Gemma 4 E2B

Fiche modèle · Google · gemma-4-e2b-it

Gemma 4 E2B is Google DeepMind's smallest multimodal model with 2.3 billion effective parameters (5.1B with embeddings) and a 128K context window. Supports image, text, and audio inputs. Designed for on-device and edge deployment with Per-Layer Embeddings for efficient inference.

Fiches modèles

Identité

Organisation	Google
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	—
Fenêtre de contexte	131 072
KV cache / token (Q8)	17.9 ko/token
Paramètres totaux	5.1 B
Paramètres actifs (session)	5.12 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (google/gemma-4-E2B-it)) ; total : config Hugging Face (google/gemma-4-E2B-it)
Curation des paramètres actifs	2026-11-04
Prix par session	—
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)	—
Tokens d'entraînement	—
Coupure de connaissance	2025-01-01
Créé le	2026-05-07T16:53:30.239713Z
Mis à jour le	2026-11-04T06:04:46.923341Z
Source	LLM Stats
URL	https://llm-stats.com/models/gemma-4-e2b-it

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

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 « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.50
legal	0.60
long_context	0.20
math	0.50
multimodal	0.40
physics	0.40
reasoning	0.40
finance	0.60
general	0.40
healthcare	0.40
agents	0.30
biology	0.40
chemistry	0.40
tool_calling	0.30
vision	0.40

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2026	math	0.38	1.00	0.38	non	oui	2026-11-04T06:04:46.933074Z
big-bench-extra-hard	reasoning	0.22	1.00	0.22	non	oui	2026-11-04T06:04:46.953168Z
gpqa	reasoning	0.43	1.00	0.43	non	oui	2026-11-04T06:04:46.940578Z
livecodebench-v6	reasoning	0.44	1.00	0.44	non	oui	2026-11-04T06:04:46.973017Z
mathvision	math	0.52	1.00	0.52	non	oui	2026-11-04T06:04:46.993127Z
medxpertqa	healthcare	0.23	1.00	0.23	non	oui	2026-11-04T06:04:47.013171Z
mmlu-pro	language	0.60	1.00	0.60	non	oui	2026-11-04T06:04:46.928352Z
mmmlu	language	0.67	1.00	0.67	non	oui	2026-11-04T06:04:46.963135Z
mmmu-pro	vision	0.44	1.00	0.44	non	oui	2026-11-04T06:04:46.983014Z
mrcr-v2-(8-needle)	long_context	0.19	1.00	0.19	non	oui	2026-11-04T06:04:47.003161Z
t2-bench	agents	0.29	1.00	0.29	non	oui	2026-11-04T06:04:47.023869Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	196	—	-3.66	1	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

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