実際には実装、KV cache、コンテキスト長、同時実行数で変わります。

モデル	VRAM目安（4-bit）	VRAM目安（8-bit）
E2B/E4B	5GB	15GB
26B A4B	18GB	28GB
31B	20GB	34GB

この表だけで判断するなら、かなり素直です。

RTX 3080（10GB） なら、現実的には E4B あたりが境界
RTX 3090（24GB） なら、31B を 4-bit で試せる余地がある
20GB超のVRAM があれば、26B A4B を比較的現実的に扱いやすい

使える環境

Ollama
transformers（Python）
llama.cpp
MLX（Apple Silicon）

Apple Silicon の場合は、Unified Memory を使えるので、M2 Max 96GB のような構成では大きめのモデルも扱いやすくなります。
ただし、ここも「動く」と「快適に使える」は別です。

競合と比べてどうか

正直に言うと、Gemma 4 31B が Qwen 3.5、DeepSeek V3.2、Kimi K2.5 といった中国系の強力なオープンウェイトモデルに、全指標で勝っているわけではありません。
The Register の記事タイトルが「GoogleはGemma 4で中国オープンウェイトモデルに対抗した」だったとしても、ベンチマークを細かく見ると、後塵を拝している指標はあります。

ここも事実と見立てを分けます。

事実: 競合モデルの一部は、依然として非常に強い
見立て: それでも Gemma 4 は、ライセンス・統合性・Googleエコシステムとの相性で選ばれる余地がある

Gemma 4 が選ばれやすい理由は、たとえば次の4つです。

ライセンスの安心感
Apache 2.0 は、商用組み込みで扱いやすい
マルチモーダルの一体感
テキスト・画像・動画・音声を同じ系統で扱える
ファミリーとしての一貫性
モバイルからワークステーションまで、同じ思想で揃っている
Google のエコシステム
Vertex AI や Android AI コアとの接続を考えやすい

つまり、
**「絶対性能の王者を探す話」ではなく、「導入と運用の摩擦が少ない統合モデルを探す話」**として見ると、Gemma 4 はかなり見え方が変わります。

向かない人も正直に書いておくと：

ベンチマーク最上位のモデルを使いたい人には、Qwen 3.5 や DeepSeek V3.2 の方が合うかもしれない
Googleエコシステム外でシンプルにテキスト推論したい人には、選択肢は他にもある

で、実際に使えるのか

ここがいちばん大事です。

こんな場面で使えるモデルです：

自社サービスにオープンLLMを組み込みたいが、ライセンスの安定性を重視している
コンシューマーGPU（RTX 3080〜3090）でローカル推論を回したい
テキストだけでなく画像・動画まで扱える統合モデルを探している
Androidアプリにエッジ推論を載せたい（E2B/E4B）

結論からいうと、Gemma 4 は用途が合えばかなり使えるモデルです。
特に価値があるのは、E4B + Apache 2.0 の組み合わせです。

5GB級のVRAMで動かしやすい
画像・動画・音声の一部まで扱える
128Kコンテキストを持つ
しかもライセンスが明快

3年前なら、ここまで軽いモデルにここまでの機能を詰め込むのはかなり難しかったはずです。
ただし、ここで「本命」と断定するのはまだ早いです。

判断のしかたとしては、次の順番が現実的です。

商用利用の制約が問題になるか
必要なのはテキストだけか、画像・動画・音声まで要るか
ローカル実行したいのか、クラウドAPIでもよいのか
VRAM とコンテキスト長が足りるか
競合モデルと同条件で比較して優位があるか

この順で見れば、Gemma 4 を「入れるべきか、見送るべきか」がかなりはっきりします。

注意点・制約

ベンチマークは条件依存です。プロンプト、推論モード、採点基準で結果は変わります。
AIME や Codeforces の数字は実務の品質保証ではありません。あくまで参考指標です。
4-bit / 8-bit のVRAM目安は実装で変わります。KV cache、コンテキスト長、バッチサイズでも変動します。
「動く」と「快適」は別です。ローカルでギリギリ動いても、実運用では遅いことがあります。
音声対応は全モデル共通ではありません。E2B/E4Bのみです。
この記事は4月2日時点の公開情報をもとに整理しています。その後のモデル更新や再評価で変わる可能性があります。

