Gemma 3n vs Gemma 3
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Gemma 3n di Google e Gemma 3 di Google sono due modelli di IA di riferimento. Gemma 3n offre una finestra di contesto di 32K token a $0.00/$0.00 per milione di token, mentre Gemma 3 mette a disposizione 131.1K token di contesto a $0.00/$0.00 per milione di token. Di seguito analizziamo benchmark, latenza e costi.
Cambia e Confronta Qualsiasi Modello
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Gemma 3n
Modello Vocale e Audio NativoGemma 3n di Google è un modello di IA progettato per la sintesi vocale naturale, l’elaborazione audio in tempo reale e la trascrizione, con finestra di contesto da 32K, velocità di 150 token/s, indice di intelligenza di 52/100 e tariffa di
$0.00 / 1M
$0.00 / 1M
32K tokens
N/A
Gemma 3
IA Multimodale NativaGemma 3 di Google è un modello di IA progettato per la comprensione multimodale nativa di testo e immagini e l’analisi visiva dei documenti, con finestra di contesto da 131K, velocità di 105 token/s, indice di intelligenza di 68/100 e tarif
$0.00 / 1M
$0.00 / 1M
131.1K tokens
N/A
Differenze Chiave a Colpo d’Occhio
- 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.
| Feature | 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% |
Chi vince in ogni categoria?
At-a-glance decision frameworkEvaluations ongoing
Punteggi Benchmark Verificati
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.
Latenza e Tempo di Risposta
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulatore Interattivo dei Costi Token
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Gemma 3n · Strengths & Key Advantages
- Finestra di contesto da 32K con capacità massima di output fino a 4K token (MMLU-Pro 64% · Arena Elo 1220)
- Throughput elevato di 150 token/secondo con latenza al primo token (TTFT) di soli 220 ms
- Pesi aperti (2B / 5B) pronti per il self-hosting locale o su cloud privato tramite vLLM, SGLang o Ollama
Considerations & Trade-offs
- Richiede server GPU dedicati con sufficiente memoria VRAM per l’esecuzione locale a piena precisione
- Nelle dimostrazioni scientifiche più estreme, i modelli di ragionamento pesante dedicati offrono maggiore profondità
Gemma 3 · Strengths & Key Advantages
- Finestra di contesto da 131K con capacità massima di output fino a 16K token (GPQA Diamond 61% · MMLU-Pro 78%)
- Throughput elevato di 105 token/secondo con latenza al primo token (TTFT) di soli 320 ms
- Pesi aperti (1B / 4B / 12B / 27B) pronti per il self-hosting locale o su cloud privato tramite vLLM, SGLang o Ollama
Considerations & Trade-offs
- Richiede server GPU dedicati con sufficiente memoria VRAM per l’esecuzione locale a piena precisione
- Nelle dimostrazioni scientifiche più estreme, i modelli di ragionamento pesante dedicati offrono maggiore profondità
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 |
Specifiche Tecniche
Architecture, release timeline, capabilities, and modalities.
| Feature | 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: Risposte Rapide (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.
Verdetto
Sia Gemma 3n (Ideale per la sintesi vocale naturale, l’elaborazione audio in tempo reale e la trascrizione, sistemi RAG aziendali e integrazioni API scalabili.) sia Gemma 3 (Ideale per la comprensione multimodale nativa di testo e immagini e l’analisi visiva dei documenti, sistemi RAG aziendali e integrazioni API scalabili.) eccellono in produzione: Gemma 3 guida nei benchmark di ragionamento e programmazione, Gemma 3n garantisce una generazione più rapida e Gemma 3n offre il miglior rapporto qualità-prezzo per carichi API elevati.
Domande Frequenti (FAQ)
Quale modello è migliore per coding e ragionamento, Gemma 3n o Gemma 3?+
Nell’indice di intelligenza composito e nei benchmark di programmazione prevale Gemma 3. Consulta i punteggi SWE-bench e GPQA qui sopra per tutti i dettagli.
Qual è la differenza di prezzo API tra Gemma 3n e Gemma 3?+
Gemma 3n costa $0.00 / $0.00 per milione di token di input/output, mentre Gemma 3 costa $0.00 / $0.00. Nel costo combinato, Gemma 3n risulta più economico.
Quale modello ha la finestra di contesto più ampia e la velocità maggiore?+
Gemma 3n supporta 32K token di contesto contro 131.1K token di Gemma 3, mentre Gemma 3n offre una velocità di generazione superiore.
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: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
- Gemma 3 vs Gemma 2: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
- Gemma 3 vs Llama 4 Scout: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
- Aion-3.0 vs Aion-Mini: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
- Aion-3.0 vs Gemini 3.6 Flash: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
- Aion-Mini vs Laguna XS 2.1: Confronto Benchmark, Prezzi API e Velocità (2026)Confronta
Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.
Fonti ufficiali: Documentazione API ufficiale di Google e Google, schede di sistema e benchmark indipendenti (2026).