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

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。

• 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
  • 推論・知識
  • コード生成
  • LMArena 推定スコア
• 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
  • 実行イメージ
  • メモリ要件の目安
  • 使える環境
• 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
  • 1. 公式発表を確認する
  • 2. モデルカードを見る
  • 3. 実機で試す
  • 4. 比較対象を固定する
  • 5. 判断軸を分ける
• FAQ
  • Q. どのモデルを最初に試すべきですか？
  • Q. 31B は誰向けですか？
  • Q. 26B A4B は「26Bなのに軽い」のですか？
  • Q. ライセンス変更はそんなに重要ですか？
  • Q. 画像だけでなく動画や音声も使えますか？
  • Q. まず何を比べればいいですか？
• 参考リンク
• この記事を書いた人
• 関連記事
• 関連リンク

Gemma 4は4つのモデルで構成されています。

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。

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。

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

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

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。

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。

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。

「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

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。

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。

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。

1. 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

2. 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

3. 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

4. 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

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。

1. 商用利用の制約が問題になるか
2. 必要なのはテキストだけか、画像・動画・音声まで要るか
3. ローカル実行したいのか、クラウドAPIでもよいのか
4. VRAM とコンテキスト長が足りるか
5. 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。

• 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。

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

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。

• 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

K.Hirano — HW系エンジニア歴20年超、2000件超の単独SOL業務を走り続けてきた40代。AI・ガジェット・サウナ・釣り（ボート免許あり）・キノコ栽培（スローで面白くないライブ配信中）。「本当のところはどうなんだろう」が口癖。META-MARKをAI駆動で一人で開発・運営しています。

• Blog【速報・完全版】Gemini 3.1 Pro徹底解説 — 推論2倍超・思考シグネチャ・エージェント時代の幕開け2026年2月19日リリースのGemini 3.1 Proを完全解説。ARC-AGI-2で77.1%（前世代比2倍超）、SWE-bench 80.6%を達成。Thinking Levels・思考シグネチャ・Context Caching最大90%削減・Batch API・Google Antigravityなど、開発者が知るべき全機能をベンチマーク比較表・料金表・プロンプト例付きで徹底解説。→
• Blog自分のPCで動かすAI — GPT4All完全ガイド。GPU選びからモデル選択までGPT4AllはGUIだけでローカルLLMが動かせるツール。GPU別モデル選択ガイドと、RTX 3060がなぜコスパ最強なのかを実用的に解説。LocalDocsでPDFをAIに読ませる方法も紹介。→
• BlogGemma 4 E4B、ランクS確定——24問採点とOCR比較でわかった得意・苦手RTX 4070 TiとOllama v0.20.0でGemma 4 E4Bを実機検証。24問218点のS評価、論理・コード満点、OCRはQwen3-VL 8Bと比較して速度優位を確認。→

• 実際の構成を探すなら、GPU 比較ページやローカルLLM向け構成記事もあわせて見ると判断しやすいです。
• ハードウェア候補は用途別の AI 構成ガイドからたどると、単体製品より違和感なく検討できます。