Gemma 4 31B
Gemma 4 31B is Google DeepMind's flagship dense multimodal model with 31 billion parameters and a 256K context window. Ranks #3 among open models on Arena AI. Built from the same research as Gemini 3, it features Per-Layer Embeddings, Shared KV Cache, alternating sliding-window and global attention, and variable aspect ratio vision encoding. Achieves an estimated LMArena text score of 1452.
Identité
| Organisation | |
|---|---|
| Pays | — |
| Famille | — |
| Type | llm |
| Date de sortie | 2026-04-02 |
| Licence | apache 2.0 |
| Licence commerciale | oui |
| Licence open source | oui |
| Poids ouverts | oui |
| Auto-hébergement (DGX Spark) | oui — ≤ 107 Md (Q8/FP8) |
| Modalités | audio|image|text|video |
| Fenêtre de contexte | 262 144 |
| KV cache / token (Q8) | 491.5 ko/token |
| Paramètres totaux | 30.7 B |
| Paramètres actifs (session) | 31.3 B |
| Source des paramètres actifs | actifs = total (modèle dense, config HF (google/gemma-4-31B-it)) ; total : config Hugging Face (google/gemma-4-31B-it) |
| Curation des paramètres actifs | 2026-11-04 |
| Prix par session | 0.16 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur) |
| Tokens / tâche (Data Players) | 1.2 M |
| Tokens / tâche (Terminal-Bench) | 83.3 M (est.) |
| Ratio Terminal-Bench / Data Players | 69.4× |
| Coût / tâche (Terminal-Bench) | 1.33 $ (est.) |
| Tokens d'entraînement | — |
| Coupure de connaissance | 2025-01-01 |
| Créé le | 2026-05-07T16:53:30.198653Z |
| Mis à jour le | 2026-11-04T06:04:46.793249Z |
| Source | LLM Stats |
| URL | https://llm-stats.com/models/gemma-4-31b-it |
IA Act — preuves fournisseur
| Critère | Note / 5 | Poids |
|---|---|---|
| Documentation technique | 5,0 | 5 % |
| Résumé des données d'entraînement | 5,0 | 35 % |
| Conformité droit d'auteur | 2,5 | 35 % |
| Code of Practice GPAI | 5,0 | 20 % |
| Risque systémique | 0,0 | 5 % |
Curation : 2026-10-21.
IA ActPrix par fournisseur
Statut du modèle (offres + auto-hébergement) : souverain — via Berget AI AB (cortecs), Infercom (cortecs), Infomaniak (infomaniak).
Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».
| Fournisseur | Source | Souveraineté | Entrée (/M tok) | Sortie (/M tok) | Quantification | Contexte | Latence (s) | Débit (tok/s) | Statut |
|---|---|---|---|---|---|---|---|---|---|
| Berget AI AB | cortecs | souverain | 0.28 $ | 0.56 $ | fp16 | 262 000 | — | — | — |
| Infercom | cortecs | souverain | 0.22 $ | 0.39 $ | bf16 | 128 000 | — | — | — |
| Infomaniak | infomaniak | souverain | 0.24 $ | 0.49 $ | — | 100 000 | — | — | — |
| DeepInfra | llm-stats | non | 0.09 $ | 0.34 $ | — | — | — | — | active |
| FriendliAI | llm-stats | non | 0.14 $ | 0.40 $ | — | — | — | — | active |
| Novita | llm-stats | non | 0.14 $ | 0.40 $ | — | — | — | — | active |
| Together AI | llm-stats | non | 0.39 $ | 0.97 $ | — | — | — | — | active |
Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.
SouverainetéScores par catégorie (top_scores)
| Catégorie | Score |
|---|---|
| language | 0.80 |
| legal | 0.90 |
| long_context | 0.60 |
| math | 0.70 |
| multimodal | 0.70 |
| physics | 0.80 |
| reasoning | 0.70 |
| finance | 0.90 |
| general | 0.70 |
| healthcare | 0.60 |
| agents | 0.90 |
| biology | 0.80 |
| chemistry | 0.80 |
| tool_calling | 0.90 |
| vision | 0.60 |
Scores par benchmark
| Benchmark | Catégorie | Score | Max | Normalisé (API) | Vérifié | Auto-déclaré | Daté du |
|---|---|---|---|---|---|---|---|
| aime-2026 | math | 0.89 | 1.00 | 0.89 | non | oui | 2026-11-04T06:04:46.813187Z |
| big-bench-extra-hard | reasoning | 0.74 | 1.00 | 0.74 | non | oui | 2026-11-04T06:04:46.829665Z |
| gpqa | reasoning | 0.84 | 1.00 | 0.84 | non | oui | 2026-11-04T06:04:46.823444Z |
| humanity's-last-exam | reasoning | 0.27 | 1.00 | 0.27 | non | oui | 2026-11-04T06:04:46.873649Z |
| livecodebench-v6 | reasoning | 0.80 | 1.00 | 0.80 | non | oui | 2026-11-04T06:04:46.857585Z |
| mathvision | math | 0.86 | 1.00 | 0.86 | non | oui | 2026-11-04T06:04:46.883744Z |
| medxpertqa | healthcare | 0.61 | 1.00 | 0.61 | non | oui | 2026-11-04T06:04:46.906622Z |
| mmlu-pro | language | 0.85 | 1.00 | 0.85 | non | oui | 2026-11-04T06:04:46.804096Z |
| mmmlu | language | 0.88 | 1.00 | 0.88 | non | oui | 2026-11-04T06:04:46.853030Z |
| mmmu-pro | vision | 0.77 | 1.00 | 0.77 | non | oui | 2026-11-04T06:04:46.877873Z |
| mrcr-v2-(8-needle) | long_context | 0.66 | 1.00 | 0.66 | non | oui | 2026-11-04T06:04:46.893127Z |
| t2-bench | agents | 0.86 | 1.00 | 0.86 | non | oui | 2026-11-04T06:04:46.913210Z |
Classements
| Catégorie | Rang | Score | Note conservatrice | Benchmarks évalués | Méthode | Daté du | Provenance |
|---|---|---|---|---|---|---|---|
| agents | 106 | — | 13.53 | 1 | trueskill | 2026-10-19 | model_history |
Données
Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04