GemmaはGoogle DeepMindのオープンモデル製品ラインで、Geminiと同じ研究を基盤としながら、自分で実行できる重みとして公開されています。Gemma 4はApache 2.0ライセンスで提供され、スマートフォンやRaspberry Piから単一のコンシューマー向けGPUまで対応する構成が揃います。
このツールを使いましたか？評価してください
GemmaはGoogle DeepMindが公開しているオープンモデルのファミリーです。公式の製品ハブでは「Gemma / 最も高性能なオープンモデル」として紹介され、Open modelsというナビゲーション項目の下に置かれています。ここはGemini、Veo、Imagenといった、APIを通じてのみ利用できるプロプライエタリな製品ラインとは意図的に分けられた場所です。この配置自体が、この項目について最も重要な事実を示しています。手に入るのはアカウントと従量メーターではなく、自分でダウンロードし、自分でホストし、自分で動かすモデルの重みだからです。
名前については正確に押さえておく必要があります。混乱の大半はここから始まるためです。Google DeepMindは研究組織であり、GeminiはGoogle自社製品やAPIを通じて提供される旗艦のプロプライエタリモデル群、そしてGemmaはそのオープンな兄弟にあたります。Gemma 4ページの表現を借りれば「Gemini 3の研究と技術から構築され、パラメータあたりの知能を最大化することを目指した、最も知的なオープンモデル」です。この3つの名前はディレクトリサイトやニュースアグリゲーターで日常的に混同されますが、それぞれ組織、ホスト型モデル、ダウンロード型モデルという別物を指しています。このページが扱うのは3番目です。
Gemmaの設計意図は、この開放性から直接導かれます。Googleが掲げる目標はリーダーボードでの首位ではなく可搬性です。「最先端のオープンモデルは、開発者がユーザーの必要とする場所ならどこでも動くAIアプリケーションを作れるよう支援します。クラウドサーバーからノートPC、さらにはスマートフォンまで。」このファミリーの他のすべての特徴、すなわち異様に幅広いパラメータ帯、Mixture-of-Experts版、小型モデルにおけるレイヤー単位の埋め込み技術は、いずれもこの一文の派生物です。Gemmaは同じモデルファミリーをJetson Nanoにも、アクセラレータのラックにも展開でき、その間でベンダーを乗り換えたりアプリケーションを書き直したりしなくてよいように設計されています。
開放性にはもう一つ実務上の帰結があります。重みがサービスとして提供されるのではなく配布されるため、ここにはサインアップフローもシート数もなく、Googleからトークン単位の請求書が届くこともありません。それらの代わりに存在するのが、ライセンスと、ハードウェアの費用と、完全に自分が背負う運用負担です。Gemmaを評価する作業の大半は、この3つがそれぞれどこに落ちるのかを見極めることに費やされます。
Googleは同時に、Gemmaを生の研究成果物ではなく責任ある展開のための道具として位置づけています。Open models欄に添えられた一行の定義は「責任を持ってAIアプリケーションを大規模に構築する」であり、ファミリーには実際に専用の安全性分類器バージョンが付属します。ただしこの位置づけが実際に成立するかどうかは、モデルの周囲に何を組み上げるかに大きく左右されます。公式ドキュメントはこの点を非常に率直に述べており、本稿の制限の項目で改めて触れます。
Gemmaの導入で最も難しいのはインストールではなく、梯子のどの段を選ぶかです。各サイズは互換ではなく、決め手になるのはたいていベンチマーク表ではなく既に持っているハードウェアです。
エッジ階層（E2B、E4B）。 Googleはこの階層を制約のあるデバイス向けと明確に位置づけています。「リアルタイムのエッジ処理に向けた音声と視覚のサポート。スマートフォン、Raspberry Pi、Jetson Nanoといったエッジデバイス上で、完全にオフラインかつほぼゼロの遅延で動作します。」オフライン動作が最大の特性です。推論がネットワークなしで機能しなければならないという要件、たとえば車内、診療所、工場の現場、通信環境の乏しい教室といった場面があるなら、この階層こそGemmaを検討する根本的な理由になります。引き換えに、より短いコンテキストウィンドウと、難しい推論や長文検索における明確に弱い性能を受け入れることになります。
