Indlæser kataloget…
Indlæser kataloget…
Google DeepMinds multimodale dense-model med åbne vægte og 30,7 milliarder parametre. Den har et kontekstvindue på 256k tokens, valgfri ræsonnering i tankekæde og er instruktionstrænet til opgaver med lang kontekst og multimodale inddata.
Oversigt. Gemma 4 31B IT er Google DeepMinds model med åbne vægte og 30,7 milliarder parametre. Det er en instruktionstrænet dense-model, der blev udgivet i april 2026 under Apache-2.0-licensen. Den accepterer tekst, billeder og video som inddata og returnerer tekst som uddata, understøttet af et kontekstvindue på 262.144 tokens. Udviklere vælger den, når de har brug for en multimodal model med åbne vægte, som de selv kan køre eller bruge via inferens uden licensmæssig friktion.
Vigtigste styrker. modellens kodningsindeks (43,4 hos Artificial Analysis) er dens klareste styrke, hvilket ligger over dens generelle intelligensindeks (29,7). Det tyder på en mere pålidelig ydeevne til kodeopgaver end til brede benchmarks for ræsonnering. Kontekstvinduet på 262k tokens understøtter opgaver med lange dokumenter og lange samtaler langt ud over de typiske grænser for chatmodeller. Ræsonnering i tankekæde er tilgængelig som en valgfri tilstand, hvilket lader en udvikler bytte svartid for dybere ræsonnering, kun når en opgave kræver det, i stedet for at betale den pris for hver forespørgsel.
Anvendelsesområder. Brug denne model til opgaver med lang kontekst — analyse af store dokumenter, agenter med mange runder og omfattende historik eller kildekode, der overstiger kortere kontekstvinduer — hvor dens 262k-vindue er den afgørende faktor. Den er også velegnet til multimodale opgaver, der kombinerer tekst med billed- eller videoinddata. Da dens generelle intelligensindeks ligger i mellemklassen, og den ikke har bekræftede domænespecifikke benchmarks for matematik, jura eller finans, er den bedre egnet til opgaver af middel kompleksitet end til specialiseret ræsonnering, hvor der står meget på spil.
Begrænsninger. Uafhængige benchmarks for domænerne matematik, jura, medicin og finans er i øjeblikket ikke tilgængelige, så kvaliteten på disse områder er uverificeret snarere end bekræftet stærk. Dens generelle intelligensindeks ligger efter de stærkeste åbne frontmodeller, og dens valgfrie tænketilstand øger svartiden, når den er aktiveret, frem for at køre som standard. Hvor træningsdataene slutter er omkring januar 2025, så den afspejler ikke nyere begivenheder eller udgivelser.
Bemærkning om suverænitet. Gemma 4 31B IT er bygget af Google, en modelskaber baseret i USA og underlagt CLOUD Act, så et endepunkt for denne model, der drives af en leverandør, bærer denne eksponering. Da vægterne er åbne under Apache-2.0, kan virksomheder, der har brug for fuld kontrol over dataplacering, køre modellen selv i stedet for at forlade sig på et tredjepartsendepunkt.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L3 | 0,40 / 2,10€ | Online | |||
| L1 | 0,25 / 0,50€ | Online | |||
| L0 | Gratis / Gratis | Online | |||
| L0 | 0,13 / 0,36€ | Online | |||
| L0 | 0,18 / 0,36€ | Online | |||
| L0 | 0,20 / 0,40€ | Online |
16 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Det lange kontekstvindue (262k) er velegnet til at opsummere store dokumenter uden opdeling, hvilket er en kernestyrke for denne klasse.
Billedforståelse er en dokumenteret indbygget egenskab ved denne tætte multimodale model med 30,7 milliarder parametre, hvilket passer direkte til behov for spørgsmål og svar til billeder.
Kontekstvinduet på 262.144 tokens er generøst for denne klasse og direkte velegnet til spørgsmål og svar baseret på lange dokumenter.
Et stort kontekstvindue på 262k plus denne variants forspring over 26B-søskendemodellen på familiens kvalitetsindeks understøtter synteseopgaver fra flere kilder.
Indbygget understøttelse af verktøykald plus promptcaching gør dette til en brugbar model med åbne vægte til apps med funktionskald, selvom den ikke er verificeret mod dedikerede benchmarks.
Billedforståelse plus et stort kontekstvindue understøtter OCR-lignende dokumentbehandling, men den OCR-specifikke nøjagtighed er ikke verificeret.
Indbygget multimodal billedforståelse understøtter tolkning af screenshots, hvilket stemmer overens med modellens dokumenterede billedforståelse.
Instruktionsoptimeret med en fordel på kodningsindekset over 26B-varianten; velegnet til at forklare kode, men ikke verificeret på dedikerede benchmarks for ræsonnering i kode.
31B IT skårer synligt bedre end 26B Gemma-varianten på modelfamiliens kodningsindeks, hvilket giver den en moderat fordel til kodegenerering, på trods af manglende HumanEval/SWE-Bench-tal.
Stærkere kodningsindeks sammenlignet med den mindre Gemma-variant plus et kontekstvindue på 262k til gennemgang af hele filer, men mangler offentliggjorte benchmarks for kode til at retfærdiggøre en høj vurdering.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemma-4-31b-it",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på