Gemma : le modèle ouvert de Google en local

Le 2 avril 2026, Google a fait passer Gemma 4 sous licence Apache 2.0. C'est ce changement, plus que le classement obtenu sur les benchmarks, qui rend le modèle intéressant pour une entreprise. Les trois générations précédentes tournaient sous les Gemma Terms of Use, une licence maison avec sa propre liste d'usages interdits que chaque service juridique devait relire avant validation. Avec Apache 2.0, cette relecture disparaît.

La famille Gemma 4 va du modèle taillé pour un smartphone jusqu'au modèle dense pensé pour un poste de travail avec GPU dédié. Cet article couvre ce qui a vraiment changé dans cette version, le matériel nécessaire selon la taille choisie, la procédure d'installation avec Ollama, et les pièges qu'on a observés en déployant des LLM locaux sur des projets clients Noxcod.

Cinq tailles, une licence qui a changé

Gemma n'est pas un modèle unique mais une famille qui s'élargit à chaque génération : Gemma 1 en février 2024, Gemma 2 en juin 2024, Gemma 3 en mars 2025, puis Gemma 4 le 2 avril 2026. Cette dernière version compte cinq architectures distinctes. E2B et E4B ciblent le mobile et l'embarqué, avec un fonctionnement possible entièrement hors ligne. Le modèle 12B, dit « unifié », vise le poste de travail. Le 26B fonctionne en mélange d'experts, avec seulement 3,8 milliards de paramètres actifs par requête pour limiter la latence. Le 31B, dense, cible la qualité maximale et le fine-tuning.

Sur le contexte, Google annonce désormais 256 000 tokens pour les modèles 12B, 26B et 31B, et 128 000 pour E2B et E4B, avec un support natif de plus de 140 langues. Toute la famille traite la vision, et l'audio natif s'ajoute sur E2B, E4B et 12B. Gemma se distingue de Gemini sur un point précis : c'est un modèle à poids ouverts, construit sur les mêmes travaux de recherche que la famille propriétaire, livré en fichier téléchargeable et modifiable localement plutôt qu'en API fermée.

Sur la licence justement, le détail compte. Les Gemma Terms of Use qui couvraient les versions 1 à 3 imposaient une « Prohibited Use Policy » et encadraient explicitement la distillation vers d'autres modèles. Gemma 4 sort sous licence Apache 2.0 pure, sans clause de seuil d'usage ni interdiction propre à Google. Pour une entreprise qui audite ses dépendances open source, ça retire une ligne entière du dossier de conformité.

Gemma est-il vraiment gratuit ? Ce qui coûte et ce qui ne coûte pas

Les poids Gemma se téléchargent sans royalties, sous Apache 2.0. Mais la vraie surprise se trouve du côté de l'API. Sur la grille tarifaire officielle de l'API Gemini, Gemma affiche « Free of charge » en entrée, en sortie et en mise en cache de contexte sur le tier gratuit, et « Not available » sur le tier payant : il n'existe tout simplement pas d'offre à l'usage pour Gemma sur l'API Google, contrairement à Gemini. C'est 0 $ par million de tokens dans Google AI Studio, ou vous déployez sur votre propre infrastructure.

Cette gratuité change la manière de tester le modèle avant d'investir dans du matériel. Un prototype ou une démo interne peut tourner entièrement sur l'API gratuite, sans carte bancaire. Ce qu'elle ne dit pas : un tier gratuit reste dimensionné pour du prototypage, pas pour un flux de production à volume constant, et les données transitent par les serveurs de Google, ce qui repose la question de la localisation pour tout usage sur des données sensibles. Pour ce cas précis, l'auto-hébergement reste la seule option qui garde les données chez vous.

Une troisième voie existe pour une équipe qui ne veut pas opérer de serveur GPU elle-même : héberger Gemma 4 via Vertex AI, Cloud Run ou GKE chez Google Cloud. Cette option a un coût, mais c'est celui du calcul standard facturé à l'usage machine, pas un tarif par token propre à Gemma. Pour un volume prévisible sans vouloir gérer l'infrastructure physique, c'est un compromis raisonnable entre l'API gratuite et l'auto-hébergement complet sur du matériel possédé.

Le matériel qu'il faut vraiment pour le faire tourner chez soi

Google fournit une estimation officielle de la mémoire nécessaire par taille, en pleine précision (BF16) et en quantization 4 bits. L'écart entre les deux colonnes est ce qui détermine si le modèle tient sur une carte grand public ou exige un GPU professionnel.

