2026年初頭に登場したGemma 4トランスフォーマーは、オープンソースの人工知能の状況を根本的に変えました。Googleは寛容なApache 2.0ライセンスに移行することで、これまで商業利用やコミュニティによるファインチューニングを妨げていた「オープンウェイト」の制約を取り除きました。この新しいGemma 4トランスフォーマーファミリーは、これまでにないパラメータあたりの知能密度を実現し、複雑な推論、ネイティブビジョン、高忠実度オーディオ処理を消費者向けハードウェア上でローカルに実行することを可能にします。
ゲームエンジンに高度なNPCの挙動を組み込もうとしている開発者であれ、プライベートなローカルアシスタントを構築している研究者であれ、Gemma 4ラインナップはパフォーマンスに対する段階的なアプローチを提供します。最大256,000トークンに達するコンテキストウィンドウと、思考連鎖推論のための特殊な「思考」モードを備えたこれらのモデルは、その誕生以来、このシリーズで最も重要なアーキテクチャの進化を表しています。
Gemma 4モデルのラインナップ
GoogleはGemma 4ファミリーを2つの異なる層に分割しました。重いローカルタスク向けのワークステーションモデルと、モバイルデバイス、Raspberry Pi、シングルGPUセットアップ向けに最適化されたエッジモデルです。すべての層における際立った特徴は、マルチモーダル機能のネイティブ統合です。これは、ビジョンとオーディオが外部エンコーダーを介して「後付け」されるのではなく、アーキテクチャに組み込まれていることを意味します。
| モデル層 | パラメータ数 | アーキテクチャタイプ | 最適なユースケース |
|---|---|---|---|
| ワークステーション 31B | 310億 | 密結合 | コーディング、複雑な推論、RAG |
| ワークステーション 26B | 260億 (38億アクティブ) | エキスパート混合 (MoE) | 高速サーバーレス推論 |
| エッジ E4B | 40億 | 密結合 / PLE | ハイエンドスマートフォン、ノートPC |
| エッジ E2B | 20億 | 密結合 / PLE | IoT、エッジデバイス、基本的なチャット |
💡 ヒント: VRAMに制限がある場合、26B MoEモデルは27B+の密結合モデルと同等のインテリジェンスを提供しますが、アクティブな推論中に必要な計算オーバーヘッドは4Bモデルと同程度です。
Gemma 4トランスフォーマーにおけるアーキテクチャの革新
Gemma 4トランスフォーマーがLlama 3やQwen 2のようなより大きなモデルを上回る主な理由は、従来のハードウェアのボトルネックを回避するために設計された一連の構造最適化にあります。最も重要な追加機能の1つは、インターリーブド・アテンション・トポロジーです。この方法は、ローカル層（1024トークンのスライディングウィンドウを使用）と、256Kのコンテキスト全体をスキャンするグローバル層を交互に繰り返します。
PLEとK=Vによるメモリ最適化
エッジコンピューティング向けに、Googleは**Per Layer Embeddings (PLE)**を導入しました。これにより、モデルは大量の知識テンソルを低速なフラッシュストレージ (eMMC/UFS) に保存し、推論中に必要な「知識スライス」のみを高速VRAMに動的にフェッチすることができます。この「地下室ストレージ」のアナロジーにより、4Bモデルがデバイスのメモリをクラッシュさせることなく、12Bモデルの世界知識を保持することが可能になります。
| 機能 | 技術的実装 | 利点 |
|---|---|---|
| コンテキストウィンドウ | 128Kから256Kトークン | 小説全体や法律文書を処理 |
| 位置エンコーディング | 切り詰められたRoPE (Popey) | 長距離での意味を維持 |
| ビジョンエンコーディング | 2D RoPE & パッチアンドパック | 画像の歪みなしにアスペクト比を理解 |
| アテンションメカニズム | グループ化クエリアテンション (GQA) | メモリ帯域幅要件を50%削減 |
ネイティブなマルチモーダル機能
Whisperのような外部ASR（自動音声認識）モデルを必要とした以前の世代とは異なり、Gemma 4トランスフォーマーファミリーはオーディオとビジョンをネイティブに処理します。エッジモデル（E2BおよびE4B）は、以前のGemma 3Nバージョンよりも50%小型化された、大幅に圧縮されたオーディオエンコーダーを搭載しており、390MBからわずか87MBに削減されました。
ビジョンとOCR
