Gemma 4 E4B

Fiche modèle · Google · gemma-4-e4b-it

Gemma 4 E4B is Google DeepMind's compact multimodal model with 4.5 billion effective parameters (8B with embeddings) and a 128K context window. Supports image, text, and audio inputs. Features Per-Layer Embeddings for efficient on-device deployment while maintaining strong multimodal capabilities.

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	text
Fenêtre de contexte	131 072
KV cache / token (Q8)	43.0 ko/token
Paramètres totaux	8 B
Paramètres actifs (session)	8 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (google/gemma-4-E4B-it)) ; total : config Hugging Face (google/gemma-4-E4B-it)
Curation des paramètres actifs	2026-11-04
Prix par session	0.04 $ (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)	0.34 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	2025-01-01
Créé le	2026-05-07T16:53:30.274857Z
Mis à jour le	2026-11-04T06:04:47.029732Z
Source	LLM Stats
URL	https://llm-stats.com/models/gemma-4-e4b-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 « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	0.02 $	0.10 $	—	—	—	—	active

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

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.60
legal	0.70
long_context	0.30
math	0.60
multimodal	0.50
physics	0.60
reasoning	0.50
finance	0.70
general	0.50
healthcare	0.50
agents	0.60
biology	0.60
chemistry	0.60
tool_calling	0.60
vision	0.50

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2026	math	0.42	1.00	0.42	non	oui	2026-11-04T06:04:47.043072Z
big-bench-extra-hard	reasoning	0.33	1.00	0.33	non	oui	2026-11-04T06:04:47.063027Z
gpqa	reasoning	0.59	1.00	0.59	non	oui	2026-11-04T06:04:47.053171Z
livecodebench-v6	reasoning	0.52	1.00	0.52	non	oui	2026-11-04T06:04:47.083078Z
mathvision	math	0.59	1.00	0.59	non	oui	2026-11-04T06:04:47.093073Z
medxpertqa	healthcare	0.29	1.00	0.29	non	oui	2026-11-04T06:04:47.113142Z
mmlu-pro	language	0.69	1.00	0.69	non	oui	2026-11-04T06:04:47.033309Z
mmmlu	language	0.77	1.00	0.77	non	oui	2026-11-04T06:04:47.073152Z
mmmu-pro	vision	0.53	1.00	0.53	non	oui	2026-11-04T06:04:47.087748Z
mrcr-v2-(8-needle)	long_context	0.25	1.00	0.25	non	oui	2026-11-04T06:04:47.103106Z
t2-bench	agents	0.57	1.00	0.57	non	oui	2026-11-04T06:04:47.122979Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	182	—	1.77	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