Sunday, 22 November 2026 | Updating Daily AI insight, written for builders

Ollama Gemma 4: Modelli Gemma attuali e come eseguirli

Aggiornato · Pubblicato originariamente
  • Gemma 4 è disponibile e nella Ollama libreria come gemma4. Google l'ha rilasciato il 31 marzo 2026 in dimensioni E2B, E4B, 26B A4B e 31B, e ha aggiunto il modello 12B Unified il 3 giugno 2026.
  • Esegui ollama run gemma4 per il modello E4B predefinito, oppure scegli una dimensione: gemma4:e2b, gemma4:12b, gemma4:26b o gemma4:31b.
  • I download a 4 bit (q4_K_M) sono 4,6 GB (E2B), 6,6 GB (E4B), 8,0 GB (12B), 18 GB (26B) e 20 GB (31B). Il contesto è 128K token su E2B e E4B e 256K sulle dimensioni maggiori.
  • Gemma 4 è rilasciato sotto Apache 2.0. Gemma 3 e Gemma 2, ancora su Ollama, utilizzano i Termini di utilizzo di Gemma di Google.
  • I dati di velocità in questa pagina sono etichettati come limiti di larghezza di banda della memoria, non misurazioni; le velocità reali sono più basse.

Gemma 4 è disponibile su Ollama?

Sì. Gemma 4 si trova nella libreria Ollama come gemma4, in cinque dimensioni: E2B, E4B, 12B, 26B (un modello mixture-of-experts con circa 3,8B parametri attivi) e 31B. Installa o aggiorna Ollama, quindi esegui ollama run gemma4 per il modello E4B predefinito, oppure aggiungi un tag di dimensione come gemma4:12b. Ogni tag accetta testo e immagini, e le dimensioni maggiori leggono fino a 256K token di contesto.

Dimensioni di Gemma 4 su Ollama

I conteggi dei parametri e le finestre di contesto qui sotto provengono dalla scheda del modello Gemma 4 di Google. Le dimensioni di download sono le build q4_K_M elencate nella pagina dei tag di Ollama.

Modello Parametri Contesto Comando Ollama Download a 4 bit (q4_K_M)
Gemma 4 E2B 2,3B effettivi (5,1B con embedding) 128K ollama run gemma4:e2b 4,6 GB
Gemma 4 E4B (predefinito) 4,5B effettivi (8B con embedding) 128K ollama run gemma4 6,6 GB
Gemma 4 12B Unified 11,95B 256K ollama run gemma4:12b 8,0 GB
Gemma 4 26B A4B (MoE) 25,2B totali, 3,8B attivi 256K ollama run gemma4:26b 18 GB
Gemma 4 31B (denso) 30,7B 256K ollama run gemma4:31b 20 GB

La «E» in E2B e E4B sta per parametri effettivi: Google dice che i modelli piccoli utilizzano Per-Layer Embeddings per massimizzare l'efficienza dei parametri sui dispositivi, e la sua scheda elenca 5,1B e 8B parametri una volta conteggiati quegli embedding, ecco perché i file sono più grandi del conteggio effettivo suggerito. La «A» in 26B A4B sta per parametri attivi. La scheda del modello di Google dice che «funziona quasi alla stessa velocità di un modello con parametri 4B», mentre richiede comunque la memoria di un modello con circa 25B parametri.

I tag semplici come gemma4:31b mostrano un intervallo di dimensioni nella pagina di Ollama, perché più di una build si trova dietro di loro. Se vuoi un file prevedibile, specifica la build: gemma4:31b-it-q4_K_M (20 GB), gemma4:31b-it-qat (19 GB), gemma4:31b-it-q8_0 (34 GB) o gemma4:31b-it-bf16 (63 GB). Lo stesso schema funziona per le altre dimensioni. Ollama elenca anche tag cloud, gemma4:cloud e gemma4:31b-cloud, che funzionano sui server di Ollama invece che sulla tua GPU; il nostro Spiegazione di Ollama Cloud spiega come funzionano.

