Gemmaを他モデルと比較｜Llama・Mistral・GPTとの違いと選び方

本ページはGemmaを他のLLM（Llama・Mistral・GPTなど）と比較し、性能・ライセンス・用途別の選び方に特化して解説します。Gemmaそのものの概要や仕組みについてはgemma とは？仕組み・活用を分かりやすく解説をご覧ください。

Gemma比較完全ガイド：バージョン・モデルサイズ・競合LLMを徹底解説

Googleが2024年2月に公開したオープンウェイトLLM「Gemma」は、2B・7Bから始まり、Gemma 2・Gemma 3・Gemma 4と急速に進化を続けています。「どのバージョンを使えばいいのか」「GPT-4oやLlama 3と比べてどうなのか」「自社の用途にどのモデルが最適か」——こうした疑問を持つエンジニア・研究者・ビジネス担当者が急増しています。本記事ではGemmaの各バージョン・モデルサイズ間の比較、および主要競合LLMとの比較を、ベンチマーク・ライセンス・実用性の観点から網羅的に解説します。

Gemmaシリーズの全体像：世代とモデルラインナップ

Gemmaは同名のマルチモーダル大規模モデル「Gemini」の技術を蒸留・軽量化したオープンウェイトモデルファミリーです。2026年6月時点で大きく4世代が存在し、それぞれ異なるサイズ・特性を持ちます。現在の最新世代はGemma 4です。

世代	公開時期	主なモデルサイズ	コンテキスト長	主な特徴
Gemma 1	2024年2月	2B / 7B	8,192トークン	軽量・初のオープンウェイト公開
Gemma 2	2024年6月〜9月	2B / 9B / 27B	8,192トークン	スライディングアテンション・知識蒸留採用
Gemma 3	2025年3月〜	270M / 1B / 4B / 12B / 27B	最大128,000トークン	マルチモーダル・140言語超対応・長文対応
Gemma 4（最新）	2026年3月〜	E2B / E4B / 12B / 26B（MoE）/ 31B	E2B/E4B：128K、中型以上：256K	Apache 2.0・ネイティブマルチモーダル（テキスト・画像・動画・音声）・256Kコンテキスト

各世代は基本的に上位互換の性能向上が行われており、新規プロジェクトでは原則としてGemma 4を選択するのが合理的です。ただし用途・ハードウェア制約によっては旧世代の安定性が優先されるケースもあります。なお、Gemma 1〜3はレガシー世代として位置づけられています。

Gemma 1 vs Gemma 2 vs Gemma 3 vs Gemma 4：世代間の詳細比較

世代が上がるごとに、単純なパラメータ増加だけでなく、アーキテクチャ・学習手法・マルチモーダル対応など質的な変化が加わっています。以下の比較表と解説で各世代の差異を整理します。

アーキテクチャと学習手法の変化

比較項目	Gemma 1	Gemma 2	Gemma 3	Gemma 4（最新）
アテンション機構	標準MHA	スライディング＋グローバルアテンション交互	スライディング＋グローバル（改良版）	エンコーダフリー統合アーキテクチャ
知識蒸留	非採用	採用（上位モデルから蒸留）	採用（Gemini 2.0系から蒸留）	採用
マルチモーダル	テキストのみ	テキストのみ	テキスト＋画像入力対応（全サイズ）	テキスト・画像・動画・音声（ネイティブ対応）
多言語対応	英語中心	英語中心（改善）	140言語以上対応	140言語以上対応（継承・強化）
コンテキスト長	8K	8K	最大128K	E2B/E4B：128K、12B/26B/31B：256K
モデルサイズ展開	2B / 7B	2B / 9B / 27B	270M / 1B / 4B / 12B / 27B	E2B / E4B / 12B / 26B（MoE）/ 31B
ライセンス	Gemma Terms of Use	Gemma Terms of Use	Gemma Terms of Use（商用利用可）	Apache 2.0（Gemma 4で初採用）

