30秒サマリー
- GoogleのGemmaチームが、2.3Bから31Bパラメータの新世代オープンウェイト多モーダルモデル「Gemma 4」を2026年7月に発表。
- 音声・画像をネイティブに処理するエンコーダーフリーアーキテクチャを12Bモデルに採用し、「思考モード」による推論トレース生成機能も統合。
- STEM・多モーダル・長文脈ベンチマークで大幅な性能向上を主張し、より大規模なフロンティアモデルと競合するとしている。
何が起きたか
Googleのリサーチチーム「Gemma Team」は2026年7月2日、arXivに「Gemma 4 Technical Report」を公開した。Gemma 4はオープンウェイト（重みを公開）の多モーダル言語モデル群で、パラメータ数は2.3Bから31Bまでの複数サイズを揃える。アーキテクチャとして、密（Dense）型とMixture-of-Experts（MoE）型の両方を採用している。
全モデルサイズに改良された視覚・音声エンコーダーを搭載するほか、12Bモデルでは生の音声データと画像パッチを直接入力できる「エンコーダーフリー統合アーキテクチャ」を新たに提案している。また、応答前に推論の過程を出力する「思考モード（thinking mode）」を全モデルに統合した。
技術レポートによれば、推論速度・メモリ効率・計算効率の改善と長文脈処理能力の向上を設計上の重点項目としており、STEM分野・多モーダルタスク・長文脈ベンチマークにおいて「大幅な性能向上（a leap in performance）」を達成したとしている。人間による評価タスクでは、より大規模なフロンティアオープンモデルと競合する水準に達したと主張している。論文は17ページで、著者数は300名以上に及ぶ。
原典ハイライト
技術レポートの抄録は「compute efficiency and reasoning の向上を設計目標とし、STEM・多モーダル・長文脈ベンチマークでのパフォーマンスの飛躍を実現、より大規模なフロンティアオープンモデルと競合する」と明記している。
出典: arXiv cs.CL（論文）
So What?（なぜ重要か）
Gemma 4はオープンウェイトである点が最大の差別化要因だ。企業が自社インフラ上にモデルを展開し、APIコストや情報漏洩リスクを抑えながら音声・画像・テキストを統合処理できる可能性が高まる。特に「思考モード」はモデルが回答前に推論過程を示す設計であり、業務上の説明責任（Explainability）を求められる場面での活用適性が向上するとみられる。MoEアーキテクチャの採用は、推論時の計算コスト削減にも寄与する可能性がある。
日本企業への示唆
日本企業にとって、オープンウェイトモデルであるGemma 4は社内サーバーやクラウドプライベート環境への自社展開が可能なため、機密情報を外部APIに送信するリスクを低減できる選択肢となりうる。2.3Bという小型モデルから31Bまでラインナップがあることで、エッジデバイスからサーバーまで用途に応じた規模選択が可能とみられる。製造・医療・金融など、文書・音声・画像の複合処理が求められる業種では、統合型多モーダルアーキテクチャの実用性を検証する価値がある。ただし、実際の日本語性能やファインチューニングの容易さについては原文では言及がなく、追加の評価が必要だ。
背景・経緯
Gemma シリーズはGoogleが提供するオープンウェイトモデルファミリーで、Gemma 4はその新世代に当たる。技術レポートはarXivに2026年7月2日付で投稿されており、Googleの大規模な研究チーム（著者数300名超）が共同執筆している。原文からはリリース時期や商用ライセンスの詳細については言及がない。