Come eseguire Gemma 4 con Ollama

Se non hai ancora Ollama, segui la Guida all'installazione di Ollama. Se lo hai già e il pull non funziona, aggiorna Ollama innanzitutto, poiché le nuove famiglie di modelli di solito richiedono un rilascio recente. Quindi, su macOS, Linux o Windows:

# Dimensione predefinita (E4B)
ollama run gemma4

# Scegli una dimensione
ollama run gemma4:e2b
ollama run gemma4:12b
ollama run gemma4:26b
ollama run gemma4:31b

# Scarica senza avviare una chat
ollama pull gemma4:12b

Modalità di ragionamento

Tutte le dimensioni di Gemma 4 possono ragionare prima di rispondere. La scheda del modello di Google dice che il ragionamento è attivato inserendo il <|think|> token all'inizio del prompt di sistema, e disattivato rimuovendolo. L'API di Ollama ha anche un ragionare parametro: true richiede il ragionamento, false richiede nessun output di ragionamento se il modello lo consente, e lasciarla non impostata usa il valore predefinito del modello.

Utilizzo di Gemma 4 dal codice

Ollama serve un'API locale su http://localhost:11434:

curl http://localhost:11434/api/generate -d '{
  "model": "gemma4",
  "prompt": "Explain quantum entanglement in simple terms.",
  "stream": false
}'

Offre anche un endpoint compatibile con OpenAI, quindi il codice client OpenAI esistente funziona cambiando l'URL di base. Il client ha bisogno di un valore di chiave API, ma Ollama lo ignora:

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:11434/v1/",
    api_key="ollama",  # required but ignored
)

response = client.chat.completions.create(
    model="gemma4:12b",
    messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)

Quanta memoria richiede ogni dimensione?

La dimensione del download è il limite inferiore: i pesi devono stare nella memoria GPU (o nella memoria unificata Apple) per la velocità massima. La finestra di contesto ha bisogno di memoria in più, e cresce con la lunghezza del contesto che consenti. La documentazione di Ollama dice che sceglie un contesto predefinito dalla VRAM rilevata: 4K token sotto 24 GiB, 32K da 24 a 48 GiB, e 256K a 48 GiB o più. Puoi sostituirlo con OLLAMA_CONTEXT_LENGTH quando avvii il server, e ollama ps mostra nella sua colonna PROCESSOR se parte del modello è traboccata sulla CPU.

Dimensione Pesi a 4 bit La nostra regola pratica per un adattamento completo della GPU
E2B 4,6 GB GPU da 8 GB e la maggior parte dei laptop recenti
E4B 6,6 GB GPU da 8 GB con contesto breve; 12 GB è più comodo
12B 8,0 GB GPU da 12 GB; 16 GB per contesti più lunghi
26B A4B 18 GB GPU da 24 GB, o Mac e PC Strix Halo con 32 GB o più
31B 20 GB GPU da 24 GB con contesto modesto, o memoria unificata da 32 GB o più

La regola pratica è la nostra stima dalle dimensioni dei file, non un limite misurato. Per una cifra che tiene conto della lunghezza del tuo contesto, usa il Calcolatore VRAM, e vedi Requisiti VRAM per modello per altre famiglie.

Quanto è veloce Gemma 4? Stime etichettate

Né la scheda del modello di Google né la pagina della libreria di Ollama pubblicano figure di token al secondo per Gemma 4 su GPU consumer. Quello che può essere elaborato è un limite massimo. Quando un utente genera testo, ogni nuovo token richiede la lettura dei pesi del modello dalla memoria, quindi la larghezza di banda della memoria divisa per i gigabyte letti per token è un limite superiore sulla velocità di generazione.

