Gemma 4的发布不仅是一次技术升级，更是一场开源生态的格局重塑。Google DeepMind这次用端侧优化与Apache 2.0许可证的组合拳，彻底打开了手机AI与隐私敏感场景的潘多拉魔盒——5.5GB的E4B模型支持离线多模态处理，31B旗舰版以标准开源协议降低企业部署门槛。当阿里收紧API权限时，Google正用生态思维改写AI竞赛规则。

一、4月第一周，发生了什么

4月2日，Google DeepMind 正式发布了 Gemma 4。发布前两天，Hassabis 在 X 上发了四个钻石 emoji，其他什么都没说。Google 技术团队的 Logan Kilpatrick 发了一个字：”Gemma”。AI 圈的人看到这两条推文，就知道要有大动作了。

发布当天，Gemma 4 在48小时内登上了 Arena AI 开源模型榜第三位。Jeff Dean 在发布帖子里提到，Gemma 系列自第一代发布以来，开发者下载量已经超过4亿次，社区衍生出超过10万个变体版本。这个数字，放在任何一个开源项目里都是惊人的。

同一天，阿里巴巴发布了 Qwen3.6-Plus。两家在同一天出牌，不是巧合。这一周，是2026年开源 AI 最拥挤的一周。但大多数讨论，还是停在跑分上——这个榜第几，那个 benchmark 多少分。我觉得这些都是表面。这篇文章想说的，是跑分之外的两件事：第一，端侧 AI 这次是真的来了。第二，Google 这次是真的开放了。

这两件事加在一起，意味着一个产品机会窗口正在打开。

二、Gemma 4 是什么：四个尺寸，两个故事

Gemma 4 这次发布了四个版本：E2B、E4B、26B MoE、31B Dense。听起来像是四个产品，但我更愿意把它理解成两个故事。

第一个故事：手机里的 AI

E2B 和 E4B，名字里的”E”代表”Effective”，有效参数。E4B 有效参数45亿，总参数约81亿。但推理时只用到45亿那部分——意味着它跑起来所需要的算力和内存，更接近一个4B的小模型，而不是8B的大模型。这个设计的意义是：它能塞进手机。

根据 Unsloth 的实测数据，E4B 在4比特量化下只需要约5.5GB内存，在 MacBook M4 Pro 24GB 上跑出了57 tokens每秒的速度。E2B 更小，只需约3.6GB，速度可以到95 tokens每秒。速度是什么概念？人类阅读速度大约是每分钟300到500个字，57 tokens每秒换算下来大概是每分钟三千多个中文字——比你读的速度快六到十倍。对话场景下，这已经是真正流畅的体验。

更关键的是：完全离线。Google 在发布时明确说明，E2B 和 E4B 与 Qualcomm、MediaTek 和 Google Pixel 团队深度联合优化，专门为手机、树莓派、NVIDIA Jetson Orin Nano 这类边缘设备设计。数据不上云，推理在本地完成，网络好不好，对它没有影响。

它还支持图像输入、音频输入，以及超过140种语言。一个5.5GB的模型，能看图、能听说话、支持140种语言、完全离线跑——这件事，在一年前是不可能的。

第二个故事：工作站上的主力模型

26B MoE 和 31B Dense，是给开发者和企业用的。31B Dense 是旗舰，在 Arena AI 开源模型榜排名第三，胜过了许多参数量是它20倍的对手。26B MoE 是效率版。MoE 是 Mixture of Experts 的缩写——混合专家架构。它的总参数是26B，但每次推理时只激活其中约3.8B的参数。

你可以这样理解：它拥有26B的知识储备，但每次回答只调用其中一小部分。就像一个博士，不会把所有知识都塞进每一句回答里，而是按需调取。结果是推理速度更快，显存占用更少，跑分和31B相差不大。

两个大模型都支持最长256K token的上下文窗口。256K token大约是40万到50万个中文字，相当于一部中等长度的小说。整个代码库、整份合同、整本报告，一次性扔进去，不需要分段。在硬件要求上，未量化的版本需要一张80GB的 H100——这是专业级配置。但量化后，消费级显卡也能跑起来：26B MoE 在4比特量化下约需18GB，31B Dense 约需20GB。一台配了高端显卡的工作站，够了。

