Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

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

Fatos do catálogo revisado
EspecificaçãoGemma 4 26B A4BQwen3-VL-30B-A3B-Instruct
TarefaVisãoVisão
Parâmetros25,2B · 3,8B ativos31,1B
LicençaApache 2.0Apache 2.0
Uso comercialPermitidotexto da licençaPermitidotexto da licença
Qualidade · LMArena 2026-10-19 · visão1.242 ± 61.235–1.248 · 23.922 votos · posição 65 · fonteFora do ranking de visão do LMArena de 2026-10-19 · fonte
Memóriaestimativa 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)
Checkpointficha oficialficha 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.

Gemma 4 26B A4B vs Qwen3-VL 30B A3B para imagens: memória em três máquinas
MáquinaGemma 4 26B A4BQwen3-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_M
llama-server -hf unsloth/gemma-4-26B-A4B-it-GGUF:UD-Q4_K_M
lms 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.

Preparação indicada antes pela fonte · Transformers
pip install git+https://github.com/huggingface/transformers
# pip install transformers==4.57.0 # currently, V4.57.0 is not released
Transformers · ficha do modelo · Using 🤗 Transformers to Chat
from 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

15 resultados · ficha de Google · lida em 2026-10-25
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 informados15
BigBench Extra Hard
64,8%
MMMLU
86,3%
MMMU Pro
73,8%Vision
OmniDocBench 1.5 (average edit distance, lower is better)
0,149Vision
MATH-Vision
82,4%Vision
MedXPertQA MM
58,1%Vision
MRCR v2 8 needle 128k (average)
44,1%Long Context

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

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

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