Gemma 4 26B-A4B (MoE)
Gemma 4 26B-A4B (MoE)をQ4_K_M・8kコンテキストで動かすには、16.4GBのVRAMが必要です（2026年10月16日に確認したconfig.jsonから計算）。収まる最小のGPUのメモリは24GBで、動くデスクトップ向けGPUのなかで最も速いRTX 5090では、生成速度は最大569トークン/秒です。
- パラメータ
- 25.8B（アクティブ3.8B）
- コンテキスト長
- 262,144トークン
- ライセンス
- Apache 2.0
- 公開
- 2026年3月
- config.jsonの確認日
- 2026年10月16日
Gemma 4 26B-A4B (MoE)をローカルLLM動作チェッカーで開く
どのメモリ容量のGPUで動くか
必要量16.4GBを、メモリ容量ごとに比べます。モデルが使えるのはGPUのメモリの95%までで、色が付いているのは残りの容量か、足りない容量だけです。「ぎりぎり」は85%を超える場合で、長い会話に使える余裕はほとんどありません。
ほかの量子化やコンテキスト長、Q8のKVキャッシュはLLM VRAM計算ツールで試せます。
計算・2026年10月16日どのGPUを選ぶか
このサイトで扱うGPUのうち、Q4_K_M・8kコンテキストで読み込める最小のものはRX 7900 XT（20GB）です。必要量は16.4GBで、生成速度は推定254トークン/秒です。同じGPUでも32,768トークンのコンテキストまで余裕があるため（16.9GB）、このモデルのためにそれより上のGPUを買う理由はありません。
ほぼ劣化のないQ8_0なら、収まる最小のGPUはRTX 5090（32GB）で、必要量は29.3GBです。Appleシリコンでは、Mac mini M4 Proなら32,768トークンのコンテキストを含めて保持でき、生成速度は推定87トークン/秒です。ただしプロンプト処理はNVIDIAより遅く、長い文書ではその差がはっきり出ます。ユニファイドメモリのデスクトップでは、Ryzen AI Max+ 395が32,768トークンのコンテキストを16.9GBで保持でき、生成速度は推定81トークン/秒です。
GPU別の生成速度
| GPU | 動く？ | 推定トークン/秒 | 体感 | メモリ | メモリ帯域幅 |
|---|---|---|---|---|---|
| H100 SXM | 動く | ≤ 1,064 | 読むより速い | 80GB | 3,350GB/s |
| A100 | 動く | ≤ 648 | 読むより速い | 80GB | 2,039GB/s |
| RTX 5090 | 動く | ≤ 569 | 読むより速い | 32GB | 1,792GB/s |
| RTX PRO 6000 Blackwell | 動く | ≤ 569 | 読むより速い | 96GB | 1,792GB/s |
| RTX PRO 5000 Blackwell | 動く | ≤ 427 | 読むより速い | 48GB | 1,344GB/s |
| RTX 4090 | 動く | ≤ 320 | 読むより速い | 24GB | 1,008GB/s |
| RX 7900 XTX | 動く | ≤ 305 | 読むより速い | 24GB | 960GB/s |
| RTX 6000 Ada | 動く | ≤ 305 | 読むより速い | 48GB | 960GB/s |
| RTX 3090 | 動く | ≤ 297 | 読むより速い | 24GB | 936GB/s |
| RTX PRO 4500 Blackwell | 動く | ≤ 285 | 読むより速い | 32GB | 896GB/s |
| L40S | 動く | ≤ 274 | 読むより速い | 48GB | 864GB/s |
| RX 7900 XT | 動く | ≤ 254 | 読むより速い | 20GB | 800GB/s |
| RTX A6000 | 動く | ≤ 244 | 読むより速い | 48GB | 768GB/s |
| RTX PRO 4000 Blackwell | 動く | ≤ 213 | 読むより速い | 24GB | 672GB/s |
| Radeon AI PRO R9700 | 動く | ≤ 203 | 読むより速い | 32GB | 640GB/s |
| Arc Pro B70 | 動く | ≤ 193 | 読むより速い | 32GB | 608GB/s |
| Arc Pro B60 | 動く | ≤ 145 | 読むより速い | 24GB | 456GB/s |
| RTX PRO 4000 Blackwell SFF | 動く | ≤ 137 | 読むより速い | 24GB | 432GB/s |
