Gemma 4 26B A4B vs Qwen3-VL 30B A3B para imagens
Dois modelos de visão de mistura de especialistas que respondem perguntas sobre imagens
Fatos do catálogo revisado
| Especificação | Gemma 4 26B A4B | Qwen3-VL-30B-A3B-Instruct |
|---|---|---|
| Tarefa | Visão | Visão |
| Parâmetros | 25,2B · 3,8B ativos | 31,1B |
| Licença | Apache 2.0 | Apache 2.0 |
| Uso comercial | Permitidotexto da licença | Permitidotexto da licença |
| Qualidade · LMArena 2026-10-19 · visão | 1.242 ± 61.235–1.248 · 23.922 votos · posição 65 · fonte | Fora do ranking de visão do LMArena de 2026-10-19 · fonte |
| Memória | estimativa de planejamento Q4 (~19 GB de pesos antes da reserva da máquina) | estimativa de planejamento Q4 (~24 GB de pesos antes da reserva da máquina) |
| Checkpoint | ficha oficial | ficha oficial |
Só o Gemma 4 26B A4B tem resultado em LMArena 2026-10-19 · visão (1.242 ± 6); o Qwen3-VL-30B-A3B-Instruct não tem, então os dois não são ordenados por esta fonte e nenhuma nota é inferida para ele. Votos cegos de pessoas em pares, sobre resultados hospedados, CC BY 4.0. A pontuação é relativa; intervalos que se sobrepõem significam que a ordem não está definida. Escala: pontuação Arena ± metade do intervalo de confiança.
Memória em três máquinas
A reserva de cada máquina é somada (placas de vídeo 2 GB; memória unificada e do sistema 25%, de 2 a 8 GB). Estimativas de planejamento, não execuções medidas.
| Máquina | Gemma 4 26B A4B | Qwen3-VL-30B-A3B-Instruct |
|---|---|---|
| RTX 4090 · 24 GB de VRAM | ~21 GBCabe na memória rápida | ~26 GBNa memória, fora da parte rápida · offload para a RAM do PC (32 GB presumidos) |
| RTX 5090 · 32 GB de VRAM | ~21 GBCabe na memória rápida | ~26 GBCabe na memória rápida |
| MacBook Air 13 polegadas M4 · 32 GB unificados | ~27 GBCabe na memória rápida | ~32 GBCabe na memória rápida |
Gemma 4 26B A4B: estimativa de planejamento Q4 (~19 GB de pesos antes da reserva da máquina). Qwen3-VL-30B-A3B-Instruct: estimativa de planejamento Q4 (~24 GB de pesos antes da reserva da máquina). Fórmulas
Tudo o que roda em cada máquina: RTX 4090 · 24 GB de VRAM · RTX 5090 · 32 GB de VRAM · MacBook Air 13 polegadas M4 · 32 GB unificados
Qual escolher
Os dois leem uma imagem e respondem em texto, os dois são misturas de especialistas com parte ativa pequena e os dois são Apache 2.0. O Gemma 4 26B A4B é um modelo geral que também conversa sem imagens; o Qwen3-VL 30B A3B é a linha de visão e linguagem da Alibaba. Seus pesos Q4 ocupam cerca de 19 GB e 24 GB: uma placa de 24 GB roda o Gemma na memória rápida enquanto o Qwen3-VL transborda, e uma placa ou Mac de 32 GB comporta os dois. Só o Gemma 4 tem nota na rodada de visão do LMArena; o Qwen3-VL 30B A3B não está nela.
Arquivos e comandos para rodar
O arquivo padrão da fonte coletada mais baixada, ou os comandos que cada ficha documenta. Não executados por este site.
Gemma 4 26B A4B
unsloth/gemma-4-26B-A4B-it-GGUF · gemma-4-26B-A4B-it-UD-Q4_K_M.gguf · UD-Q4_K_M · 16,9 GB · unsloth
ollama run hf.co/unsloth/gemma-4-26B-A4B-it-GGUF:UD-Q4_K_Mllama-server -hf unsloth/gemma-4-26B-A4B-it-GGUF:UD-Q4_K_Mlms get https://huggingface.co/unsloth/gemma-4-26B-A4B-it-GGUF- mlx-lm: O mlx-lm roda repositórios MLX; escolha a versão MLX num Mac
Qwen3-VL-30B-A3B-Instruct
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install git+https://github.com/huggingface/transformers
# pip install transformers==4.57.0 # currently, V4.57.0 is not releasedfrom transformers import Qwen3VLMoeForConditionalGeneration, AutoProcessor
# default: Load the model on the available device(s)
model = Qwen3VLMoeForConditionalGeneration.from_pretrained(
"Qwen/Qwen3-VL-30B-A3B-Instruct", dtype="auto", device_map="auto"
)
# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLMoeForConditionalGeneration.from_pretrained(
# "Qwen/Qwen3-VL-30B-A3B-Instruct",
# dtype=torch.bfloat16,
# attn_implementation="flash_attention_2",
# device_map="auto",
# )
processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-30B-A3B-Instruct")
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "Describe this image."},
],
}
]
# Preparation for inference
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt"
)
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)Números que cada publicador informa
Os resultados de cada ficha, com a configuração de cada uma. Publicadores escolhem testes e configurações diferentes, então estes valores nunca são comparados entre publicadores aqui.
Gemma 4 26B A4B · informado por Google
- MMLU Pro
- 82,6%
- AIME 2026 no tools
- 88,3%
- LiveCodeBench v6
- 77,1%
- Codeforces ELO
- 1.718
- GPQA Diamond
- 82,3%
- Tau2 (average over 3)
- 68,2%
- HLE no tools
- 8,7%
- HLE with search
- 17,2%
Todos os resultados informados
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Benchmark Results); coluna “Gemma 4 26B A4B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qwen3-VL-30B-A3B-Instruct · informado por Alibaba
Limites e datas
O benchmark de qualidade publicado não testa uma versão local quantizada. Estimativas de memória não medem velocidade nem garantem compatibilidade. Tamanho de repositório, quando disponível, não é VRAM. Fórmulas
Página atualizada em · Catálogo revisado em · LMArena 2026-10-19 · visão