Modello (q4_K_M) NVIDIA RTX 4090 (1.008 GB/s, 24 GB) Apple M4 Pro (273 GB/s) AMD Ryzen AI Max+ 395 (256 GB/s)
Gemma 4 12B (8,0 GB) ~126 token/s limite massimo ~34 token/s limite massimo ~32 token/s (limite teorico)
Gemma 4 31B (20 GB) ~50 token/s massimo ~14 token/s (limite teorico) ~13 token/s limite massimo

Assunzioni: un utente, l'intero download letto una volta per token generato, e nessun margine per la cache KV, limiti di calcolo o overhead software. Questi sono limiti aritmetici, non misurazioni da Convly AI, e le velocità reali sono inferiori. Come punto di calibrazione, la classifica pubblica CUDA di llama.cpp mostra un RTX 4090 che genera circa 186 token/s su Llama 2 7B a Q4_0, un file da 3,83 GB. Il suo limite massimo con la stessa aritmetica è circa 263 token/s, quindi quel risultato è approssimativamente il 70% del limite massimo.

Due dimensioni non si adattano a questo modello semplice. Il 26B A4B legge solo i suoi approssimativamente 3,8B parametri attivi per ogni token, quindi genera molto più velocemente di quanto il suo file da 18 GB suggerisca; Google lo descrive come funzionante quasi veloce quanto un modello 4B. E2B ed E4B includono Per-Layer Embeddings che non sono tutti letti per ogni token, quindi un limite massimo basato sulla loro dimensione di file sottostimarrebbe. Per il consiglio di acquisto della GPU, vedi il migliori GPU per eseguire LLM localmente, e per come la memoria unificata Apple e AMD si confrontano, il nostro Strix Halo vs M4 Pro comparison.

Generazioni precedenti di Gemma su Ollama

Gemma 3 e Gemma 2 sono ancora nella libreria Ollama. Gemma 4 li sostituisce per i nuovi progetti, con contesto più lungo e una licenza più permissiva.

Famiglia Tag Ollama (dimensione del download) Contesto Input Licenza
Gemma 3 (marzo 2025; 270M aggiunto agosto 2025) gemma3:270m (292 MB), gemma3:1b (806 MB), gemma3:4b (3,4 GB), gemma3:12b (8,2 GB), gemma3:27b (17 GB) 32K (270M, 1B); 128K (4B, 12B, 27B) Testo (270M, 1B); testo e immagine (4B e superiori) Termini di utilizzo Gemma
Gemma 2 (giugno e luglio 2024) gemma2:2b (1,6 GB), gemma2:9b (5,4 GB), gemma2:27b (16 GB) 8K Testo Termini di utilizzo Gemma

Google’s Gemma 4 model card, whose table Ollama’s Gemma 4 page reproduces, puts Gemma 4 31B at 85.2% on MMLU Pro and 84.3% on GPQA Diamond, against 67.6% and 42.4% for Gemma 3 27B (senza thinking). Questi sono punteggi riportati dai fornitori. Il nostro pagina del modello Gemma 3 27B ha le specifiche di quel modello, e il Elenco modelli Ollama e migliori modelli locali per Ollama copre alternative come Llama, Mistral e Qwen.

Tuning di Gemma 4 con un Modelfile

La scheda modello di Google consiglia una configurazione di campionamento per ogni caso d'uso: temperature 1.0, top_p 0.95 e top_k 64. Puoi incorporarli, una lunghezza di contesto e un prompt di sistema nel tuo modello con un Modelfile:

FROM gemma4:12b

PARAMETER temperature 1.0
PARAMETER top_p 0.95
PARAMETER top_k 64
PARAMETER num_ctx 32768

SYSTEM You are a technical documentation assistant. Give accurate, concise answers with code examples.

Quindi crealo ed eseguilo:

ollama create my-gemma -f ./Modelfile
ollama run my-gemma
  • temperature: valori più alti rendono le risposte più creative.
  • top_p e top_k: limita i token da cui il modello campiona.
  • num_ctx: la finestra di contesto; valori più grandi utilizzano più memoria.
  • num_predict: il numero massimo di token da generare.

Per confrontare l'esecuzione di Gemma localmente rispetto a un'API ospitata, il calcolatore self-hosting vs API trova il punto di pareggio per il tuo utilizzo.

