Variantes de modèle : Chaque scénario de déploiement

La famille Gemma 4 comprend quatre tailles optimisées. Tous les modèles prennent en charge les entrées multimodales et excellent dans les flux de travail multi-agents, les appels de fonctions natives, la sortie JSON structurée et le raisonnement sur un contexte long.

// Architecture d'IA multimodale : Gemma 4 traite les entrées texte, images, audio et vidéo de manière transparente

Pourquoi Gemma 4 se distingue : Points de référence

• Multimodal-natif : Comprendre les images, les extraits audio et la vidéo en même temps que le texte dans un seul modèle.
• Utilisation des agents et des outils : Appels de fonctions intégrés et intégration d'outils — idéal pour les agents autonomes.
• Performances sur l'appareil : Fonctionne hors ligne avec une latence quasi nulle sur du matériel grand public.
• Contexte détaillé : Jusqu'à 256 000 jetons pour des documents volumineux ou des bases de code entières.
• Liberté commerciale : La licence Apache 2.0 supprime toutes les restrictions précédentes — déployez-la où vous voulez.

// Performances de Gemma 4 comparées à celles d'autres modèles ouverts — FLOPs par rapport à la moyenne des benchmarks

Tutoriel pratique d'intégration d'API (Python)

Vous avez deux voies principales : API Gemini hébergée (le plus simple, recommandé pour le prototypage) ou déploiement local via Hugging Face / Ollama pour une confidentialité totale.

Option 1 — Démarrage rapide de l'API Gemini

from google import genai # Obtenez votre clé API gratuite sur ai.google.dev client = genai.Client(api_key="VOTRE_CLÉ_API_GEMINI") response = client.models.generate_content( model="gemma-4-31b-it", # ou gemma-4-26b-a4b-it, etc. contents=[ "Analysez cette image et expliquez le graphique en détail.", # Vous pouvez également transmettre des octets d'image ou des URL ici ] ) print(response.text)

Exemple multimodal — Image + Texte

réponse = client.models.generate_content( model="gemma-4-e4b-it", contents=["Que se passe-t-il sur cette photo ?", genai.types.Part.from_image( genai.types.Image.from_bytes(image_bytes) )] )

Option 2 — Déploiement local via Hugging Face

from transformers import AutoModelForCausalLM, AutoProcessor import torch model_id = "google/gemma-4-31B-it" # ou des variantes plus petites processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto" ) # Exemple d'invite multimodale messages = [ {"role": "user", "content": [ {"type": "image", "image": "https://example.com/chart.png"}, {"type": "text", "text": "Décrivez les tendances de cette visualisation de données."} ]} ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_tensors="pt" ).to(model.device) outputs = model.generate(**inputs, max_new_tokens=512) print(processor.decode(outputs[0]))

// Google AI Studio — le moyen le plus rapide de prototyper avec Gemma 4

Cas d'utilisation courants et exemples concrets

FAQ