ビジョンブランチは、任意の縦横比をサポートする改良されたVision Transformerを使用しています。これは、文書理解やOCRタスクにとって画期的なことです。16:9のスクリーンショットを1:1の正方形に押し込めるのではなく、モデルは高さと幅の寸法を独立して処理し、グラフ、表、UI要素の形状を保持します。
オーディオと翻訳
アコースティックコンフォーマーアーキテクチャにより、モデルは以下のことが可能です。
- 音声の書き起こし: 低遅延で高精度なASR。
- 意図の検出: 感情的なプロソディ（例：皮肉や緊急性の検出）を捉えます。
- ネイティブ翻訳: 英語で話し、同じモデルから直接、日本語やその他30以上の対応言語でテキスト翻訳を受け取ることができます。
⚠️ 注意: E2Bモデルはオーディオ翻訳が可能ですが、より大きなワークステーションモデルは、技術文書や法律文書の理解において一般的に優れたニュアンスを提供します。
開発者向けGemma 4の実装
Apache 2.0ライセンスにより、開発者は「競合禁止」条項を恐れることなく、商用アプリケーションにGemma 4トランスフォーマーをデプロイできるようになりました。これらのモデルはHugging Faceで利用可能であり、Google Cloudエコシステムによってネイティブにサポートされています。
ローカル環境で実行している人向けに、モデルは次のような人気のあるツールと互換性があります。
- Ollama: macOS、Linux、Windowsでの簡単なローカルデプロイ用。
- LM Studio: さまざまな量子化レベル (Q4_K_Mなど) をテストするため。
- Transformers Library: マルチモーダル入力用の最新のオートプロセッサを使用。
思考モード (思考連鎖)
最も印象的なソフトウェア機能の1つは、enable_thinkingフラグです。これをtrueに設定すると、モデルは最終的な回答を出す前に内部的な推論ステップを生成します。これにより、数学、コーディング、論理的なタスクにおける幻覚が大幅に減少します。
競合との比較
2026年のAI市場において、Gemma 4はMetaのLlama 4やAlibabaのQwen 3.6と直接競合します。Llama 4 Scoutはより大きな生のコンテキストウィンドウ（最大10Mトークン）を提供するかもしれませんが、多くの場合、大規模なサーバークラスターを必要とします。Gemma 4の主要な武器は、その「知能対ウェイト」比であり、Arena Chatbot Leaderboardsでは、サイズの2倍のモデルを上回るパフォーマンスを発揮します。
| モデル | ライセンス | コンテキスト | 強み |
|---|---|---|---|
| Gemma 4 31B | Apache 2.0 | 256K | 効率性/マルチモーダル |
| Llama 4 Scout | カスタム/制限あり | 10M | 無限のコンテキスト |
| Qwen 3.6 Plus | Apache 2.0 | 128K | 論理/数学 |
FAQ
Q: Gemma 4トランスフォーマーを標準的なスマートフォンで実行できますか？
A: はい、E2BおよびE4Bの「エッジ」モデルはモバイルハードウェア向けに特別に設計されています。Per Layer Embeddings (PLE) のおかげで、知識の取得にスマートフォンのフラッシュストレージを利用することで、8GBという少ないRAMのデバイスでも動作させることができます。
Q: Apache 2.0ライセンスは、以前のGemmaリリースと何が異なりますか？
A: 以前のリリースには、特定のユーザーしきい値に達した場合の商用利用を制限したり、競合モデルのトレーニングにモデルを使用することを禁止したりするカスタム条項がありました。Apache 2.0ライセンスは標準的なオープンソースライセンスであり、モデルを使用して製品を修正、配布、販売することを一切の制約なしに許可します。
Q: Gemma 4は画像からテキスト、音声からテキストを同時にサポートしていますか？
A: はい、このアーキテクチャはインターリーブされたマルチモーダル入力をサポートしています。スプレッドシートの画像と指示の音声録音を提供すると、モデルは両方のモダリティを横断して推論し、統合された応答を提供します。
Q: コードで「思考」機能を有効にするにはどうすればよいですか？
A: TransformersライブラリまたはGoogle Cloud APIを使用する場合、通常、チャットテンプレートでenable_thinking: trueのようなパラメータを渡します。これにより、モデルは最終的な応答の前に<thought>タグ内にそのロジックを出力します。