ワークステーション階層（12B、26B A4B、31B）。 この階層が狙うのはデータセンター用アクセラレータではなくコンシューマ向けグラフィックスカードです。Googleの説明では「IDE、コーディングアシスタント、エージェントワークフローに向けた高度な推論能力を提供します。これらのモデルはコンシューマGPU向けに最適化されており、学生、研究者、開発者がワークステーションをローカルファーストのAIサーバーに変えられるようにします。」その中で26B A4Bは注目に値する中間の選択肢です。総パラメータは25.2Bですが推論時に活性化するのは約3.8Bであり、速度面では小型モデルに近く振る舞いながら、より大きな容量を保持します。30.7Bパラメータに256Kウィンドウを備えた31Bの密モデルが、このファミリーの上限です。
前世代も依然として重要です。 Gemma 3は消えていません。今も270M、1B、4B、12B、27Bの5サイズで提供され、128Kトークンのウィンドウを備えています。Google自身の説明である「Gemma 3の128Kトークンのコンテキストウィンドウにより、アプリケーションは膨大な情報を処理し理解できるようになり、より高度なAI機能が可能になります」は、今でも実用に耐えるモデルを描写しています。とりわけ270MというサイズにはGemma 4に対応する型番がないため、極端に制約された展開では前世代が唯一の選択肢になることがあります。決定的に重要なのは世代間でライセンスが異なる点であり、これは次の項目で扱います。
実務的な選定の指針はこうです。リーダーボードではなく展開先から出発してください。携帯端末上でオフラインで動く必要があるなら、あなたはエッジ階層にいるのであり、実際のタスクで早い段階に品質を検証すべきです。現行のコンシューマGPUが1枚あり、ローカルのコーディング補助やエージェント補助が欲しいなら12Bから始め、品質が足りないと分かったときだけ上に移ってください。音声入力が必要ならE2B、E4B、12Bに範囲を絞ります。最高品質を求めハードウェアが許すなら、31Bの密モデルがこのファミリーの天井です。
この項目は二度読む価値があります。Gemmaについて最も広く繰り返される一文、すなわち「GemmaはApache 2.0ライセンスである」が、現行世代についてのみ真だからです。
Gemma 4は確かに正真正銘の標準的なオープンソースライセンスへ移行しました。Googleのオープンソース公式ブログは率直に述べています。「Gemma 4モデルは、OSIが承認したApache 2.0ライセンスの下で公開されたGemmaverse初のモデルです。」公式モデルカードも機械可読な形でこれを裏づけており、front matterのフィールドには単にlicense: apache-2.0と記されています。したがってGemma 4に関しては、開発者が期待する再配布と商用利用の性質を備えた、OSI承認の寛容なライセンスを扱うことになります。
以前の世代は事情が異なります。Hugging Faceの公式google組織にあるリポジトリのメタデータは、この線引きを明確に示しています。Gemma 4のリポジトリはapache-2.0タグを持つ一方、gemma-2、gemma-3n、gemma-7bなどのリポジトリは今もGoogle独自のgemmaライセンスでタグ付けされています。第三者によるバージョン整理も同じ移行を記録しており、GoogleがGemma 4を「自由でオープンソースのApache 2.0ライセンスの下で」公開した一方、以前の世代はsource-availableなGemma利用規約で配布されていたと明記しています。
実務上の帰結は具体的です。コンプライアンス手続きが「Gemma」をApache 2.0の依存関係として承認し、その後エンジニアがGemma 3やGemma 2のチェックポイントを取得した場合、それらの型番は今も現行かつ保守されており時にはより適切ですから十分あり得る話ですが、実際に展開を規律するライセンスは手続きが承認したものではありません。本稿のこの一文も含め、ファミリー単位の記述に頼らず、毎回ダウンロードするその具体的なリポジトリのライセンスフィールドを確認してください。
導入規模についてGoogleは「初回のローンチ以来、コミュニティはGemmaモデルを4億回以上ダウンロードし、コミュニティでGemmaverseと呼ばれる10万を超える意欲的な派生モデルを構築してきました」と報告しています。これらは独立監査を経ていないベンダー自己申告の数値です。エコシステムが放置されていないという信号としては有用ですが、品質の指標として読むべきではありません。
配布はGoogle自社のプロパティに集約するのではなく、開発者が既に使っているツール群の上に意図的に広く展開されています。公式ハブが挙げるプラットフォームと統合先には、Kaggle、Hugging Face、Keras、Ollama、PyTorch、Gemma.cpp、JAX、Google AI Edge、Google Cloud、Android、LM Studio、Unslothが含まれます。
重みに限れば、Gemma 4ページはダウンロード先と学習・展開の経路を分けて示しており、重みのダウンロードはHugging Face、Ollama、Kaggle、LM Studio、Dockerを指しています。実際のところ、最速の経路はGemma固有のツールではなく、あなたが既に持っているスタックによって完全に決まります。