En clair : E2B et E4B en 4 bits tiennent sur n'importe quel Mac récent ou une carte grand public à 8-12 Go de VRAM. Le 12B en 4 bits reste accessible sur une bonne carte grand public, autour de 8 Go. Au-delà, le 26B et le 31B demandent soit une carte professionnelle avec 24 Go de VRAM ou plus en quantization serrée, soit un GPU type A100 ou H100 en pleine précision. La quantization 4 bits dégrade légèrement la qualité de raisonnement, un compromis qui se teste sur des cas réels avant d'être validé, jamais sur la seule fiche technique. Ces chiffres proviennent directement de la documentation officielle Gemma, pas d'une estimation tierce.

Installer Gemma 4 avec Ollama : la procédure qui marche

Pour un premier test, faire tourner un LLM en local avec Ollama reste la voie la plus rapide. Une fois Ollama installé, une seule commande télécharge le modèle et ouvre une session de chat :

ollama run gemma4:12b

Selon le catalogue officiel Ollama, le tag e4b télécharge 9,6 Go et convient à un usage courant sur un poste avec 16 Go de RAM, le tag 12b pèse 7,6 Go et ouvre le contexte de 256 000 tokens, et pour un serveur GPU, les tags 26b (18 Go) et 31b (20 Go) donnent accès aux versions les plus capables. Sur Mac Apple Silicon, les variantes e4b-mlx ou 12b-mlx exploitent le format MLX plutôt que de passer par une émulation générique, avec un gain de vitesse notable.

Pour une interface graphique sans ligne de commande, LM Studio propose les mêmes modèles avec un chat intégré et un serveur API local, utile pour une équipe qui préfère éviter le terminal. En production, sur des volumes de requêtes concurrentes, un moteur d'inférence comme vLLM gère bien mieux le traitement par lots que le mode chat interactif d'Ollama, avec un déploiement possible sous Docker ou sur un cluster Kubernetes. Pour une équipe qui préfère partir des poids bruts plutôt que d'un format packagé, ces mêmes poids Gemma 4 sont aussi publiés directement sur Hugging Face et sur Kaggle, avec un support natif dans llama.cpp et dans NVIDIA NIM pour les infrastructures déjà standardisées sur des GPU Nvidia en entreprise.

Les pièges qu'on a vus sur des déploiements de LLM locaux chez nos clients

Premier piège, presque systématique : la quantization agressive dégrade d'abord les capacités d'appel d'outils avant la qualité rédactionnelle générale. Un modèle qui écrit des phrases parfaitement correctes en 4 bits peut se mettre à produire un JSON mal formé dans un appel de fonction, une panne silencieuse difficile à détecter sur un simple test de chat mais qui casse un agent en production. La règle qu'on applique en projet : valider spécifiquement les appels d'outils après quantization, jamais seulement la qualité de conversation.

Deuxième piège : le contexte annoncé n'est pas le contexte utile. Un modèle qui accepte 256 000 tokens en entrée ne maintient pas la même qualité de récupération d'information sur tout ce volume, la précision baisse à mesure qu'on s'éloigne du début et de la fin du contexte. Pour un usage documentaire dense, mieux vaut découper intelligemment le contenu que de tout envoyer d'un coup en comptant sur la fenêtre maximale annoncée.

Troisième piège, plus opérationnel : épingler la version exacte du modèle en production. Un tag flottant comme latest peut basculer vers un nouveau poids du jour au lendemain, avec un comportement légèrement différent sur des prompts déjà calibrés. On fige toujours un tag daté avant la mise en production, et on teste la nouvelle version en parallèle avant de basculer. Sur les projets d'agents IA sur mesure qu'on livre chez Noxcod, cette discipline de versionnage évite la majorité des régressions signalées après coup par un client.

Quatrième piège, plus rare mais coûteux : lancer plusieurs instances Ollama en parallèle sur le même GPU sans surveiller la mémoire disponible. Chaque session charge son propre exemplaire du modèle, et un service qui accepte des connexions simultanées sans limite finit par saturer la VRAM et planter au pire moment, en pleine charge. Un moteur de production comme vLLM mutualise le modèle entre les requêtes au lieu de le dupliquer, ce qui règle le problème à la racine plutôt que de simplement limiter le nombre de connexions.

