Laster katalogen …
Laster katalogen …
Google DeepMinds tette multimodale modell med åpne vekter og 30,7 milliarder parametere, et kontekstvindu på 256k token og valgfri resonnering i tankekjede – instruksjonstilpasset for oppgaver med lang kontekst og multimodale inndata.
Oversikt. Gemma 4 31B IT er Google DeepMinds tette modell med åpne vekter og 30,7 milliarder parametere, instruksjonstilpasset og utgitt i april 2026 under Apache-2.0-lisensen. Den tar imot tekst, bilder og video som inndata og returnerer tekst, støttet av et kontekstvindu på 262 144 token. Utviklere velger den når de trenger en multimodal modell med åpne vekter som kan kjøres lokalt eller gjennom inferens uten lisensrestriksjoner.
Viktigste styrker. Modellens kodeindeks (43,4 hos Artificial Analysis) er dens tydeligste styrke, foran den generelle intelligensindeksen (29,7), noe som tyder på mer pålitelig ytelse på kodeoppgaver enn på brede resonneringsbenchmarker. Kontekstvinduet på 262k token støtter arbeid med lange dokumenter og lange samtaler, langt utover det typiske chatmodeller tillater. Resonnering i tankekjede er tilgjengelig som en valgfri modus, slik at en utvikler kan bytte kortere svartid mot dypere resonnering bare når en oppgave krever det – i stedet for å betale den kostnaden på hver forespørsel.
Når du bør bruke den. Bruk denne modellen til oppgaver med lang kontekst – analyse av store dokumenter, agenter med mange runder og utvidet historikk, eller kodebaser som overstiger kortere kontekstvinduer – der vinduet på 262k token er det avgjørende. Den passer også til multimodale oppgaver som kombinerer tekst med bilder eller video. Siden den generelle intelligensindeksen ligger i midtsjiktet og det ikke finnes bekreftede domenespesifikke benchmarker for matematikk, jus eller finans, egner den seg bedre til oppgaver med middels kompleksitet enn til spesialisert resonnering med høy risiko.
Begrensninger. Uavhengig benchmarkdekning for matematikk, jus, medisin og finans er foreløpig ikke tilgjengelig, så kvaliteten på disse områdene er ubekreftet heller enn dokumentert sterk. Den generelle intelligensindeksen ligger bak frontmodeller med åpne vekter, og den valgfrie resonneringsmodusen øker svartiden når den er aktivert, i stedet for å kjøre som standard. Treningsdataene slutter rundt januar 2025, så modellen vil ikke kjenne til nyere hendelser eller utgivelser.
Suverenitetsnotat. Gemma 4 31B IT er bygget av Google, en amerikansk modellskaper med CLOUD Act-eksponering, og et hostet endepunkt for denne modellen bærer med seg den eksponeringen. Siden vektene er åpne under Apache-2.0, kan selskaper som trenger full kontroll over datalokasjon, kjøre modellen selv i stedet for å bruke et tredjeparts endepunkt.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L3 | 0,40 / 2,10€ | Tilkoblet | |||
| L1 | 0,25 / 0,50€ | Tilkoblet | |||
| L0 | Gratis / Gratis | Tilkoblet | |||
| L0 | 0,18 / 0,36€ | Tilkoblet | |||
| L0 | 0,20 / 0,40€ | Tilkoblet |
49 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Et langt kontekstvindu på 262k token gjør det mulig å lese inn flere hele artikler og dokumenter til gjennomgangsoppgaver.
Et kontekstvindu på 262k token rommer fullstendige møtetranskripsjoner i én gjennomgang; instruksjonstilpasset oppsummeringsevne med flerspråklig støtte dekker variert møteinnhold.
Et kontekstvindu på 262k token er godt egnet til å oppsummere store dokumenter uten oppdeling – en kjernestyrke for denne størrelsesklassen.
En tett 30,7-milliarders-modell med utvidet resonnering og 262k kontekst egner seg godt for grundige revisjonsarbeidsflyter; muligheten for drift på egne servere dekker krav til datalokasjon som er vanlige i revisjonssammenhenger.
Et kontekstvindu på 262k token kombinert med denne variantens forsprang på 26B-søskenmodellen på familiens kode- og kvalitetsindekser støtter syntese fra flere kilder.
Bildeforståelse er en dokumentert innebygd egenskap ved denne tette multimodale 30,7-milliarders-modellen, og passer direkte til krav om spørsmål og svar over bilder.
Verktøykall og støtte for utvidet resonnering muliggjør agentiske kodingsløkker, men med 30,7 milliarder tette parametere er dette et mellomstort nivå – ikke en frontmodell for koding.
Innebygd verktøykallstøtte kombinert med promptbufring gjør dette til et brukbart alternativ med åpne vekter for applikasjoner med funksjonskall, selv om det ikke er verifisert mot dedikerte referanseverdier.
Utvidet resonnering og verktøykall støtter analytisk resonnering over strukturerte data; mangler et dedikert kodefortolkermiljø, men funksjonskall kan koble til ekstern beregning.
Bildeforståelse kombinert med et stort kontekstvindu støtter dokumentbehandling i OCR-stil, men nøyaktigheten for OCR spesifikt er ikke verifisert.
Sterk instruksjonsfølging på 30,7 milliarder parametere håndterer e-postutkast godt; modellen er overkvalifisert for dette brukstilfellet, men leverer kompetent.
Utvidet resonnering støtter flerstegs årsaksanalyse for feildiagnose; 262k kontekst rommer store kodebaser, men det finnes ingen SWE-Bench-skårer som bekrefter ytelse på toppnivå.
Generative modeller er ikke optimalisert for tett embedding-basert semantisk søk; en dedikert embeddingmodell foretrekkes sterkt til dette formålet.
Stemmekloning er en lydgenereringsoppgave som ligger helt utenfor de dokumenterte egenskapene til en ren tekstbasert LLM.
Brukstilfeller for stemmeagenter krever lyd inn og ut; ingen lydmodalitet er dokumentert for denne modellen.
Talesyntese krever lydutdata; Gemma 4 31B IT er en tekstgenereringsmodell uten dokumentert TTS-funksjonalitet.
Lydtranskripsjon krever støtte for lyd som inndata; Gemma 4 31B IT er en ren tekstmodell uten dokumentert lydmodalitet.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet 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 – nivået forespørselen ble betjent på