サポート体制は契約型ではなく、コミュニティとドキュメントの形をとります。公式ハブは「Gemmaでアプリケーションを構築するための公式ドキュメント、クイックスタート、ガイド」を案内し、質問は開発者フォーラムへ誘導します。オープンモデルをダウンロードすることにSLAもチケットのキューも担当者も付いてきません。原理としては自明なトレードオフですが、本番環境では時として想定外に感じられます。
GoogleはGemma 4と前世代を比較したベンチマーク表を公開しており、推論負荷の高いタスクでの世代間の跳ね上がりは大きなものです。ツールを使わないAIME 2026の数学では、31Bモデルが89.2%と報告され、Gemma 3 27Bは20.8%です。Gemma 4ページに公開された他の数値は、アリーナ評価、競技プログラミング、大学院レベルのQAなどを扱っています。
この表のあらゆる数値には2つの注意が伴います。第一に、これらは結果に利害関係を持つ当事者が生み出したベンダー自己申告の結果であり、独立した知見ではなく妥当な初期仮説です。第二に、代表的な平均値は、展開において最も響くサイズ依存の性能の断崖を覆い隠します。長いコンテキストでの検索が最も分かりやすい例です。MRCR v2の8-needle 128K検索指標では、モデルカードは最大モデルを66.4%と報告し、サイズが小さくなるごとに急激に下がっていきます。長いウィンドウに対応すると謳われたモデルが、そのウィンドウを確実に活用できるとは限らず、この指標における梯子の上下の差は、一般知識ベンチマークでの差よりはるかに大きいのです。
独立した論評は関連する構造的な懸念を提起しています。Gemma 4のテクニカルレポートを分析した記事は、同レポートが「性能向上をデータ構成の功績とした上で、自らの学習データを2文で説明している」と指摘します。コーパスの構成が詳細に開示されていないため、外部の第三者はベンチマーク汚染を独立に評価することも、領域カバレッジを検証することもできません。これは公表された数値を無効にするものではありませんが、あなたのユースケースについて問題を完全に決着させる唯一のベンチマークは、自前の保留データで自ら実行したものだということを意味します。
Gemmaは、利便性よりも展開の主導権を重視する開発者、研究者、技術チームに向いています。ハードウェアを用意し、配信スタックを選び、運用面を引き受けることに無理がないなら、このファミリーは単一のベンダーから一貫したツールとともに、異例なほど幅広いサイズの梯子を提供します。
ホスト型APIでは満たせない厳しい制約を抱える組織にも向いています。オフライン動作、データ所在地、コードの機密性、あるいは規模においてトークン単位の課金を成り立たなくするユニットエコノミクスがそれにあたります。こうした場合、運用負担は欠点ではなく、他の方法では満たせない要件に対して支払う対価です。
モデルを改変するつもりの人にも向いています。ファインチューニング、量子化、蒸留、デバイスイメージへのモデル組み込みは、いずれも重みを必要とします。計画にこれらの動詞のいずれかが含まれるなら、オープンモデルは数ある選択肢の一つではなく、条件を満たす唯一のカテゴリです。
ブラウザのタブを開いて結果を得たいだけの非技術ユーザーには向きません。ここに消費者向け製品はありません。AI Studioでの試用を除けば、Gemmaを使うということはエンジニアリング作業を意味します。「AIアシスタントと会話したい」というニーズの人には、ホスト型製品、おそらくGeminiの方が適しており、この項目は不要な回り道になります。
契約上のサポート保証を必要とするチームにも疑問符が付きます。ドキュメントと開発者フォーラムがサポートのすべてです。調達手続きがSLAとエスカレーション経路を備えたベンダーを要求するなら、背後にどれだけ大きな企業がいようと、オープンモデルのダウンロードはそれを提供しません。
Google自身のドキュメントはモデルの境界について異例なほど率直であり、こうした自己申告の限界は帰属が明確な分、多くの第三者の批判より有用です。
知識ベースではありません。 モデルカードはモデルが「学習データセットから学んだ情報に基づいて応答を生成しますが、知識ベースではありません。不正確または古い事実の記述を生成することがあります」と述べています。事実性の出力は検索結果ではなく、検証を要する対象として扱ってください。
学習データにはカットオフがあります。 文書化された事前学習のカットオフは2025年1月で、ウェブ文書、コード、数学、画像、音声を含みます。それ以降のことはモデルの知識の外にあるため、時事性が問われる用途ではサイズにかかわらず外部検索が必要です。
