LLM EU
Menü
Modelle

Diffusiongemma 26B A4B It

Google DeepMind

Nur im Katalog Offene Gewichte

Zuletzt geprüft:

Souveränität und Hosting

Nur im Katalog

Dieses Modell ist als Referenz katalogisiert. Es wird noch nicht bei LLM EU gehostet, und kein Endpunkt aus erster Hand bedient es hier. Anfragen dazu gehen direkt an den Anbieter, zu dessen eigenen Bedingungen.

Zusammenfassung

Diffusiongemma 26B A4B It ist ein offenes Vision-Language-Modell von Google DeepMind mit 25,8B Parameter, veröffentlicht unter Apache-2.0. Das Repository wurde im Juni 2026 angelegt und liegt auf Hugging Face. Es nimmt Text und Bilder entgegen und antwortet in Text. Der Checkpoint ist instruct-abgestimmt und enthält ein Chat-Template. Die veröffentlichte Konfiguration verzeichnet kein Kontextfenster; diese Karte führt daher keines. Die Karte ist reiner Katalog: LLM EU betreibt dieses Modell nicht. Der Anbieter nennt auf der Modellseite keine Sprachabdeckung.

Technische Daten

Anbieter
Google DeepMind (US)
Kontextfenster
Nicht verifiziert: Der Anbieter hat diese Angabe nicht belegt.
Modellparameter
25.8B
Modalitäten
text, vision
Lizenz
apache-2.0 · licence
Offene Gewichte
yes
Veröffentlichungsdatum
09. Juni 2026
Aufgaben
Bildverstehen, Mehrsprachiger Support

Sprachen

Stark: —

Ausreichend: —

Stark

    Ausreichend

      Nicht verifiziert: Der Anbieter hat diese Angabe nicht belegt. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

      Wann einsetzen

      Stärken

      • open weights are published on Hugging Face and can be downloaded without a vendor agreement
      • Apache-2.0 licence, so commercial self-hosting is permitted without a separate agreement
      • instruction-tuned checkpoint with a chat template in the repository

      Grenzen

      • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
      • no evaluation has been run by LLM EU
      • the published configuration records no context window, so the card carries none
      • at 25.8B parameters, self-hosting needs a single accelerator with enough memory for the weights
      • vision checkpoints are heavier to serve than their parameter count alone suggests, because the image encoder and pre-processing run alongside the language model
      • the checkpoint generates by block diffusion rather than left-to-right decoding, so serving stacks that assume causal decoding do not run it unchanged