Dieses Modell ist veraltet. Wir messen die Leistung nur noch für die Standard-Workload mit 10.000 Eingabe-Tokens. Ergebnisse für andere Workloads sind historische Daten und werden nicht mehr aktualisiert.

Google hat eine neuere Version veröffentlicht: Gemma 4 E4B. Wir empfehlen, diese als Alternative in Betracht zu ziehen.

Google

•

Open weights model

•

Released Juni 2025

Gemma 3n E4B Instruct: Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Intelligenz

Artificial Analysis Intelligence Index

* Geschätzt

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe -Ausgabe -

k. A.

Kosten pro Aufgabe des Intelligence Index

Ausführlichkeit

k. A.

Ausgabetokens im Intelligence Index

Im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe zählt Gemma 3n E4B Instruct zu den am wenigsten intelligenten Modellen. Das Modell unterstützt Text und Bilder als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 32k Tokens, der Wissensstand reicht bis August 2024.

Gemma 3n E4B Instruct erzielt im Artificial Analysis Intelligence Index einen Wert von 5 und liegt damit am unteren Ende der vergleichbaren Modelle (Median: 6).

Reasoning	Nein Diese Seite zeigt die Version dieses Modells ohne Reasoning. Möglicherweise gibt es auch eine Reasoning-Variante.
Eingabemodalität	Unterstützt: Text und Bilder
Ausgabemodalität	Unterstützt: Text
Wissensstichtag	01.08.2024
Kontextfenster	32k ~48 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	8.4B
Aktive Parameter	4B Anzahl der pro Token während der Inferenz aktiven Parameter
Lizenz	Gemma license
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

No publicly available API

Estimate (independent evaluation forthcoming)

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

No publicly available API

Estimate (independent evaluation forthcoming)

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Intelligence Index vs. Kosten pro Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Benchmarks

Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

No publicly available API

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AutomationBench-AA

Agentic SaaS workflows

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

Terminal-Bench 4.0

Agentic coding & terminal use

AA-LCR v1.1

Long context reasoning

SciCodeUnder review

Coding

CritPtUnder review

Physics reasoning

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

FrontierCode 1.1New

Agentic software engineering in open-source repositories

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

Harvey LAB-AA v1.1Updated

Legal agentic work, Hallucination-Gated All-Pass Rate

EnterpriseOps-Gym-AA

Agentic business operations

ITBench-AA

Kubernetes incident root-cause analysis

MLCR-AA

Medical long context reasoning

MMMU-Pro

Visual reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

No publicly available API

Openness Index

Artificial Analysis Openness Index: Wert

Der Openness Index bewertet die Offenheit von Modellen auf einer normierten Skala von 0 bis 100 (höher bedeutet offener)

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Kosten

Kosten pro Aufgabe des Intelligence Index

Weighted average cost (USD) per Intelligence Index task · Segmented by token type · Lower is better

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preise: Cache-Treffer, Eingabe und Ausgabe

Price (USD per M Tokens)

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context window: tokens limit · Higher is better

No publicly available API

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Comparison between total model parameters and parameters active during inference (billions)

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu Gemma 3n E4B Instruct

Gemma 3n E4B Instruct wurde am 26. Juni 2025 veröffentlicht.

Gemma 3n E4B Instruct wurde von Google entwickelt.

Gemma 3n E4B Instruct erzielt im Artificial Analysis Intelligence Index einen geschätzten Wert von 5 und liegt damit im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe am unteren Ende (Median: 6).

Nein, Gemma 3n E4B Instruct ist kein Reasoning-Modell. Es antwortet direkt, ohne längeres Chain-of-Thought-Reasoning.

Gemma 3n E4B Instruct unterstützt Text und Bilder als Eingabe.

Gemma 3n E4B Instruct unterstützt Text als Ausgabe.

Ja, Gemma 3n E4B Instruct unterstützt Bildeingaben und kann Bilder analysieren, beschreiben und Fragen dazu beantworten.

Ja, Gemma 3n E4B Instruct ist multimodal. Es kann Text und Bilder als Eingabe verarbeiten und Text als Ausgabe erzeugen.

Gemma 3n E4B Instruct hat ein Kontextfenster von 32k Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, Gemma 3n E4B Instruct hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

Gemma 3n E4B Instruct hat 8,39 Milliarden Parameter (4 Milliarden aktiv).

Gemma 3n E4B Instruct ist ein Mixture-of-Experts-Modell (MoE) mit insgesamt 8,39 Milliarden Parametern, von denen während der Inferenz jedoch nur 4 Milliarden aktiv sind.

Gemma 3n E4B Instruct wird unter der Lizenz Gemma license veröffentlicht. Diese Lizenz erlaubt die kommerzielle Nutzung. Lizenz anzeigen

Gemma 3n E4B Instruct erzielt im Artificial Analysis Intelligence Index einen Wert von 5. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Der Wissensstichtag von Gemma 3n E4B Instruct ist August 2024. Die Trainingsdaten des Modells enthalten Informationen bis zu diesem Datum.

Gemma 3n E4B Instruct ist ein Modell mit offenen Gewichten, das selbst gehostet werden kann. Anbieter anzeigen

Gemma 3n E4B Instruct ist ein Modell mit offenen Gewichten, das heruntergeladen und selbst gehostet werden kann. Anbieter vergleichen

Gemma 3n E4B Instruct: Analyse von Intelligenz, Leistung und Preis

Modellübersicht

Intelligenz

Geschwindigkeit

Kosten

Ausführlichkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

75 Modelle in dieser Klasse

Intelligenz

Geschwindigkeit

Kosten pro Aufgabe

Intelligenz

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Artificial Analysis Intelligence Index

Open Weights

Intelligence Index vs. Kosten pro Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Benchmarks

Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Wert

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Kosten

Kosten pro Aufgabe des Intelligence Index

Cost per Intelligence Index Task

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preise: Cache-Treffer, Eingabe und Ausgabe

Cache Hit

Kontextfenster

Kontextfenster

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde Gemma 3n E4B Instruct veröffentlicht?

Wer hat Gemma 3n E4B Instruct entwickelt?

Wie intelligent ist Gemma 3n E4B Instruct?

Ist Gemma 3n E4B Instruct ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Gemma 3n E4B Instruct?

Welche Ausgabemodalitäten unterstützt Gemma 3n E4B Instruct?

Kann Gemma 3n E4B Instruct Bilder verarbeiten?

Ist Gemma 3n E4B Instruct multimodal?

Wie groß ist das Kontextfenster von Gemma 3n E4B Instruct?

Hat Gemma 3n E4B Instruct offene Gewichte?

Wie viele Parameter hat Gemma 3n E4B Instruct?

Was sind die aktiven Parameter von Gemma 3n E4B Instruct?

Unter welcher Lizenz steht Gemma 3n E4B Instruct?

Wie schneidet Gemma 3n E4B Instruct in Benchmarks ab?

Welchen Wissensstichtag hat Gemma 3n E4B Instruct?

Ist Gemma 3n E4B Instruct über eine API verfügbar?

Wo kann ich Gemma 3n E4B Instruct verwenden?