Gemma 3n vs Gemma 3
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Gemma 3n de Google et Gemma 3 de Google sont deux modèles d’IA de premier plan. Gemma 3n propose une fenêtre de contexte de 32K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Gemma 3 offre 131.1K tokens de contexte à $0.00/$0.00 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Gemma 3n
Modèle Audio et Vocal NatifGemma 3n de Google est un modèle d’IA conçu pour la synthèse vocale naturelle, la transcription audio et le dialogue parlé en temps réel, offrant une fenêtre de contexte de 32K, une vitesse de 150 tokens/s, un indice d’intelligence de 52/10
$0.00 / 1M
$0.00 / 1M
32K tokens
N/A
Gemma 3
IA Multimodale NativeGemma 3 de Google est un modèle d’IA conçu pour la compréhension multimodale native (texte, vision) et l’analyse de documents complexes, offrant une fenêtre de contexte de 131K, une vitesse de 105 tokens/s, un indice d’intelligence de 68/10
$0.00 / 1M
$0.00 / 1M
131.1K tokens
N/A
Différences Clés en un Coup d’Œil
- Both models cost the same under this workload — choose on capability, not price.
- Gemma 3 has a larger context window (131K vs 32K tokens).
- Gemma 3n is faster at 150 tok/s vs 105 tok/s.
| Caractéristique | Gemma 3n | Gemma 3 |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 52 | 68 |
Provider | ||
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 32K tokens~48 A4 pages of text | 131.1K tokens~197 A4 pages of text |
Max Output Tokens Per single request | 4K | 16K |
Throughput Speed Tokens generated per second | 150 tok/s | 105 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | N/A | 61% |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Gemma 3n · Strengths & Key Advantages
- Fenêtre de contexte de 32K et capacité de sortie maximale de 4K tokens (MMLU-Pro 64% · Arena Elo 1220)
- Débit rapide de 150 tokens/seconde avec une latence au premier token (TTFT) de 220 ms
- Poids ouverts (2B / 5B) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Gemma 3 · Strengths & Key Advantages
- Fenêtre de contexte de 131K et capacité de sortie maximale de 16K tokens (GPQA Diamond 61% · MMLU-Pro 78%)
- Débit rapide de 105 tokens/seconde avec une latence au premier token (TTFT) de 320 ms
- Poids ouverts (1B / 4B / 12B / 27B) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Gemma 3n | Gemma 3 |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 3K | 5K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Gemma 3n | Gemma 3 |
|---|---|---|
| Official API Model ID (SDK) | models/gemma-3n | models/gemma-3 |
| API Protocol | Google Gemini API (generateContent) + OpenAI-Compatible SDK | Google Gemini API (generateContent) + OpenAI-Compatible SDK |
| Release Date | 2025-06 | 2025-03 |
| Knowledge Cutoff | March 2025 | December 2024 |
| Architecture | Edge-optimized multimodal transformer with audio support | Native multimodal open transformer with expanded context |
| Parameters | 2B / 5B | 1B / 4B / 12B / 27B |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | Supported (Screen coordinate grounding, browser & desktop GUI action loops) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Built-in Google Search Grounding + Managed Python Code Execution Sandbox | Built-in Google Search Grounding + Managed Python Code Execution Sandbox |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) · Audio (~25–32 tokens/sec) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 2 GB VRAM (4-bit Quantized) · 4 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 2 GB VRAM (4-bit Quantized) · 4 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Google DeepMind Frontier Safety Framework Verified | Google DeepMind Frontier Safety Framework Verified |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text, vision, audio | text, vision |
| Output Modalities | text | text |
Gemma 3n vs Gemma 3: Réponses Rapides (FAQ)
Which is more intelligent, Gemma 3n or Gemma 3?
Gemma 3 is more intelligent. It scores 68 compared with 52 on the composite Intelligence Index.
Which model is faster?
Gemma 3n is faster, generating 150 tokens per second compared with 105 tokens per second.
Which model has lower latency?
Gemma 3n has lower latency, with a time to first token of 0.22s compared with 0.32s.
Which model has a larger context window?
Gemma 3 has a larger context window, supporting 131.1K tokens compared with 32K tokens.
Verdict
Gemma 3n (Conçu pour la synthèse vocale naturelle, la transcription audio et le dialogue parlé en temps réel, l’intégration RAG et les pipelines de production évolutifs.) et Gemma 3 (Conçu pour la compréhension multimodale native (texte, vision) et l’analyse de documents complexes, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Gemma 3 domine sur les benchmarks de raisonnement et de programmation, Gemma 3n assure un débit supérieur et Gemma 3n offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Gemma 3n ou Gemma 3 ?+
Sur l’indice d’intelligence composite et les tests de code, Gemma 3 prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.
Quelle est la différence de prix API entre Gemma 3n et Gemma 3 ?+
Gemma 3n est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Gemma 3. En coût pondéré, Gemma 3n est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Gemma 3n prend en charge 32K tokens contre 131.1K tokens pour Gemma 3. Côté vitesse de génération, Gemma 3n est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Command A Vision vs Gemma 3n : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Gemma 3 vs Gemma 2 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Gemma 3 vs Llama 4 Scout : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-Mini vs Laguna XS 2.1 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Google et Google, fiches système et benchmarks indépendants (2026).