Gemma 2で導入されたスライディングアテンションと知識蒸留は、同パラメータ数でのベンチマーク性能を大きく引き上げた重要な革新です。Gemma 3ではこれをさらに発展させ、SigLIPをベースにした視覚エンコーダを統合し、テキストと画像を同時に処理できるマルチモーダルモデルへと進化しました。そして現行世代のGemma 4では、エンコーダフリーアーキテクチャによりテキスト・画像・動画・音声をネイティブに統合処理できる設計となっています。また、Gemma 4では初めてApache 2.0ライセンスが採用され、商用利用・ファインチューニング後の再配布がライセンス費用・特別許諾なしで可能となった点も大きな変化です。中型以上モデル（12B/26B/31B）のコンテキストが256Kへ拡張され、より長大なドキュメント分析やマルチターン会話への実務適用が広がっています。

ベンチマーク比較（主要指標）

モデル	MMLU（5-shot）	HumanEval（コード）	GSM8K（数学）	MATH
Gemma 1 7B	64.3	32.3	46.4	24.3
Gemma 2 9B	71.3	40.2	68.6	36.6
Gemma 2 27B	75.2	51.8	74.0	42.3
Gemma 3 4B	59.6	48.1	73.9	44.8
Gemma 3 12B	74.3	55.6	83.2	55.1
Gemma 3 27B	78.8	62.4	89.0	62.9

※ 上記数値はGoogle公式テクニカルレポートおよびHugging Face Evaluation Leaderboardの報告値を参考に整理したものです。評価条件・プロンプト形式によって変動する点にご注意ください。Gemma 4の公式ベンチマーク詳細はGoogle AI for Developers（Gemma 4 model overview）をご参照ください。

Gemma 4モデルサイズ別比較：E2B・E4B・12B・26B（MoE）・31Bの使い分け

Gemma 4は5つのサイズ展開が最大の特長の一つです。モバイル・エッジ向けのE2B/E4Bから最大級の31B Denseまで、用途とハードウェアに応じた選択肢を詳しく整理します。なお12B Unified（2026年6月3日リリース）はマルチモーダルの主力モデルとして位置づけられており、コンテキスト256Kに対応しています。

サイズ選定の判断フロー

Gemma vs 主要競合LLM：横断比較

Gemmaを他の主要オープンウェイト・クローズドLLMと比較します。「自社でモデルを運用したいがどれを選ぶか」という判断に直接役立つ比較です。

オープンウェイトLLM比較（2026年6月時点）

モデル	開発元	最大サイズ	コンテキスト長	マルチモーダル	日本語対応	商用ライセンス	主な強み
Gemma 4 31B	Google	31B（Dense）	256K	◎（テキスト・画像・動画・音声）	◎（140言語超）	◎（Apache 2.0）	ネイティブマルチモーダル・長文対応・多言語・完全商用自由
Llama 3.3 70B	Meta	405B	128K	△（一部モデルのみ）	○	○（条件付き）	大規模モデルでの高精度
Mistral Small 3	Mistral AI	24B	32K	×	△	○（Apache 2.0）	軽量・高速・Apache 2.0
Phi-4	Microsoft	14B	16K	△	△	○（MIT）	数学・推論特化の小型モデル
Qwen 2.5 72B	Alibaba	72B（※MoEは最大235B）	128K	◎	◎（中日英）	○（条件付き）	多言語・コード・数学に強い
DeepSeek R2（V3系）	DeepSeek	671B（MoE）	128K	△	○	○（条件付き）	コスト効率・推論能力

クローズドAPI型LLMとの比較（参考）

モデル	開発元	コンテキスト長	マルチモーダル	オンプレ運用	主な用途
GPT-4o	OpenAI	128K	◎	×（API経由のみ）	汎用・高精度
Claude 3.5 Sonnet	Anthropic	200K	◎	×	長文・安全性重視
Gemini 1.5 Pro	Google	1M	◎	×（Vertex AI経由）	超長文・動画対応
Gemma 4 31B	Google	256K	◎	◎（オンプレ可）	プライバシー重視・ローカル運用

クローズドモデルと最も大きく異なるのはオンプレミス・ローカル環境での自己ホスト可否です。医療・金融・行政など機密データを扱う領域では、API経由でのデータ送信を避けたいニーズが強く、GemmaのオープンウェイトかつApache 2.0ライセンス（Gemma 4）という性質が決定的な優位点となります。