| RTX Spark | 動く | 95 | 読むより速い | 128GB（GPU用102GB） | 300GB/s |
| DGX Spark | 動く | 87 | 読むより速い | 128GB（GPU用126GB） | 273GB/s |
| Ryzen AI Max+ 395 | 動く | 81 | 読むより速い | 128GB（GPU用96GB） | 256GB/s |
| RTX 4060 Ti | 動かない | - | 収まらない | 16GB | 288GB/s |
| RTX 5060 Ti | 動かない | - | 収まらない | 16GB | 448GB/s |
| RTX 5080 | 動かない | - | 収まらない | 16GB | 960GB/s |
| RTX 5070 Ti | 動かない | - | 収まらない | 16GB | 896GB/s |
| RTX 4080 SUPER | 動かない | - | 収まらない | 16GB | 736GB/s |
| RX 9070 XT | 動かない | - | 収まらない | 16GB | 640GB/s |
| RX 9060 XT | 動かない | - | 収まらない | 16GB | 320GB/s |
| RTX 3060 | 動かない | - | 収まらない | 12GB | 360GB/s |
| RTX 4070 | 動かない | - | 収まらない | 12GB | 504GB/s |
| RTX 5070 | 動かない | - | 収まらない | 12GB | 672GB/s |
| Arc B580 | 動かない | - | 収まらない | 12GB | 456GB/s |
シングルストリームの生成速度を、メモリ帯域幅と効率70%から求めた値です。プロンプト処理とバッチ処理は含みません。どれも上限（理論値）で、実測ではありません。Gemma 4 26B-A4B (MoE)がQ4で1トークンごとに読む重みはわずか2.2GBです。これほど少ないと、計算式に含まれない1トークンごとのコストが実際の速度を大きく左右します。≤の付いた18個の数値は、実際のランタイムの速度が表示値をもっとも大きく下回る箇所です。ほかの量子化やAppleのハードウェアについては生成速度（トークン/秒）推定ツールを、モデルではなくハードウェアを選んでいる場合は全GPUの比較をご覧ください。
計算・2026年10月16日量子化・コンテキスト長別の必要メモリ
| 量子化 | 4,096トークン | 8,192トークン | 32,768トークン |
|---|---|---|---|
| Q8_0 | 29.2GB（32GBに収まる） | 29.3GB（32GBに収まる） | 29.8GB（32GBに収まる） |
| Q5_K_M | 19.8GB（24GBに収まる） | 19.9GB（24GBに収まる） | 20.4GB（24GBに収まる） |
| Q4_K_M | 16.4GB（24GBに収まる） | 16.4GB（24GBに収まる） | 16.9GB（24GBに収まる） |
重みはQ4で15GBです。コンテキストが1,000トークン増えるごとに、FP16のKVキャッシュが約0.02GB増えます（これとは別に、スライディングウィンドウ・アテンションのレイヤーが、ウィンドウがいっぱいになった時点で固定の0.21GBを保持します）。ほかの設定はLLM VRAM計算ツールで試せます。
モデルについて
Gemma 4 26B-A4B (MoE)は25.8Bパラメータのモデルです。MoE（Mixture of Experts）構成で、1トークンごとのアクティブパラメータは3.8Bです。全30レイヤーのうち25レイヤーは、直近の1,024トークンを対象とするスライディングウィンドウ・アテンションです（KVヘッド8個、ヘッド次元256）。残りの5レイヤーはグローバルレイヤーで、KVヘッドは2個（ヘッド次元512）です。Gemma 4のMoEモデル（2026年春）で、128個のエキスパートのうち8個と共有エキスパート1個がアクティブになり、1トークンごとに読むパラメータは3.8Bです。Googleは密（dense）モデルの31Bに対する高速な選択肢と位置づけています。
テキストと画像 コンテキスト長262,144トークン Apache 2.0 2026年3月公開 25.8B中3.8Bがアクティブ
思考モード：モデルカードによると、設定で切り替えられます。
128個のエキスパートはすべてメモリに置かれ、1トークンごとのアクティブパラメータは3.8Bです。パラメータ数にはビジョンエンコーダが含まれます。テキスト専用のGGUFはわずかに小さくなります。
ネイティブのコンテキスト長は262,144トークンです。ライセンスはApache 2.0で、寛容な（permissive）ライセンスです。重みの公開は2026年3月です。