Gemma face à Mistral, Llama et Qwen : quand le choisir

Sur le classement Arena, ouvert aux modèles à poids ouverts, Google revendique la troisième place mondiale pour le 31B et la sixième pour le 26B MoE, ce dernier devançant des modèles vingt fois plus gros. Sur les benchmarks académiques publiés par Google AI for Developers, le 31B atteint 85,2 sur MMLU Pro et 84,3 sur GPQA Diamond, quand le 12B, plus petit que le modèle phare de la génération précédente, atteint déjà 77,2 sur MMLU Pro contre 67,5 pour le Gemma 3 27B. Le gain d'intelligence par paramètre, d'une génération à l'autre, se lit directement dans ces deux chiffres.

Face à ce que proposent les autres familles ouvertes, notre repère sur les projets clients reste simple. Mistral AI en entreprise garde l'avantage quand la nationalité française de l'éditeur pèse dans une discussion avec un DPO ou un comité de sécurité, même si son API officielle reste facturée au token, par exemple 2 $ en entrée et 6 $ en sortie par million de tokens pour Mistral Large. Llama, auto-hébergé, reste pertinent pour son écosystème d'outillage très large, mais sa licence impose une demande d'autorisation à Meta au-delà de 700 millions d'utilisateurs actifs mensuels, une clause que Gemma 4 n'a pas. Qwen couvre une gamme de tailles plus étendue, avec des modèles denses et MoE qui vont jusqu'à 235 milliards de paramètres, bien au-delà du 31B de Gemma, mais là aussi sur une API payante à l'usage. Gemma 4 se distingue sur un point précis : c'est un accès API entièrement gratuit en parallèle de l'auto-hébergement, ce qui en fait un bon point de départ pour tester un cas d'usage avant d'investir dans une infrastructure dédiée.

Pour resituer Gemma face à l'ensemble des options souveraines disponibles en France et dans l'UE, notre benchmark des fournisseurs d'IA souveraine FR/EU compare aussi les alternatives hébergées chez Scaleway, OVHcloud ou Infomaniak, pour les cas où l'auto-hébergement d'un modèle comme Gemma ne suffit pas à couvrir l'exigence de souveraineté industrielle. Chez Noxcod, on accompagne ce choix de modèle et son passage en production dans le cadre de projets de développement sur mesure, qu'il s'agisse d'un agent IA interne ou d'une architecture RAG complète. Si votre projet touche des données sensibles ou un volume de requêtes qui rend l'API gratuite insuffisante, planifier un appel avec notre équipe permet de chiffrer l'auto-hébergement avant de s'engager.

Questions fréquentes

Gemma 4 est-il gratuit pour un usage commercial ?

Oui. La licence Apache 2.0 autorise l'usage commercial sans royalties et sans seuil d'utilisateurs, contrairement aux Gemma Terms of Use des versions précédentes. L'accès via l'API Google AI Studio est également gratuit, sans offre payante disponible pour Gemma à ce jour, contrairement à l'API Gemini. Seule l'infrastructure d'auto-hébergement ou d'hébergement géré via Vertex AI, si vous la choisissez, reste à votre charge, facturée au calcul standard.

Quelle taille de Gemma 4 choisir pour commencer ?

Pour un premier test, le modèle 12B offre le meilleur rapport entre qualité et matériel nécessaire : il tient en 4 bits sur une carte grand public autour de 8 Go de VRAM et dépasse déjà le modèle phare de Gemma 3. Monter vers 26B ou 31B ne se justifie que si les résultats du 12B ne suffisent pas sur des cas réels.

Gemma tourne-t-il sur un Mac ?

Oui, les tags MLX d'Ollama sont optimisés pour Apple Silicon et évitent l'émulation générique. Les modèles E2B et E4B tournent confortablement sur un Mac récent avec 16 Go de RAM unifiée, et le 12B reste accessible sur une configuration correcte grâce à la mémoire unifiée du GPU intégré. Pour du texte seul, un Mac Mini M4 suffit déjà à tester les tailles E2B et E4B avant d'investir dans une carte GPU dédiée.

Gemma auto-hébergé respecte-t-il le RGPD ?

Un modèle open-weight déployé sur votre propre infrastructure ou chez un hébergeur européen ne transmet aucune donnée à Google pendant l'inférence : c'est un fichier de poids exécuté localement. La question du transfert hors UE ne se pose que si vous appelez l'API hébergée par Google, pas en auto-hébergement.

Faut-il choisir Gemma ou Mistral pour un projet en France ?

Auto-hébergés en France, les deux respectent le RGPD de la même façon techniquement. Mistral garde un avantage quand l'origine française de l'éditeur compte dans la discussion avec un DPO. Gemma 4 devient pertinent quand la gratuité de l'API pour le prototypage ou le gain de performance par taille de modèle pèsent plus lourd que cet argument.