開放的なタスクは明確に定義されたタスクより難しくなります。 モデルカードの表現では、モデルは「明確なプロンプトと指示で枠付けできるタスクではよく機能します。開放的、あるいは非常に複雑なタスクは難しい場合があります。」プロンプトの構造は実際に効きます。
能力は梯子全体で一様ではありません。 これは実務で最もよくある失望の原因なので強調に値します。音声入力はE2B、E4B、12Bにしか存在しません。長いコンテキストでの検索は小さいモデルほど急激に劣化します。31Bで確認できた能力がE2Bに引き継がれると仮定してはいけません。
専門的助言は適用範囲外です。 Google自身のフッターでの案内は明確です。「医療、法律、金融その他の専門的な助言をLLMに頼らないでください。これらの主題に関する内容はすべて情報提供のみを目的としており、資格を持つ専門家の助言に代わるものではありません。」MedGemmaの存在もこの点を変えません。領域チューニングされたモデルであっても臨床医ではないのです。
学習データの透明性は限定的です。 前述のとおり、独立した分析は学習データの説明が簡略にすぎると批判しています。モデルに何が入ったのかを完全に監査することはできません。
運用負担を引き受けることになります。 ホスト型エンドポイントがないということは、可用性、スケーリング、セキュリティパッチ、GPU容量計画、コストがすべて自分の担当になるということです。小規模チームでは、意思決定の時点でこの点が過小評価されがちです。
オープンモデルのプライバシー上の立ち位置は、ホスト型サービスとは構造的に異なり、その違いは両方向に働きます。
利点としては、自己ホストであれば推論データがそもそも自社インフラを出る必要がありません。ベンダー側の推論が存在しない以上、ベンダー側のプロンプトログについて交渉する必要もありません。機密性の高いワークロードにおいては、これがこのカテゴリ全体で最も強い論拠です。
学習面については、Googleは事前学習コーパスへのフィルタリング作業を報告しています。「Gemmaの事前学習モデルを安全で信頼できるものにする一環として、自動化された手法を用いて学習セットから特定の個人情報やその他の機微なデータを除去しました」とし、CSAMフィルタリングを複数段階で適用したと説明しています。これは手続きに関するベンダーの陳述であって独立監査ではなく、そのように読むべきものです。
Gemmaを展開する人にとって決定的なのは、Googleが下流の安全性責任を明示的にあなたに割り当てている点です。モデルカードはプライバシー侵害を特定されたリスクとして挙げ、「開発者はプライバシー保護技術を用いてプライバシー規制を遵守することが推奨されます」と述べています。コンテンツの安全性についても同様に直接的です。「開発者は慎重を期し、各自の製品ポリシーとアプリケーションのユースケースに基づいて適切なコンテンツ安全対策を実装することが推奨されます。」
この責任配分は形式的なものではありません。ホスト型APIでは、望むと望まざるとにかかわらず、ベンダーのモデレーション層が利用者と生のモデルの間に入ります。重みをダウンロードするとき、その層は一緒には付いてきません。ガードレール、不正利用の監視、ログ方針、年齢制限、規制対応は、いずれも自分で作る成果物になります。ShieldGemma 2はその一部を助けてくれますが、それを組み込むのはあなたの仕事です。
インフラ面では、Googleは「Gemma 4モデルは当社のプロプライエタリモデルと同じ厳格なインフラセキュリティのプロトコルを経ています」と述べ、このファミリーを企業や主権機関にとって信頼できる基盤として位置づけています。この主張はモデルがどのように生産され公開されるかに関するものであって、その後あなたがどう運用するかに関するものではありません。
Gemmaの誠実な比較対象は、ホスト型アシスタントではなく他のオープンウェイトのファミリーです。自己ホストするかどうかという判断が先にあり、どのモデルをホストするかは後に来るからです。
Geminiとの比較は、実のところ品質ではなく展開モデルについての問いです。GeminiはGoogleが配信し管理し継続的に更新します。Gemmaはあなたがダウンロードし、自ら運用し、バージョンを固定します。自己ホストを強いる制約がないなら、ホスト型の経路の方がはるかに手間がかかりません。そうした制約が実際にあるなら、Geminiはいくら払っても要件を満たせません。
他のオープンウェイトのファミリーとの比較では、通常Llama、Qwen、Mistral系列が比較対象になりますが、Gemmaの差別化要因はサイズの梯子の幅、とりわけ小型側での幅、現行世代のApache 2.0ライセンス、そして公式の領域別派生モデルの厚みです。ただし競合の動きは速く、どのモデルが品質で先行しているかという主張の賞味期限は短いものです。本稿の記述も含め一般的な順位づけを信じるより、意思決定の時点で自分のタスクを使って評価してください。
