Google DeepMind met à jour sa famille de modèles ouverts avec Gemma 4. La page publiée le 12 août présente des modèles conçus pour maximiser l’intelligence par paramètre, avec un accent sur l’exécution locale, les usages multimodaux et les workflows agentiques.
La promesse de Gemma 4 n’est pas seulement d’ajouter un nouveau nom au catalogue des modèles ouverts. Google insiste sur l’efficacité mémoire et calcul, afin de rendre possibles des applications sur ordinateurs personnels, appareils mobiles, objets connectés et matériels edge. Cette orientation compte pour les développeurs qui veulent garder une partie du traitement en local, réduire la latence ou limiter les dépendances à des appels cloud coûteux.
Des modèles ouverts orientés agents
La page DeepMind met en avant plusieurs capacités : workflows agentiques avec fonction calling natif, raisonnement multimodal, prise en charge de 140 langues, fine tuning et architecture efficace. Dans le détail, le tableau de performances cite notamment Gemma 4 31B IT Thinking et Gemma 4 26B A4B IT Thinking, comparés à Gemma 3 27B IT sur des tâches comme MMMLU multilingue, MMMU Pro, LiveCodeBench, GPQA Diamond ou τ2-bench pour l’usage d’outils.
Le message est clair : Google veut positionner Gemma comme une base ouverte pour construire des assistants qui planifient, appellent des fonctions et naviguent dans des applications, sans réserver ces usages aux grands modèles fermés. Cette stratégie répond à une demande très concrète des équipes produit : disposer de modèles contrôlables, fine-tunables et plus faciles à déployer dans des environnements contraints.
L’efficacité devient un critère de produit
Depuis deux ans, la compétition IA s’est souvent résumée à la taille des modèles et aux scores de benchmark. Gemma 4 pousse un autre axe : obtenir davantage de capacité utile par paramètre. Cela peut devenir décisif pour les applications embarquées, les outils internes, les agents spécialisés et les produits qui doivent fonctionner près des données.
Cette efficacité n’est pas une simple question de coût. Elle influence aussi la confidentialité, la réactivité et la robustesse. Un modèle plus léger peut être exécuté sur un poste développeur, un appareil industriel ou une passerelle locale, avec moins de dépendance au réseau. Dans les secteurs sensibles, cette capacité à garder l’inférence sur site peut peser autant que quelques points de performance brute.
Notre analyse
Gemma 4 arrive dans un marché où les modèles ouverts se spécialisent rapidement. Les entreprises ne cherchent plus seulement un chatbot généraliste : elles veulent des briques capables de lire des documents, d’analyser des images, d’appeler des outils, de suivre des consignes métier et de s’intégrer à leurs logiciels. Le support annoncé des workflows agentiques va donc dans le sens du marché.
Le sujet reste toutefois à vérifier en pratique. Les benchmarks donnent un premier repère, mais les développeurs jugeront Gemma 4 sur la qualité des poids disponibles, la stabilité du fine tuning, la compatibilité avec les frameworks et le comportement réel en production. Pour RoboActu, l’intérêt est surtout le mouvement de fond : l’IA pure se rapproche des contraintes du terrain, avec des modèles plus efficaces et plus simples à installer près des usages.
