Gemma 4 E2B vs Gemma 4 31B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Gemma 4 E2B от Google и Gemma 4 31B от Google — две ключевые модели ИИ в своём классе. Gemma 4 E2B предлагает контекстное окно 131.1K токенов по цене $0.00/$0.00 за 1 млн токенов, а Gemma 4 31B — контекст 262.1K токенов по цене $0.00/$0.00 за 1 млн токенов. Ниже представлено сравнение бенчмарков, задержки и экономики.
Выбирайте и сравнивайте любые модели
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Gemma 4 E2B
Базовая модель с открытыми весамиGemma 4 E2B от Google — специализированная ИИ-модель для самостоятельного развертывания на своих серверах, дообучения и суверенитета данных, обеспечивающая контекстное окно 131K, скорость 260 ток/с и индекс интеллекта 55/100 (бесплатным дос
$0.00 / 1M
$0.00 / 1M
131.1K tokens
N/A
Gemma 4 31B
Открытая логическая модельGemma 4 31B от Google — специализированная ИИ-модель для цепочек рассуждений (Chain-of-Thought) с открытыми весами и высокой эффективностью, обеспечивающая контекстное окно 262K, скорость 80 ток/с и индекс интеллекта 81/100 (бесплатным дост
$0.00 / 1M
$0.00 / 1M
262.1K tokens
68.5%
Ключевые отличия кратко
- Both models cost the same under this workload — choose on capability, not price.
- Gemma 4 31B has a larger context window (262K vs 131K tokens).
- Gemma 4 E2B is faster at 260 tok/s vs 80 tok/s.
| Feature | Gemma 4 E2B | Gemma 4 31B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 55 | 81 |
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 | 131.1K tokens~197 A4 pages of text | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 8K | 33K |
Throughput Speed Tokens generated per second | 260 tok/s | 80 tok/s |
SWE-bench Verified Real-world software engineering | N/A | 68.5% |
GPQA Diamond Graduate-level reasoning | N/A | 77% |
Кто лидирует в каждой категории?
At-a-glance decision frameworkEvaluations ongoing
Результаты проверенных бенчмарков
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
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.
American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.
Tokens emitted per second during active generation streaming.
Задержка и скорость ответа
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Интерактивный калькулятор стоимости токенов
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Gemma 4 E2B · Strengths & Key Advantages
- Контекстное окно 131K и генерация до 8K выходных токенов за ответ (MMLU-Pro 67.2% · Arena Elo 1260)
- Высокая скорость генерации 260 токенов/сек при задержке до первого токена (TTFT) всего 180 мс
- Открытые веса модели (E2B (2B)) для локального хостинга и дообучения через vLLM, SGLang или Ollama
Considerations & Trade-offs
- Для локального запуска в полной точности требуются GPU-серверы с достаточным объемом видеопамяти (VRAM)
- В сверхсложных научных доказательствах специализированные тяжелые модели рассуждения могут показывать большую глубину
Gemma 4 31B · Strengths & Key Advantages
- Контекстное окно 262K и генерация до 33K выходных токенов за ответ (SWE-bench Verified 68.5% · GPQA Diamond 77%)
- Высокая скорость генерации 80 токенов/сек при задержке до первого токена (TTFT) всего 480 мс
- Открытые веса модели (31B) для локального хостинга и дообучения через vLLM, SGLang или Ollama
Considerations & Trade-offs
- Для локального запуска в полной точности требуются GPU-серверы с достаточным объемом видеопамяти (VRAM)
- В сверхсложных научных доказательствах специализированные тяжелые модели рассуждения могут показывать большую глубину
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Gemma 4 E2B | Gemma 4 31B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 2K | 12K |
Reasoning Tokens / Task Thinking tokens burned per task | 1K | 6K |
Технические характеристики
Architecture, release timeline, capabilities, and modalities.
| Feature | Gemma 4 E2B | Gemma 4 31B |
|---|---|---|
| Official API Model ID (SDK) | models/gemma-4-e2b | models/gemma-4-31b |
| API Protocol | Google Gemini API (generateContent) + OpenAI-Compatible SDK | Google Gemini API (generateContent) + OpenAI-Compatible SDK |
| Release Date | 2026-04 | 2026-04 |
| Knowledge Cutoff | January 2026 | January 2026 |
| Architecture | Ultra-compact edge transformer | Dense open reasoning transformer with native thinking |
| Parameters | E2B (2B) | 31B |
| 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) | 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) · 19 GB VRAM (4-bit Quantized) · 67 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 | text, vision |
| Output Modalities | text | text |
Gemma 4 E2B vs Gemma 4 31B: Быстрые ответы (FAQ)
Which is more intelligent, Gemma 4 E2B or Gemma 4 31B?
Gemma 4 31B is more intelligent. It scores 81 compared with 55 on the composite Intelligence Index.
Which model is faster?
Gemma 4 E2B is faster, generating 260 tokens per second compared with 80 tokens per second.
Which model has lower latency?
Gemma 4 E2B has lower latency, with a time to first token of 0.18s compared with 0.48s.
Which model has a larger context window?
Gemma 4 31B has a larger context window, supporting 262.1K tokens compared with 131.1K tokens.
Вердикт
И Gemma 4 E2B (Оптимально для самостоятельного развертывания на своих серверах, дообучения и суверенитета данных, корпоративных RAG-пайплайнов и масштабируемых API-сервисов.), и Gemma 4 31B (Оптимально для цепочек рассуждений (Chain-of-Thought) с открытыми весами и высокой эффективностью, корпоративных RAG-пайплайнов и масштабируемых API-сервисов.) отлично подходят для продакшена: Gemma 4 31B лидирует в сложных тестах логики и кода, Gemma 4 E2B обеспечивает более высокую скорость генерации, а Gemma 4 E2B выгоднее при больших объёмах API-запросов.
Часто задаваемые вопросы (FAQ)
Что лучше для программирования и логики: Gemma 4 E2B или Gemma 4 31B?+
По сводному индексу интеллекта и тестам программирования лидирует Gemma 4 31B. Подробные баллы SWE-bench и GPQA приведены в таблице выше.
У какой модели дешевле API — Gemma 4 E2B или Gemma 4 31B?+
Тариф Gemma 4 E2B составляет $0.00 / $0.00 за 1 млн входных/выходных токенов, а Gemma 4 31B — $0.00 / $0.00. По смешанной стоимости выгоднее Gemma 4 E2B.
У какой модели больше окно контекста и выше скорость?+
Gemma 4 E2B поддерживает контекст 131.1K токенов против 262.1K токенов у Gemma 4 31B, а по скорости генерации токенов лидирует Gemma 4 E2B.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- DeepSeek V4 против Gemma 4 E2B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Gemma 4 31B против Gemma 4 26B A4B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Gemma 4 31B против Llama 3.3 70B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Gemma 4 31B против Mistral Small 4: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Gemma 4 E4B против Gemma 4 E2B: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
- Aion-3.0 против Aion-Mini: Сравнение бенчмарков, цен API и скорости (2026)Сравнение
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.
Официальные источники: Официальная документация API Google и Google, системные карточки и независимые бенчмарки (2026).