ローカルで何も動かさないという選択との比較なら、計算は単純です。ホスト型APIは最初の結果までの速さで勝り、データの管理、オフライン能力、規模における限界費用で劣ります。この3つの要因のうち少なくとも1つが好みではなく厳格な要件であるとき、Gemmaの運用コストは支払う価値があります。
ファミリー内部で最も過小評価されている代替は前世代です。Gemma 3にはGemma 4にない270Mのサイズがあり、極度に制約された展開ではそれが決め手になり得ます。ただし前述したライセンス条件の違いも併せて勘定に入れることが前提です。
重みは無料でダウンロードでき、計算資源はあなたが用意するためGoogleからトークン単位の課金もありません。Gemma 4はOSI承認のApache 2.0ライセンスで公開されています。実際にかかるのはハードウェア、電力またはクラウドインスタンスの時間、そしてモデルを自ら運用するエンジニアリングの労力です。ここでの「無料」は「費用がかからない」ではなく「ライセンス料がかからない」という意味です。
Gemma 4についてはApache 2.0ライセンスがその標準的な条件の下で商用利用、改変、再配布を認めています。それ以前の世代は別途確認が必要です。Gemma 2、Gemma 3nその他の旧リポジトリは今もApache 2.0ではなくGoogle独自のgemmaライセンスでタグ付けされており、その独自条件にはApache 2.0にはない利用制限が含まれます。必ず実際にダウンロードするリポジトリのライセンスフィールドを確認してください。
Geminiはホスト型サービスとして利用するGoogleのプロプライエタリなモデルファミリーです。Gemmaは重みを自らダウンロードして実行するオープンなファミリーで、関連する研究から構築されています。Gemma 4ページはこれをGemini 3の研究と技術から構築されたと説明しています。系譜は同じで配布モデルは正反対です。なおGoogle DeepMindは、その両方を公開している研究組織です。
選ぶサイズによって完全に変わります。E2BとE4BはRaspberry PiやJetson Nanoを含むスマートフォンや小型ボード向けに作られており、完全にオフラインで動作できます。12B、26B A4B、31BはコンシューマGPUを狙っています。26B A4BはMixture-of-Expertsの設計で、推論時に25.2Bのパラメータのうち約3.8Bを活性化するため総サイズが示唆するより高速に動き、多くの場合このファミリーでVRAMあたりの容量効率が最も良い選択になります。
ワークステーション階層は最大256Kトークン、エッジモデルはより小さい128Kのウィンドウを備えます。ウィンドウに対応していることと、それを確実に活用できることは別だという点に注意してください。モデルカードの長いコンテキストでの検索指標では、最大モデルが66.4%に達する一方、小さいサイズは急激に落ち込みます。長いコンテキストを前提に設計する前に、実際に使う長さで検索の挙動を試してください。
画像と動画の理解はGemma 4のライン全体で利用でき、交互に配置されたマルチモーダル入力にも対応します。音声は例外です。公式モデルカードは自動音声認識と音声から翻訳テキストへの変換をE2B、E4B、12Bに限定しています。音声入力が要件であれば、最大の2モデルは選択肢から外れます。
Googleは140言語への対応を表明し、目標を逐語的な翻訳ではなく文化的文脈の理解として位置づけています。ただし広範な多言語対応の主張の常として、その範囲内で品質はかなり幅があります。一様であると仮定せず、具体的な対象言語で性能を検証してください。
自己ホストするなら、推論データが自社インフラを出る必要はありません。これはオープンウェイト方式が持つ最も強力なプライバシー特性です。ただしGoogleは下流の責任を明示的にあなたに割り当てており、プライバシー保護技術を用いて規制を遵守するよう推奨しています。データ保護の遵守、ログ方針、コンテンツ保護策は、あなたが設計し実装するものです。
できます。ファインチューニングはGoogleがこのファミリーについて挙げる5つの機能の一つであり、公式の配布ページはUnsloth、Keras、JAX、GKEを含む学習ツールへ導線を引いています。得られたモデルはあなたの管理下に留まり、これはチームがホスト型APIではなくオープンウェイトを選ぶ主な理由の一つです。
Gemma 4は推論系ベンチマークでより強く、より寛容なApache 2.0ライセンスを採用しているため既定の選択肢です。Gemma 3は2つの場面で依然として意味を持ちます。Gemma 4に対応する型番がない270Mのサイズが必要なとき、そして既存のツールが既にそれに固定されているときです。Gemma 3を選ぶ場合は、そのライセンス条件がGemma 4とは異なり、別途確認が必要であることを忘れないでください。
