Gemma 4 31B Instruct (thinking on)
Gemma 4 31B Instruct ist Googles größtes Dense-Modell mit 30,7 Milliarden Parametern über 60 Layer und hybrider Attention aus lokalem Sliding-Window plus globaler Aufmerksamkeit. Anders als die Gemma-4-MoE-Variante aktiviert dieses Modell alle Parameter pro Token. Multimodalität für Text und Bilder, 256.000 Tokens Kontext, natives Function-Calling und konfigurierbarer Thinking-Modus runden das Profil ab. Echte Apache-2.0-Lizenz.
- Open Weights
- Workstation
- VSPK
- Text
- Vision
- Instruction-Tuned
- Unusable
Sovereign Risk: MEDIUM Google DeepMind ist ein US-Unternehmen, daher besteht bei Cloud-/API-Nutzung (Google Cloud, Vertex AI, OpenRouter) US-CLOUD-Act-Exposition. Gemma 4 wurde als erste Gemma-Generation unter echter Apache-2.0-Lizenz veröffentlicht (kein restriktives Gemma-Terms-of-Use mehr), was uneingeschränktes Fine-Tuning und kommerzielle Nutzung erlaubt. Bei rein lokalem Betrieb über llama.cpp/GGUF/NVFP4 entfällt die CLOUD-Act-Relevanz vollständig, da keine Datenübertragung an Google erfolgt. Offizielle Weights direkt auf Hugging Face verfügbar.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 72.06
- Routine
- 44.26
- Reasoning
- 27.8
- LLM Judge Avg
- 3.7 / 5
- 100 Coverage
- Avg Task Duration
- 135.29s
- Unusable
- Token Rate
- 7.68tok/s
- Output Rate
- P95 Latency
- 248.63s
- Top 5 %
- Total Tokens
- 82400
- Output Volume
- Cost per 1K
- $0
- USD / 1K Requests
- Benchmark Cost
- $0
- Total · 82400 tok
Benchmark-Module
10 Module · gewichtet · vs. Modellmedian & Spitzenreiter
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.