
Gemma 4 26B A4B é um modelo multimodal aberto do Google com 256K de contexto, texto, imagem e vídeo de entrada, ferramentas e saída estruturada.
Gemma 4 26B A4B é um modelo multimodal aberto do Google com 256K de contexto, texto, imagem e vídeo de entrada, ferramentas e saída estruturada.
Suporta entrada de texto, imagem e vídeo, streaming, ferramentas de função, saída JSON estruturada, controle seed e modo de pensamento ativado por padrão. Use reasoning_effort ou thinking_budget para pensamento limitado, ou enable_thinking=falso para respostas diretas. Leituras automáticas de cache são cobradas na taxa de entrada em cache quando reportadas pelo serviço modelo. Controles de cache explícitos não são suportados.
Também conhecido como Google Gemma 4 26B-A4B, Gemma-4-26B-A4B
gemma-4-26b-a4b/v1/chat/completionsPOST/v1/responsesPOST/v1/messagesPOST/v1/completionsPOST/v1beta/models/gemma-4-26b-a4b:generateContentgemma-4-26b-a4b-itgoogle/gemma-4-26b-a4bgoogle/gemma-4-26b-a4b-itTarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você também pode escolher um plano com franquias semanais.
Gemma 4 26B-A4B atende a API Chat Completions compatível com OpenAI. Aponte qualquer SDK OpenAI para https://api.empiriolabs.ai/v1 com sua chave de API EmpirioLabs e use o id de modelo gemma-4-26b-a4b. Obtenha uma chave de API no painel EmpirioLabs.
curl https://api.empiriolabs.ai/v1/chat/completions \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemma-4-26b-a4b",
"messages": [
{"role": "user", "content": "Write a haiku about the ocean."}
]
}'from openai import OpenAI
client = OpenAI(
base_url="https://api.empiriolabs.ai/v1",
api_key="YOUR_EMPIRIOLABS_API_KEY",
)
response = client.chat.completions.create(
model="gemma-4-26b-a4b",
messages=[{"role": "user", "content": "Write a haiku about the ocean."}],
)
print(response.choices[0].message.content)Parâmetros de requisição suportados pela API Gemma 4 26B-A4B na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| temperature | number | 1 | 0 a 2 | Temperatura de amostragem. 0 é determinístico e 2 é a aleatoriedade máxima. |
| top_p | number | 0.95 | 0.01 a 1 | Amostragem do núcleo com a probabilidade de massa. Valores mais baixos tornam as saídas mais focadas. |
| max_tokens | integer | 8192 | 1 a 32768 | Tokens de saída máxima. Quando omitidos: 8.192 em esforço de raciocínio baixo e médio, 9.216 em alto e 32.768 no máximo ou com pensamento fora do lugar. |
| stop | string | - | - | Uma ou mais cordas de registro. |
| reasoning_effort | enum | medium | none, low, medium, high, max | Nível de esforço de raciocínio. Nenhum impede o pensamento. orçamentos limitados de pensamento de conjuntos baixos, médios, altos e máximos, dimensionados para o... |
| enable_thinking | boolean | true | - | Ative o raciocínio antes de responder. Com response_format, o modelo responde sem raciocinar, a menos que a solicitação defina enable_thinking. |
| thinking_budget | integer | 4096 | 128 a 32768 | Tokens máximos reservados para raciocínio quando o pensamento está habilitado. Quando max_tokens é menor, é mantido espaço para a resposta; um max_tokens muito baixo... |
| top_k | integer | 20 | mín. 1 | Limite a amostragem aos principais K tokens candidatos quando suportados. |
| presence_penalty | number | 0 | -2 a 2 | Penalidade para tokens que já apareceram no texto gerado. |
| frequency_penalty | number | 0 | -2 a 2 | Penalidade baseada na frequência com que um token já apareceu. |
| repetition_penalty | number | 1 | mín. 0.1 | Valores mais altos desencorajam frases repetidas. |
| seed | integer | - | 0 a 2147483647 | Semente aleatória opcional para amostragem reproduzível. |
| logprobs | boolean | false | - | Devolva as probabilidades de logarista dos tokens quando suportado. |
| top_logprobs | integer | - | 0 a 20 | Volte até esse número de probabilidades principais de logs de tokens. |
Suporta entrada de texto, imagem e vídeo, streaming, ferramentas de função, saída JSON estruturada, controle seed e modo de pensamento ativado por padrão. Use reasoning_effort ou thinking_budget para pensamento limitado, ou enable_thinking=falso para respostas diretas. Leituras automáticas de cache são cobradas na taxa de entrada em cache quando reportadas pelo serviço modelo. Controles de cache explícitos não são suportados.
Anúncios, testes de prompts e comparações que cobrem este modelo.
Guias LightOnOCR-3 4B vs Qwen3.5 4B vs Gemma 4 26B-A4B vs Mistral Small 3.1: OCR em três documentos Um modelo OCR de documento e três modelos de chat de visão nas mesmas três páginas (uma fatura, um relatório de duas...
Plataforma EmpirioLabs AI já está disponível no Opper EmpirioLabs AI agora é um provedor listado na Opper, o gateway europeu de IA com sede em Estocolmo. Usuários do Opper...Na EmpirioLabs, Gemma 4 26B-A4B é cobrado por uso. Você também pode escolher um plano com franquias semanais. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
O Gemma 4 26B-A4B recebe Texto, Imagem, Vídeo como entrada e retorna Texto.
Gemma 4 26B-A4B suporta uma janela de contexto de 256K tokens com até 32.768 tokens de saída por resposta.
Sim. Gemma 4 26B-A4B atende a API Chat Completions compatível com OpenAI, então SDKs OpenAI existentes funcionam apontando base_url para https://api.empiriolabs.ai/v1 e definindo o id de modelo gemma-4-26b-a4b.
Envie gemma-4-26b-a4b como modelo na sua requisição. Os IDs alternativos gemma-4-26b-a4b-it, google/gemma-4-26b-a4b, google/gemma-4-26b-a4b-it também funcionam.
Google lançou o Gemma 4 26B-A4B em 31 de mar. de 2026.
Sim. O playground da EmpirioLabs executa Gemma 4 26B-A4B no navegador com os mesmos parâmetros que a API expõe, para você testar prompts antes de escrever código.
Crie uma conta EmpirioLabs e gere uma chave em API Keys no painel. A cobrança usa créditos pay-as-you-go, então você paga apenas pelas requisições que faz. Você também pode escolher um plano com franquias semanais.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.