گوگل: مدل Gemma 4 با دقت ۸۹.۲ درصدی در بنچمارک AIME، استدلال ریاضی را محلی کرد

اگر از سخت‌افزارهای کوچک مثل Jetson استفاده می‌کنید، قدرت پردازش شما از یک چت‌بات ساده به یک متخصص ریاضی تبدیل شده است. باید بدانید که گوگل دیپ‌مایند (Google DeepMind) در ۱۴ مه ۲۰۲۶ مدل Gemma 4 را عرضه کرد تا منطق سطح بالا را به سخت‌افزارهای محلی بیاورد.

این عرضه در حالی رخ می‌دهد که توسعه‌دهندگان به‌شدت از اشتراک‌های گران‌قیمت API فاصله می‌گیرند. همان‌طور که در تحلیل قبلی ما درباره‌ی پراکندگی سامانه‌های جستجوی گوگل اشاره کردیم، این حرکت نشان‌دهنده‌ی تلاش گوگل برای ایجاد یک اکوسیستم یکپارچه و دسترس‌پذیر است. تصور کنید یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به‌طور کامل روی لپ‌تاپ شما باشد، بدون اینکه هر ماه هزینه‌ای بپردازید.

طبق اعلام گوگل، این خانواده شامل چهار مدل است که برای سخت‌افزارهای مختلف بهینه شده‌اند. مدل Gemma 4 31B موتور اصلی این مجموعه است. این مدل در بنچمارک ریاضی AIME 2026 به دقت ۸۹.۲٪ رسید؛ عددی که در مقایسه با ۲۰.۸٪ در Gemma 3، یک جهش عظیم است. برای سرعت بیشتر، مدل 26B A4B از معماری ترکیب خبرگان (MoE) استفاده می‌کند و در هر توکن فقط ۴ میلیارد پارامتر را فعال می‌کند. کاربران لبه (Edge) نیز مدل‌های E2B و E4B را در اختیار دارند که از قابلیت‌های چندوجهی (Multimodal) — یعنی درک هم‌زمان متن، عکس و صدا، شبیه به حواس پنج‌گانه‌ی انسان — پشتیبانی می‌کنند. تمام این مدل‌ها تحت لایسنس Apache 2.0 منتشر شده‌اند.

بر اساس مستندات منتشرشده، این مدل‌ها برای توسعه‌دهندگانی که بین «استفاده از API» یا «مدل‌های ضعیف محلی» مردد بودند، راهکار نهایی است. اکنون می‌توانید مدلی را مستقر کنید که در بنچمارک $\tau^2$-bench نمره‌ی ۸۶.۴٪ گرفته و گردش‌های کاری عامل‌محور (Agentic) پیچیده را مدیریت می‌کند. همچنین هزینه ۰.۳۸ دلاری تنظیم دقیق (Fine-tuning) — که شبیه تخصص دادن به یک پزشک عمومی در یک حوزه‌ی خاص است — برای مدل E4B، شخصی‌سازی را از یک کالای لوکس به ابزاری در دسترس تبدیل کرد.

گام بعدی شما

• همین امروز مدل gemma4:31b را از طریق Ollama دریافت کنید.
• برای تنظیم دقیق با مصرف حافظه کم، کتابخانه‌ی Unsloth را بررسی کنید.
• عملکرد مدل را در حل مسائل ریاضی پیچیده با نسخه‌های قبلی مقایسه کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک لایه‌ی زیرساختی این مدل‌ها، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.