La plupart des lancements de modèles IA vous donnent un modèle et une décision : l’utiliser ou non. Gemma 4 vous en donne cinq et pose une question différente : quel matériel avez-vous ?
Cela ressemble peut-être à du marketing, mais c’est en fait la chose la plus utile de cette famille. Chaque membre est architecturalement différent — pas juste une copie agrandie de la même chose. Les modèles edge utilisent les Per-Layer Embeddings. Le 12B a jeté les encodeurs vision et audio. Le 26B route les tokens à travers un mélange de 128 experts. Le 31B lance simplement ses 30,7 milliards de paramètres sur chaque token. Même famille, philosophies d’ingénierie différentes, compromis différents.
Passons-les en revue.
E2B — L’IA de poche (~1 Go RAM)
Le plus petit Gemma 4. Deux milliards de paramètres, quantifié pour tenir dans environ 1 Go de RAM. Il gère le texte, les images et l’audio en direct — tout sur l’appareil, tout hors ligne. Score de 37,5% sur AIME 2026, c’est du raisonnement mathématique compétitif sur quelque chose qui pourrait tourner sur un Raspberry Pi. Le secret : les Per-Layer Embeddings (PLE), qui donnent à chaque couche du décodeur son propre embedding dédié pour maximiser l’intelligence sans gonfler le nombre de paramètres. Vous ne le confondrez pas avec un modèle de bureau, mais pour les traductions rapides, les questions sur les photos, ou les requêtes vocales sur un téléphone à petit budget, il est vraiment utile.
E4B — La puissance dans la poche (4–6 Go RAM)
Le E4B, c’est ce qui arrive quand on donne à un modèle optimisé pour téléphone assez de paramètres pour réellement réfléchir. Il score 42,5% sur AIME 2026 — plus du double du modèle 27B, bien plus gros, de Gemma 3. Il gère texte, images et audio nativement, a une fenêtre de contexte de 128K, et inclut un mode thinking configurable pour le raisonnement multi-étapes. Si vous avez un smartphone haut de gamme avec 8+ Go de RAM, c’est le modèle qui fait de « je vais juste demander à mon téléphone — hors ligne » une option sérieuse plutôt qu’un gadget de foire.
12B Unified — Le moteur d’agents privés pour portables (~7 Go VRAM avec QAT)
C’est ici que Gemma 4 devient passionnant pour la plupart des gens. Sorti le 3 juin 2026, le 12B Unified fait quelque chose qu’aucun autre modèle de sa taille ne fait : il gère texte, images et audio dans un seul transformer decoder-only sans encodeurs séparés. Les patches d’images bruts et les formes d’onde audio vont directement dans l’espace d’embedding via des couches linéaires légères. Architecture plus simple, latence plus faible, fine-tuning plus facile.
Les chiffres : 77,2% MMLU Pro, 77,5% AIME 2026, 72,0% LiveCodeBench, 78,8% GPQA Diamond. Google dit qu’il approche le 26B MoE « avec moins de la moitié de l’empreinte mémoire totale ». Avec la variante officielle QAT (Quantization-Aware Training) sortie le 5 juin, la version Q4_0 nécessite environ 6,7 Go de VRAM. Combinez ça avec le Multi-Token Prediction pour le décodage spéculatif, et les benchmarks communautaires montrent 100–130+ tokens par seconde sur un GPU de 12 Go comme la RTX 4070 Super. Ça tourne même sur les laptops avec 16 Go de mémoire unifiée — pas de GPU dédié requis.
Si vous voulez un seul modèle de cette famille et que vous avez un laptop avec un GPU correct, Si vous souhaitez exécuter des agents d’IA autonomes, des assistants vocaux locaux ou des flux de codage privés directement sur votre ordinateur portable sans dépendance au cloud ni risques pour votre vie privée, c’est votre modèle.
26B MoE — L’expert en efficacité (15–18 Go VRAM quantifié)
Le 26B contient 26 milliards de paramètres au total, mais voici l’astuce : seulement 3,8 milliards s’activent par token. Un routeur sélectionne 2 des 128 sous-réseaux d’experts pour chaque token, délivrant une qualité proche du 31B à un coût de calcul drastiquement inférieur. Imaginez un immeuble plein de spécialistes et vous n’appelez que les deux dont vous avez besoin pour chaque question.
Il supporte texte, images et vidéo (pas juste l’audio comme les modèles plus petits), a une fenêtre de contexte de 256K, et se classe n°6 parmi les modèles ouverts sur Arena AI. Le compromis, c’est la VRAM — il faut 15–18 Go quantifié, ce qui signifie une RTX 4090, une RTX 5060 Ti 16 Go, ou un Mac avec 32 Go+ de mémoire unifiée. Si vous avez le matériel et voulez le meilleur ratio intelligence-par-watt, c’est votre modèle.
31B Dense — Le géant sans compromis (16–20 Go VRAM quantifié)
Pas de routage, pas de mélange d’experts, pas de raccourcis. Le 31B Dense active ses 30,7 milliards de paramètres sur chaque token. C’est le plafond de qualité de la famille Gemma 4 — classé n°3 parmi tous les modèles ouverts sur Arena AI et scorant 89,2% sur AIME 2026. Mêmes modalités que le 26B (texte, images, vidéo), même contexte de 256K, mais avec une profondeur de raisonnement maximale à chaque réponse.
Le coût, c’est le calcul. En BF16, il faut ~71 Go de VRAM (territoire GPU enterprise). Mais quantifié en INT4, il tient dans 16–20 Go — gérable sur un GPU grand public haut de gamme. Si vous avez le matériel et que la précision compte plus que la vitesse, c’est le modèle ouvert qui se rapproche le plus des performances cloud de pointe.
Lequel choisir ?
Voici l’antisèche honnête :
- Téléphone, hors ligne, tâches rapides → E4B (ou E2B pour les appareils très limités)
- Laptop, GPU 8–12 Go → 12B Unified avec QAT
- Laptop, 16 Go mémoire unifiée, sans GPU → 12B Unified avec QAT (plus lent mais ça marche)
- Station de travail, RTX 4090 / Mac 32 Go → 26B MoE (meilleure qualité par watt)
- Serveur ou station haut de gamme → 31B Dense (qualité maximale)
Les cinq partagent la licence Apache 2.0, supportent 140+ langues, et fonctionnent avec Ollama, llama.cpp, LM Studio, vLLM et le toolkit AI Edge de Google. La famille n’est pas d’accord sur l’architecture — mais partage la même philosophie : de l’IA sérieuse qui tourne sur votre matériel.