三、为什么偏偏是现在：端侧 AI 真正落地的两个条件

端侧 AI 这个词，已经被说了好几年了。每次有人说”AI 要跑在手机上”，紧跟着就是一堆限制条件：能力不够、太慢、太大、耗电太快、只能做简单任务。这些限制，不是没有道理。它们是真实存在的工程问题。但 Gemma 4 E4B 的出现，让我觉得这个局面开始松动了。不是说所有问题都解决了，而是说：卡住端侧 AI 的三个核心卡点，这次同时被突破了。

卡点一：算力

之前的端侧模型，要么太慢，要么太耗电，要么两者兼有。E4B 之所以能在手机上跑得快，是因为它从架构层面就是为端侧设计的——不是把大模型压缩后硬塞进去，而是一开始就面向边缘设备的算力约束来设计和训练。结合 Qualcomm 和 MediaTek 的芯片优化，E4B 在主流安卓旗舰上能实现接近实时的响应速度。

卡点二：体积

之前能在手机上跑的模型，能力太弱；能力够强的模型，体积又太大。E4B 量化后约5.5GB——一部高清电影的大小。对于现在动辄256GB存储的旗舰手机来说，这不是问题。更重要的是，5.5GB的体积里，装进了图像理解、音频处理、140种语言、指令跟随、函数调用的能力。这个密度，是之前的端侧模型做不到的。

卡点三：能力

这是最核心的。之前端侧模型能做的事，本质上是”比较聪明的自动补全”。Gemma 4 E4B 在多项基准测试上，超过了 Gemma 3 的27B版本——一个比它参数量大六倍的模型。这意味着：现在跑在你手机上的 AI，实际能力已经超过了一年前只有服务器才能跑的中型模型。

端侧落地之后，打开的是什么？

我觉得端侧 AI 是接下来两年最值得产品人关注的方向之一。不是因为它现在有多成熟——它有很多问题还没解决。而是因为它第一次让”本地跑”从工程师的玩具变成了真实的产品选项。

具体来说，有三类场景，之前完全做不了，现在开始可以认真想：

场景一：隐私敏感类产品

医疗问诊 App、企业内部知识库助手、法律文件分析工具。这类产品一直有一个死结：用云端 AI，数据要上传，合规风险很高；不用 AI，产品没有竞争力。

端侧模型直接解开这个死结。数据不出设备，不经过任何服务器，没有传输，没有存储，没有泄露风险。这不是技术参数的变化，是合规边界的变化。医疗和法律这两个行业，数据主权一直是云端 AI 进不去的门槛。端侧让这扇门开了一条缝。

场景二：离线场景

工厂车间、建筑工地、偏远地区、飞机上。这些场景有个共同点：网络不稳定，或者根本没有网络。之前所有依赖云端的 AI 工具，在这些场景里都是摆设。

端侧模型不需要网络。AI 变成了一个真正跟你走的工具，而不是一个需要连接才能用的服务。在工业检测、设备维护、野外作业这些场景里，这个差别是决定性的。

场景三：深度个性化

模型跑在本地，理论上可以真正记住你——你的习惯、你的偏好、你的上下文历史——而不是每次对话都从零开始。云端 AI 在这件事上有天然的劣势：数据在服务器上，个性化能力受限于隐私政策和数据孤岛。本地模型没有这个限制。未来真正能做到”了解你”的 AI 助手，很可能不是跑在云端的，而是跑在你设备上的。

AI 研究者 Nathan Lambert 在 Interconnects AI 上说过一句话，我觉得说到点子上了：开源模型的成败，从来不是发布日的跑分决定的，而是被用起来的生态决定的。端侧恰好是最难被云端替代的生态位。在这里站稳脚跟的开源模型，比在服务器上跑的开源模型，更难被替换。