ベンチマーク詳細比較：タスク別でGemmaはどこが強いか

総合ベンチマークでの順位だけでなく、タスクの種類ごとにGemmaの強みと弱点を理解することが実務上の重要ポイントです。

タスク別相対評価

タスク領域	Gemma 4 31B	Llama 3.3 70B	Mistral Small 3	Qwen 2.5 72B	Phi-4 14B
一般知識・常識推論	◎	◎	○	◎	○
数学・論理推論	◎	○	○	◎	◎
コード生成	◎	◎	○	◎	◎
長文理解・要約	◎（256K）	◎（128K）	△（32K）	◎（128K）	△（16K）
多言語対応	◎（140言語超）	○	△	◎	△
画像・動画・音声理解	◎（ネイティブ対応）	△（一部のみ）	×	◎	△
小サイズでの性能効率	◎	○	◎	○	◎
日本語精度	◎	○	△	◎	△

Gemma 4 31Bは同パラメータ帯のモデルとしてバランスが非常に優れており、特に「日本語対応×マルチモーダル（画像・動画・音声）×長文（256K）」という組み合わせが求められる用途では競合を一歩リードしています。一方、純粋な英語テキスト処理での最高精度を求めるなら、Llama 3.3 70BやQwen 2.5 72Bが上位に位置することもあります。

ライセンス・商用利用条件の比較

エンタープライズ導入において、ライセンス条件の確認は技術性能と同等に重要です。

モデル	ライセンス	商用利用	再配布・派生	月間アクティブユーザー制限	注意事項
Gemma 4	Apache 2.0	◎	◎（制限なし）	なし	Gemma 4で初採用。最も自由度が高い
Gemma 1〜3（レガシー）	Gemma Terms of Use	○	○（条件付き）	なし（※大規模利用はGoogle承認が必要な場合あり）	競合AI製品への利用不可・ポリシー遵守必須
Llama 3	Meta Llama 3 License	○	○（条件付き）	月間7億ユーザー超は要申請	競合AI学習への使用禁止
Mistral系	Apache 2.0（一部モデル）	◎	◎	なし	自由度が高い
Phi-4	MIT License	◎	◎	なし	制限が最も少ない
Qwen 2.5	Qwen License	○	○（条件付き）	1億ユーザー超は要申請	中国法規制の影響に注意

Gemma 4はApache 2.0ライセンスを採用しており、商用利用・ファインチューニング後の再配布も特別な契約や許諾なしで可能です。これはGemma 3以前の「Gemma Terms of Use」（競合AI開発禁止等の制限あり）から大きく自由化された点です。派生モデルをOSSとして公開・再配布したいケースでも、Gemma 4はMistralと並んで有力な選択肢になりました。なお、旧世代（Gemma 1〜3）のTerms of Useには「競合するAI/MLサービスの開発・改善への利用禁止」条項が含まれる点にご注意ください。

ファインチューニング対応・エコシステム比較

モデルをそのまま使うのではなく、自社データでファインチューニングして専門特化させたい場合、エコシステムの充実度が重要な選定基準になります。

主要フレームワークとの対応状況

フレームワーク	Gemma 4	Llama 3	Mistral	Qwen 2.5
Hugging Face Transformers	◎	◎	◎	◎
Keras（keras-nlp）	◎（公式サポート）	○	△	△
LlamaIndex / LangChain	◎	◎	◎	◎
Ollama（ローカル実行）	◎	◎	◎	◎
Google Vertex AI	◎（公式統合）	○	○	×
vLLM（高速推論）	◎	◎	◎	◎
JAX/TPU対応	◎（公式）	△	△	△

Gemma 4はGoogle製品との統合が最も深く、Vertex AI・Google Cloud・TPUを活用したスケーラブルな運用において明確な優位性があります。Keras/JAXによる公式サポートは、TensorFlowエコシステムを使用している組織にとって特に価値があります。一方、PyTorchベースの既存パイプラインを持つ組織なら、Llama 3やMistralの方が移行コストが低い場合があります。

実用途別：Gemmaを選ぶべきケースと避けるべきケース

Gemmaが最適なシナリオ

• 日本語・多言語混在アプリケーション：Gemma 4は140言語以上対応を継承しており、日本語でのベンチマーク性能が同サイズ帯で高水準。日本市場向けのチャットボット・カスタマーサポートに適している
• Google Cloudを主要インフラとする組織：Vertex AIとのネイティブ統合により、MLOpsパイプラインの構築・管理コストを削減できる
• エッジ・オンデバイスAI：Gemma 4のE2B/E4Bは量子化適用でスマートフォン・エッジデバイス・ブラウザ上での推論が現実的。Google自身がAndroid向けの活用を推進している
• プライバシー・データ主権が重要な領域：医療・法律・金融など機密データを扱う場面でオンプレ自己ホストが必要なケース
• マルチモーダル＋長文の組み合わせが必要な用途：テキスト・画像・動画・音声と長文テキスト（256K）を同時に処理するRAGシステム・ドキュメント分析ツール
• ライセンスの自由度を最大化したい場合：Gemma 4のApache 2.0採用により、ファインチューニング後の再配布・商用組み込みが特別許諾なしで可能