Risoluzione dei problemi

«Model not found» o il pull non riesce: controlla l'ortografia del tag rispetto alla pagina gemma4 di Ollama e aggiorna Ollama.

La generazione è lenta: eseguire ollama ps. Se la colonna PROCESSOR mostra parte del modello sulla CPU, il modello e il suo contesto non si adattano alla memoria della GPU. Riduci il contesto con OLLAMA_CONTEXT_LENGTH o scendi di una dimensione. La nostra guida a Ollama non utilizza la GPU copre le altre cause.

GPU non rilevata: La documentazione di Ollama elenca le GPU NVIDIA con compute capability 5.0 o superiore e driver 550 o superiore. Su AMD richiede lo stack driver ROCm v7; su Windows il suo elenco ROCm copre le schede Radeon RX 7000 e Radeon PRO W7000, e Vulkan fornisce supporto GPU aggiuntivo su Windows e Linux. Su Mac, Ollama utilizza l'API Metal di Apple per l'accelerazione GPU.

L'API non restituisce nulla: assicurati che il server sia in esecuzione e raggiungibile a http://localhost:11434, e che il modello sia stato scaricato.

Domande frequenti

Gemma 4 è disponibile su Ollama?

Sì. Si trova nella libreria Ollama come gemma4, in dimensioni E2B, E4B, 12B, 26B e 31B. Google ha rilasciato Gemma 4 il 31 marzo 2026 e ha aggiunto il modello 12B Unified il 3 giugno 2026. Esegui ollama run gemma4 per il modello E4B predefinito, oppure aggiungi un tag di dimensione.

Con quale dimensione di Gemma 4 dovrei iniziare?

Il nostro suggerimento: E4B, il predefinito, su laptop e GPU da 8 GB; 12B su GPU da 12 a 16 GB; 26B A4B su GPU da 24 GB se vuoi velocità; 31B su GPU da 24 GB o Mac da 32 GB o superiori se vuoi il modello denso più potente. La tabella qui sopra elenca ogni dimensione di download.

Posso utilizzare Gemma 4 commercialmente?

La scheda modello di Google elenca Gemma 4 sotto la licenza Apache 2.0, che consente l'uso commerciale, la modifica e la ridistribuzione secondo i suoi termini. Gemma 3 e Gemma 2 utilizzano i Gemma Terms of Use separati di Google, quindi leggili prima di distribuire un prodotto su un modello più vecchio.

Gemma 4 su Ollama comprende immagini e audio?

Immagini, sì: la pagina dei tag di Ollama elenca input di testo e immagine per ogni tag Gemma 4. L'audio dipende dalla dimensione. La scheda modello di Google elenca input audio per E2B, E4B e il modello Unified 12B, ma non per 26B A4B o 31B. La pagina della libreria di Ollama mostra un badge audio per la famiglia, quindi se hai bisogno di audio, scegli una delle tre dimensioni più piccole.

Come attivo o disattivo il thinking di Gemma 4?

Google dice che il thinking è abilitato inserendo il token think all'inizio del prompt di sistema e disabilitato rimuovendolo. Tramite l'API di Ollama puoi anche impostare il parametro think su true o false, o lasciarlo non impostato per utilizzare l'impostazione predefinita del modello.

Gemma 4 può funzionare senza GPU?

Sì. Ollama può eseguire un modello sulla CPU, ma la generazione è quindi limitata dalla larghezza di banda della memoria di sistema, che è molto inferiore a quella di una GPU moderna. E2B ed E4B sono le scelte realistiche sulla sola CPU.

Scritto da Mustafa Ihsan

Mustafa Ihsan è il fondatore e redattore di Convly.ai. Ha costruito e mantiene il database live dei modelli AI del sito, il suo indice prezzo-performance e i suoi calcolatori gratuiti per i requisiti di VRAM, i costi API e l'economia dell'hosting autonomo. Scrive su prezzi dei modelli, risultati di benchmark e l'hardware necessario per eseguire modelli AI localmente, e preferisce coerentemente i numeri misurati alle affermazioni dei fornitori.

Scroll to Top