这个判断我很认同。端侧不是一个细分市场，它是一种不同的权力结构：用户控制数据，用户控制模型，用户控制 AI 能做什么。这和云端模式的底层逻辑完全不同。

四、Apache 2.0：一件被严重低估的事

现在说第二件事。

2026年1月，一个做保险理赔工具的开发者，和团队开会讨论用哪个开源模型。他们测试了 Gemma 3，性能不错，对结构化输出任务很合适。然后有人问：许可证怎么样？十分钟后，他们放弃了 Gemma 3，转向了 Qwen。不是因为 Qwen 更好，是因为 Qwen 的许可证更简单。

这个故事来自独立开发者博客 mayhemcode.com 的作者，他在 Gemma 4 发布后写道：他认识的好几个开发者团队，都经历过类似的过程。Gemma 的性能够用，但那份自定义许可证让合规团队头疼，让法务审查拖延，最后很多团队直接绕开了 Gemma。4月2日，Gemma 4 发布，许可证换成了 Apache 2.0。

为什么许可证这件事，比听起来重要得多？

如果你没在企业里推过开源模型，可能很难理解这件事有多大。开源模型进企业，卡住团队的往往不是技术能力，而是法务。自定义许可证意味着：你需要让法务团队专门审查这份协议，需要评估哪些条款有风险，需要确认商业使用的边界在哪里，需要等待。

这个等待，可能是几周，也可能让整个项目搁置。Apache 2.0 没有这个问题。它是软件行业用了几十年的标准许可证。可以修改、可以商用、可以重新分发，不需要解释，不需要审批。技术团队不用等法务，直接做决定。

用那个开发者的话说：Apache 2.0 是他们其他所有开源依赖已经在用的许可证。选 Gemma 4 的决定，因此从一个法律问题变成了一个技术问题。

开源格局里，许可证是什么分水岭

我简单对比一下现在主流开源模型的许可证情况：

Qwen 系列和 Mistral 系列，都是 Apache 2.0。之前的 Gemma 3 用的是 Google 自定义许可证，有商业使用限制，条款需要专门解读。Llama 4 是 Meta 自定义的社区许可证，有月活跃用户数量上限，超过一定规模需要额外申请。

Gemma 4 现在是 Apache 2.0，和 Qwen、Mistral 站在了同一条线上。这是 Gemma 系列第一次用 OSI 认可的标准开源许可证。

VentureBeat 在报道 Gemma 4 时做了一个观察，我觉得值得记一笔：就在 Google 往更开放的方向走的同时，阿里巴巴 Qwen 系列的部分旗舰型号开始走向 API-only——只提供 API 访问，不完整开放模型权重。Qwen3.6-Plus 目前就是这种形式：可以通过 API 调用，但完整权重还没开源。

中美两家在开源这件事上，路线正在悄悄对调。这背后的逻辑不难理解：开源会让竞争对手直接拿走你的模型。当能力足够强的时候，开源的代价就变大了。阿里选择在能力到达一定水位后收紧；Google 选择在这个节点往开放走，用开放换生态。

哪条路对？现在还不知道。但我自己的判断是：Google 这次是真开放了。Apache 2.0 不是技术升级，是 Google 第一次承认，开发者才是模型未来的主人。

研究者 Sebastian Raschka 在分析中特别提到：Apache 2.0 许可证这件事”不应该被低估”——对于整个开源生态来说，许可证的门槛往往比能力的差距更难跨越。Gemma 4 跨过去了。

五、开源格局：Gemma 4 在哪个位置

说完 Gemma 4 自身，我想帮你建一个简单的认知框架：现在的开源模型格局是什么样的，Gemma 4 处于哪个位置。

Qwen3.5 / Qwen3.6-Plus（阿里）

Qwen 系列目前在编程和 Agent 工作流方向走得最深。Qwen3.6-Plus 主打”Agentic Coding”——代理式编程。它能分解复杂的工程任务，自主写代码、测试、调试，循环执行，直到完成。在 SWE-bench 这个代码工程基准测试上，Qwen3.6-Plus 的得分已经能和 Claude Opus 4.5 相比。