他のモデルを検討すべきシナリオ

• 最高精度の英語テキスト処理：英語専用タスクでの絶対的な精度を求めるなら、Llama 3.3 70B以上やクローズドのGPT-4o・Claude 3.5の方が上位に位置することがある
• 超大規模モデルが必要：Gemma 4は最大31B（Dense）と、100B超の大規模モデルには対応していない。非常に複雑な推論タスクでは70B以上のLlamaやQwenが上回ることがある
• コード特化タスク：コード生成・補完に特化した専用モデル（DeepSeek Coder系など）は同サイズでもコードタスクで優れる場合がある

量子化・推論効率の比較

実際のデプロイでは、フルprecisionではなくINT8・INT4量子化を使うケースが大半です。量子化後の性能保持率もモデル選定の重要要素です。

モデル	フルprecision VRAM（参考）	INT8量子化後VRAM	INT4（Q4）量子化後VRAM	量子化後の性能保持
Gemma 4 12B Unified	約24GB（BF16）	約12GB	約7GB	高（単一12GB GPUでQ4運用が現実的）
Gemma 4 31B Dense	約62GB（BF16）	約31GB	約16GB	高（知識蒸留により量子化耐性が高い）
Llama 3.3 70B	約140GB（BF16）	約70GB	約35GB	高
Mistral Small 3 24B	約48GB（BF16）	約24GB	約12GB	高
Phi-4 14B	約28GB（BF16）	約14GB	約7GB	高（小型モデルとして特に優秀）

Gemma 4系は知識蒸留を活用した学習により、量子化後もベンチマーク性能の劣化が比較的小さいという特性が報告されています。特にGemma 4 12B UnifiedはQ4量子化適用で単一12GB GPUに収まり、RTX 3060 12GBやRTX 4070といったコンシューマGPU上でマルチモーダル対応（テキスト・画像・動画・音声）の実用的な推論が可能です。また31B DenseもINT4量子化でRTX 3090（24GB）やRTX 4090（24GB）上での動作が視野に入るため、ローカル開発環境での選択肢として現実的です。

まとめ：Gemma比較の選定ポイント整理

Gemmaシリーズの比較を通じて見えてきた選定の核心ポイントを整理します。

• 世代選択：新規プロジェクトはGemma 4（現行世代、2026年3月〜）を基本とする。Apache 2.0ライセンス・ネイティブマルチモーダル（テキスト・画像・動画・音声）・256Kコンテキスト（中型以上）・幅広いサイズ展開がそのまま競争優位となる
• サイズ選択：モバイル・エッジ・ブラウザ→E2B/E4B、マルチモーダル主力・本番RAG→12B Unified、高スループット推論→26B A4B（MoE）、最高精度本番→31B Dense
• 12B Unifiedモデルの注目点：マルチモーダル対応（テキスト・画像・動画・音声）かつ単一12GB GPUでQ4量子化運用が可能。コンシューマGPU環境での実用的な本番導入において特にコストパフォーマンスが高い
• 競合との差別化ポイント：Apache 2.0ライセンス・同パラメータ帯でのバランス性能・140言語超の多言語対応・Google Cloud統合・ネイティブマルチモーダル+256Kコンテキストの組み合わせがGemma 4の強み
• ライセンス：Gemma 4はApache 2.0で商用利用・再配布ともに最大限自由。旧世代（Gemma 1〜3）はGemma Terms of Useの制限（競合AI開発禁止等）を事前確認すること
• エコシステム：Google Cloud・Vertex AI・TP

  参考文献

  このフィールドは空白のままにしてください

  AIブログ購読

  　
  クリスタルメソッドがお届けする
  AIブログの更新通知を受け取る

  受信ボックスか迷惑メールフォルダを確認して購読手続きを完了してください。