検証方法

この記事を読むとき、数字をどう確かめるかを明示しておきます。

1. 公式発表を確認する

まず、Google の公式発表で以下を確認します。

モデル名
ライセンス
対応モダリティ
推奨用途
リリース日

2. モデルカードを見る

Hugging Face のモデルカードで、以下を確認します。

ベンチマーク名とスコア
推論設定の有無
コンテキスト長
モデルサイズ
量子化や推奨実行環境

3. 実機で試す

ローカルGPUで試す場合は、同じ条件で比較します。

同一プロンプト
同一コンテキスト長
同一量子化
同一温度設定
同一GPU
同一サンプル数

4. 比較対象を固定する

Gemma 4 を評価するなら、比較対象を毎回変えないことが大事です。

Gemma 3 27B
競合の同クラスモデル
自社で実際に使っているモデル

5. 判断軸を分ける

「高得点＝採用」ではなく、以下を分けて見ます。

性能
ライセンス
運用コスト
入出力モダリティ
実装のしやすさ

FAQ

Q. どのモデルを最初に試すべきですか？

A. まずは E4B です。軽さと性能のバランスがよく、最初の評価に向いています。

Q. 31B は誰向けですか？

A. VRAM に余裕があるワークステーション環境や、比較的重い推論をまとめて扱いたい人向けです。

Q. 26B A4B は「26Bなのに軽い」のですか？

A. 仕組みとしては MoE なので、総パラメータは26Bでも、推論時に使う活性化パラメータは4Bです。ここが軽さの理由です。

Q. ライセンス変更はそんなに重要ですか？

A. 商用利用や再配布が絡むなら重要です。性能が近いなら、ライセンスの安定性が採用判断を左右します。

Q. 画像だけでなく動画や音声も使えますか？

A. 画像と動画は全モデル、音声は E2B/E4Bのみ です。

Q. まず何を比べればいいですか？

A. まずは 自分の業務で一番多い1タスク です。そこを同条件で比べるのが一番早いです。

参考リンク

Google 公式発表: https://blog.google/technology/ai/
Google DeepMind / Gemma 関連: https://ai.google.dev/gemma
Hugging Face モデルカード検索: https://huggingface.co/models?search=gemma%204
VentureBeat: https://venturebeat.com/
The Register: https://www.theregister.com/
Ollama: https://ollama.com/
Transformers: https://huggingface.co/docs/transformers/index
llama.cpp: https://github.com/ggerganov/llama.cpp
MLX: https://github.com/ml-explore/mlx

この記事を書いた人

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！

結論、DGX SparkとRTX Sparkは性能でなくOSで選ぶ——2つのSparkの違い

NEW

2026年9月6日

チュートリアル

結論、DGX SparkとRTX Sparkは性能でなくOSで選ぶ——2つのSparkの違い

DGX SparkとRTX Sparkの共通仕様と違いを、OS・形態・時期・用途で整理。実機未検証の範囲も明記します。

#DGX Spark#RTX Spark#NVIDIA#ローカルLLM#AI開発

Gemma 4 26B A4B vs Ornith 1.5、12GBの答えはどちらか

2026年8月30日

開発ログ

Gemma 4 26B A4B vs Ornith 1.5、12GBの答えはどちらか

VRAM 12GB の RTX 4070 Ti で Ornith 1.5 9B と Gemma 4 26B A4B を同条件比較。速度 80.0 対 72.9 tok/s、VRAM は 5.9GB 対 11.6GB で Ornith が優位、コーディングは 60点満点で 26B を上回りました。一方 24問テスト総合は 199 対 220 で日本語力に差。長考の末に無回答となる症状は両モデル共通でした。

#ローカルLLM#Gemma#Ornith#llama.cpp#GPU

Gemma 4 26B A4B 実測：12GBのGPUで72.9 tok/s、24問テストは過去最高スコア

2026年8月30日

開発ログ

Gemma 4 26B A4B 実測：12GBのGPUで72.9 tok/s、24問テストは過去最高スコア

VRAM 12GB の RTX 4070 Ti で Gemma 4 26B A4B を実測。llama.cpp の --cpu-moe を -ncmoe 9 に変えるだけで 35.0 → 72.9 tok/s になり、12B を全部GPUに載せた 58.6 tok/s を上回りました。24問テストは 220/240 でランクS。長考時に空応答を返す弱点もあわせて記録しています。

#ローカルLLM#Gemma#llama.cpp#GPU#gemma-4