Gemma 4 教學：零基礎也能免費用 Google 最強開源 AI，完整安裝＋多模態應用攻略（2026）

Gemma 4 教學看這篇就夠！這是 Google 在 2026 年 4 月發布的最強開源 AI 模型，免費、可本地跑、還能看圖片聽音訊。不管你是第一次接觸 AI、還是想把 AI 裝進自己電腦的人，本文帶你從「什麼是 Gemma 4」一路做到「讓 AI 幫你分析圖片」，一步都不跳過。

📌 本文涵蓋：Gemma 4 各版本比較 ｜ 硬體需求說明 ｜ Ollama 零基礎安裝教學 ｜ HuggingFace 線上體驗 ｜ 多模態（圖片＋音訊）實戰 ｜ 常見問題 FAQ

什麼是 Gemma 4？為什麼 Google 要做這個？

2026 年 4 月 2 日，Google DeepMind 宣布了一件大事：他們把旗艦 AI 模型 Gemini 3 的核心技術「開源」了。這個開源版本，就叫做 Gemma 4。

聽起來抽象嗎？讓我用現實世界比喻一下：

想像 Gemini 3 是 Tesla 的電動車核心技術，只有 Tesla 自己能用。但 Google 現在做的事，等於是把核心引擎的設計圖免費發出去，讓全世界所有人都能拿來自己做電動車。這就是 Gemma 4 的本質。

那，在 Gemma 4 出現之前，我們碰到了什麼問題？

• ✅ 強大的 AI 模型（GPT-4、Claude 3.5 等）都要付費訂閱，一個月幾百元台幣
• ✅ 免費的本地模型（如 Llama 3）功能偏弱，不支援看圖、聽音訊
• ✅ 資料隱私問題：把內容傳給 OpenAI 的伺服器，不確定資料怎麼被使用

Gemma 4 一次解決了這三個痛點：完全免費、可在本地電腦執行、支援圖片＋音訊多模態，而且效能比上一代 Gemma 3 提升數倍。

【Gemma 4 誕生的底層邏輯】

你  ──────────────→  Gemma 4 模型
（給問題/圖片/音訊）      │
                         │ 在你自己電腦執行
                         ↓
                    AI 回應結果（完全不經過 Google 伺服器）

傳統流程（ChatGPT）：
你  → 網路  → OpenAI 雲端伺服器  → 回應  → 你
          ↑ 每次都要付費 + 資料上傳

這張圖說明了最關鍵的差異：你和 Gemma 4 之間，不需要任何中間人。

Gemma 4 版本大比拼：E2B、E4B、26B、31B 你該選哪個？

Gemma 4 共有 4 種大小，從最輕巧的「隨手機都能跑」到「需要高階 GPU」，差異非常大。選對版本，才不會下載了跑不動。

💡 給新手的建議：如果你有 8 GB 記憶體的筆電（MacBook Air 2022 以上、或大多數現代 Windows 筆電），就選 Gemma 4 E4B——品質夠好、速度也夠快，不需要大費周章。

如果你有 Apple Silicon（M2 以上）或 16 GB 以上記憶體，可以升級到 26B-A4B，體驗接近頂級 AI 的回應品質。

你的電腦能跑嗎？Gemma 4 硬體需求完整說明

很多人下載前最怕的問題就是：「我的電腦會不會太舊？」這裡幫你一次說清楚。

什麼東西影響 Gemma 4 的執行速度？

• 🔵 RAM（記憶體）：最重要。模型整個要載入記憶體才能執行。8 GB 跑 E4B，16 GB 跑 26B
• 🟠 CPU 或 GPU：沒有 GPU 也能跑，但速度較慢。Apple Silicon（M 系列晶片）最推薦，因為 CPU/GPU 共用記憶體
• 🟢 磁碟空間：E4B 大約 2.6 GB，26B 大約 16 GB，下載前確認有空間

各類電腦的實測執行速度估算：

裝置類型                   推薦版本    每秒 Token 速度（估算）
────────────────────────────────────────────────────────
Apple M2 MacBook Air 8GB   E4B        約 15-25 tok/s ⚡
Apple M3 MacBook Pro 16GB  26B-A4B    約 25-40 tok/s ⚡⚡
Windows 筆電 8GB RAM       E4B        約 5-10 tok/s  ✅
Windows 筆電 16GB RAM      26B-A4B    約 10-15 tok/s ✅
RTX 3080 GPU (10GB VRAM)   26B-A4B    約 40-60 tok/s ⚡⚡⚡
無 GPU、8GB RAM            E2B        約 3-6 tok/s   (可用)
────────────────────────────────────────────────────────
參考基準：ChatGPT 雲端速度約 60-80 tok/s

⚠️ 特別提醒：Apple Silicon 的 M 系列晶片因為 CPU 和 GPU 共用統一記憶體，在跑本地 AI 模型時效率遠超同 RAM 容量的 Windows 筆電。如果你有 M2 或以上的 MacBook，Ollama 跑起來會出乎意料地順暢。