得意なこと
- 24GBのGPUでの速度。26B分の重みを持ちながら、4Bモデル並みの速さで応答します。
- 少ないメモリでの長いコンテキスト。30レイヤーのうち25レイヤーがスライディングウィンドウです。
- Apache 2.0ライセンス
注意点
- 1トークンごとに使うのは一部でも、25.8Bのパラメータはすべてメモリに収める必要があります。速いモデルであって、小さいモデルではありません。
- ここまで疎なMoEモデルは、深さと引き換えに速度を得ています。もっとも難しい推論には、Googleがそのために作ったdenseの31Bが向いています。
- 音声入力には対応していません。Gemma 4で音声を扱えるのは12BとEシリーズです。
似たモデル
Q4_K_M・8kコンテキストでGemma 4 26B-A4B (MoE)とほぼ同じメモリを必要とするモデルです。手持ちのGPUで実際に比べる相手になるのは、これらのモデルです。「1kトークンあたり」の列はコンテキストが1,000トークン増えるごとのコストで、同じサイズのモデルの間でもっとも差が出るところです。
| モデル | サイズ | 必要量 | 1kトークンあたり | コンテキスト長 | 公開 |
|---|---|---|---|---|---|
| Gemma 4 26B-A4B (MoE) | 25.8B（アクティブ3.8B） | 16.4GB | 0.02GB | 256k | 2026年3月 |
| Devstral Small 2 24B | 24B | 16.3GB | 0.164GB | 256k | 2025年12月 |
| Mistral Small 3.1 24B | 24B | 16.3GB | 0.164GB | 128k | 2025年3月 |
| Qwen3.8 27B | 27.8B | 18GB | 0.066GB | 256k | 2026年8月 |
| Qwen3.6 27B | 27.8B | 18GB | 0.066GB | 256k | 2026年4月 |
全モデルの比較、8〜96GBに収まるモデル（英語）、クラウドGPUごとの最安の時間料金（英語）もご覧ください。
よくある質問
- Gemma 4 26B-A4B (MoE)は24GBのGPUで動く？
- はい。Q4_K_M・8kコンテキストで約16.4GBが必要で、24GBのGPUに余裕を持って収まります。
- Gemma 4 26B-A4B (MoE)をQ8で動かすには、VRAMはどれくらい必要？
- 8kコンテキストで約29.3GB、32kコンテキストでは29.8GBです。Q8はほぼ劣化がないので、収まるならQ8を使うのがおすすめです。
- Gemma 4 26B-A4B (MoE)のコンテキスト長は？
- ネイティブで262,144トークンです。すべてをQ4_K_Mで保持すると約21.6GBが必要で、そのうち5.6GBがコンテキストの分です。
- Gemma 4 26B-A4B (MoE)が長いコンテキストでも少ないメモリで済むのはなぜ？
- ほとんどのレイヤーが、大きくなっていくキャッシュを持たないからです。全30レイヤーのうち25レイヤーは、直近の1,024トークンを対象とするスライディングウィンドウ・アテンションです（KVヘッド8個、ヘッド次元256）。残りの5レイヤーはグローバルレイヤーで、KVヘッドは2個（ヘッド次元512）です。32kトークンのコンテキストに必要なメモリは約0.9GBです。もし30レイヤーすべてが従来どおり全長のキャッシュを持っていたら、同じ会話に約8.1GBかかります。この節約は、ランタイムがスライディングウィンドウのキャッシュを実装していることが前提です。llama.cppとvLLMは実装していますが、実装していないビルドではずっと多くのメモリを使います。
- Gemma 4 26B-A4B (MoE)はRTX 4090でどれくらいの速さ？
- Q4・シングルストリームでの上限は約320トークン/秒で、体感は「読むより速い」にあたります。これはGPUのメモリ帯域幅から求めた上限で、実測ではありません。この水準の数値では、計算式に含まれないコストが1トークンごとの時間に占める割合が大きくなるため、実際のランタイムはこれを大きく下回ります。
- アーキテクチャの値は、Hugging Faceのgoogle/gemma-4-26B-A4B-itにあるconfig.jsonとモデルカードから読み取り、2026年10月16日に確認しています。このページの数値はすべてこれらの値から計算しています。このモデルのためにハードウェアを買う前に、元の値を確認してください。
- 推定値は、ほかに何も動いていないGPUで会話を1つだけ扱う前提です。同じGPUでデスクトップ環境も動かすと、0.5〜2GBが使われます。