Семейство моделей Gemma 4 стало доступно в Amazon Bedrock
Amazon объявила, что семейство моделей Gemma 4 стало доступно в сервисе Amazon Bedrock. Модели разработаны Google DeepMind и распространяются по лицензии Apache 2.0. Gemma 4, семейство open-weight моделей, где упор сделан на показатель intelligence-per-parameter и возможность использовать их в разных сценариях развертывания.
В линейку входят три instruction-tuned версии: Gemma 4 31B, Gemma 4 26B-A4B и Gemma 4 E2B. В них применяются архитектуры dense и mixture-of-experts (MoE), когда при обработке запроса задействуется только часть параметров модели. Все варианты поддерживают built-in reasoning, native function calling и мультимодальный ввод, который объединяет text и image.
По данным независимых бенчмарков, Artificial Analysis сообщает об Intelligence Index на уровне 39 для Gemma 4 31B, это выше медианного значения 15 в классе 4B–40B open-weights. В Amazon Bedrock модели работают через полностью управляемый сервис AWS: инфраструктуру и inference берет на себя AWS. При этом запросы и ответы пользователей не используются для обучения моделей и не передаются третьим сторонам.
Линейка в Amazon Bedrock охватывает модели разного масштаба: от компактной с 2.3B-effective-parameter до dense-модели с 30.7B параметров. Все версии поддерживают reasoning mode, native function calling, мультимодальный ввод text и image, а также работу более чем с 35 languages при pre-training across 140+. Модели доступны в сервисных уровнях Standard, Priority и Flex.
Ключевые факты
Семейство моделей Gemma 4, созданное Google DeepMind и выпущенное под лицензией Apache 2.0, стало доступно в Amazon Bedrock.
В линейку входят три instruction-tuned модели: Gemma 4 31B, Gemma 4 26B-A4B и Gemma 4 E2B с поддержкой reasoning, native function calling и мультимодального ввода текста и изображений.
По данным Artificial Analysis, модель Gemma 4 31B имеет Intelligence Index 39 против медианного значения 15 в классе open-weights моделей 4B–40B.
Модели семейства в Amazon Bedrock охватывают диапазон от компактной версии с 2.3B effective parameters до dense‑модели с 30.7B parameters и поддерживают более 35 языков при предобучении на 140+.