它的上下文窗口是100万 token，可以一次性放入整个代码仓库。代价是：旗舰版目前只有 API 访问，模型权重不完整开放。适合重度代码工作流，但对企业自部署不太友好。

Llama 4（Meta）

Llama 4 的 Scout 版本上下文窗口达到1000万 token，是目前开源模型里最长的。整个大型代码库、几百万字的文档集合，一次性放进去没有问题。

但 Meta 的许可证对大规模商用有限制——月活跃用户超过一定数量需要单独申请授权。这对大多数公司不是问题，但对某些场景是限制。

Mistral

Mistral 的优势在轻量和工具链成熟。小模型跑得很好，社区支持稳定，微调路径清晰。多语言和多模态是相对弱项。

Gemma 4

Gemma 4 的差异化不在某一项单独能力，而在一个组合：端侧优化 + 140种语言 + Apache 2.0 + 与 Google 生态的深度集成。它不是每项都最强，但它是最容易被用起来的。

特别是在三个细分场景里：需要本地跑的、面向全球多语言市场的、需要干净许可证的企业部署。在这三个方向上，Gemma 4 目前没有对手能同时满足全部条件

六、你的场景，该怎么选

说了这么多，落到实际，怎么选？

我把常见的场景拆开，一个一个说。

场景一：做移动端或边缘设备 App

选 Gemma 4 E4B。

理由：它是目前唯一一个同时满足”够小、够快、多模态、完全离线、Apache 2.0″这几个条件的模型。Google 和 Qualcomm、MediaTek 的深度合作，意味着在主流安卓芯片上有专门的性能优化，不是其他模型量化后硬跑能比的。模型约5.5GB，24GB内存的 Mac 或主流安卓旗舰都能跑。

场景二：企业内部私有化部署

选 Gemma 4 31B 或 26B MoE。

理由：Apache 2.0 许可证终结了法务审查的问题。31B 是最强版本，量化后约需20GB显存。26B MoE 性能接近，速度更快，量化后约需18GB，性价比更高。两个版本都支持256K上下文窗口，处理长文档、长合同、大型代码库没有问题。

场景三：代码 Agent、自动化工程工作流

选 Qwen3.6-Plus。

理由：这个场景 Gemma 4 暂时不是最优选。Qwen3.6-Plus 的100万上下文、原生 Agent 编程能力，更适合需要模型主动跑代码、执行工作流的场景。注意：这是预览版，数据会被用于模型改进，正式版定价还未公布。

场景四：产品面向非英语市场

选 Gemma 4 全系列。

Gemma 4 的140种语言是原生训练的，不是翻译模型加持的。社区测试显示，在德语、阿拉伯语、越南语、法语等非英语任务上，Gemma 4 的表现明显优于同等参数规模的其他开源模型。如果你的产品要服务东南亚、中东、非洲市场，这一点值得重视。

场景五：快速原型，预算有限

选 Gemma 4 E4B 本地跑，或者 Qwen3.6-Plus 的免费 API。Gemma 4 E4B 本地跑，一次下载，永久免费，没有请求限制，没有隐私问题。Qwen3.6-Plus 的 OpenRouter 免费版，适合需要更强能力但不想本地部署的情况。

两条路，各有取舍，看你的具体需求。

七、结尾

AI 从云端走到你手里，听起来像是一个技术参数的变化。但我觉得它不只是这个。

当一个 AI 模型能跑在你的手机上，完全离线，数据不经过任何服务器，你修改它、调整它、在商业产品里使用它，都不需要任何人的许可——改变的不只是部署方式，改变的是一种权力关系。

过去几年，AI 的控制权在云端服务商手里。你能用什么、能做什么、数据怎么处理，都是别人说了算的。Gemma 4 不是打破这个格局的全部，但它是一个节点。它让”本地跑”第一次变成了一个真实的、可以认真对待的产品选项。

端侧 AI 还有很多问题没解决。能力的天花板还在，硬件的门槛还在，工具链的成熟度还差一截。但方向对了。这件事开始了。