方法一：Ollama 安裝教學（零基礎最推薦，5 分鐘完成）

Ollama 是目前跑本地 AI 模型最簡單的工具。你不需要懂 Python、不需要設定環境變數，只需要幾個指令就能讓 Gemma 4 在自己電腦跑起來。

前置準備（3 分鐘）：

步驟 1：下載並安裝 Ollama

1. 用瀏覽器打開 https://ollama.com/download
2. 根據你的作業系統，點擊對應的下載按鈕：
   • macOS：點擊「Download for macOS」→ 下載完後直接打開 .dmg 檔案安裝
   • Windows：點擊「Download for Windows」→ 下載 .exe 安裝程式，雙擊執行
   • Linux：在終端機執行：curl -fsSL https://ollama.com/install.sh | sh
3. 安裝完成後，你應該看到：macOS 右上角出現 Ollama 的羊駝圖示（🦙），或 Windows 的系統匣出現圖示

✅ 看到羊駝圖示才算成功。如果沒有，重新執行安裝程式。

步驟 2：打開終端機（命令列）

• macOS：按下 Command + 空白鍵 搜尋「終端機（Terminal）」，按 Enter 打開
• Windows：按 Windows 鍵 + R，輸入 cmd，按 Enter 打開命令提示字元
• Linux：按 Ctrl + Alt + T 打開終端機

✅ 看到命令列閃爍的游標才算成功。

步驟 3：下載 Gemma 4 模型

在終端機輸入以下指令（根據你的電腦選一個）：

8 GB RAM 以下 → 選 E4B（推薦入門）：

ollama pull gemma4:e4b

16 GB RAM / Apple M2 以上 → 選 26B-A4B（效能更好）：

ollama pull gemma4:26b-a4b

⚠️ 這個步驟會下載模型檔（約 2.6 GB～16 GB），需要等待下載完成。速度取決於你的網路。看到 100% ████████ 進度條跑完才算成功。

✅ 看到「success」或回到命令行提示符才算成功。

步驟 4：啟動對話

在終端機輸入：

ollama run gemma4:e4b

（如果你下載的是 26B，把 e4b 改成 26b-a4b）

看到 >>> 提示符出現，代表 AI 已經啟動，等待你輸入問題。

試著輸入：你好，可以用繁體中文和我說話嗎？ 然後按 Enter。

✅ AI 用繁體中文回應你才算成功。 按 Ctrl + D 可以退出對話。

常見問題排解：

• ❓ ollama: command not found → 代表 Ollama 沒有正確安裝，重新安裝一次
• ❓ 下載很慢 → 正常，耐心等待；也可以用 VPN 加速
• ❓ 記憶體不足錯誤 → 換成更小的版本（e4b 改成 e2b）

方法二：HuggingFace 線上體驗（不安裝任何東西，秒開）

如果你只是想快速試試看 Gemma 4 的能力，不想在電腦上安裝任何東西，可以直接用 HuggingFace 的線上 Demo 體驗。

這個方法完全免費，但有使用次數限制，適合快速測試不適合長期使用。

步驟 1：打開 HuggingFace Spaces

根據你的需求，選擇以下其中一個連結打開：

• Gemma 4 E4B（輕量版，回應較快）：前往 HuggingFace Spaces 搜尋 gemma-4-e4b-it
• Gemma 4 26B（完整版，回應品質更好）：搜尋 gemma-4-26b-a4b-it

⚠️ 這些 Spaces 是由社群維護的，如果服務繁忙可能需要排隊。

步驟 2：登入 HuggingFace 帳號

1. 打開 https://huggingface.co
2. 點擊右上角的「Sign Up」建立免費帳號（只需要 Email）
3. 建立完成後，回到 Spaces 頁面，點擊登入

✅ 看到右上角顯示你的用戶名稱才算登入成功。

步驟 3：開始對話

1. 在 Space 頁面底部的輸入框，輸入你的問題
2. 按下 Enter 或點擊「送出」按鈕
3. 等待 AI 回應（第一次可能較慢，後續會加速）

⚠️ 線上版 vs 本地版的差異：

方法三：Python Transformers（開發者進階使用）

如果你是開發者，想把 Gemma 4 整合進自己的程式或自動化流程，可以透過 Hugging Face 的 Transformers 函式庫直接呼叫。

前置準備

# 安裝必要套件（在終端機執行）
pip install -U transformers accelerate torch

基本使用範例（文字對話）

from transformers import pipeline

# 初始化 pipeline（第一次會下載模型，需要等待）
pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-4-e4b-it",  # 可換成 e2b-it 或 27b-it
    device="cpu"  # 沒有 GPU 就用 cpu；有 GPU 用 "cuda"
)

# 對話
messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "請用繁體中文介紹你自己"}
        ]
    }
]

result = pipe(messages, max_new_tokens=500)
print(result[0]["generated_text"][-1]["content"])

看圖片範例

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://example.com/your-image.jpg"},
            {"type": "text", "text": "請描述這張圖片裡有什麼？用繁體中文回答"}
        ]
    }
]

result = pipe(messages, max_new_tokens=500)
print(result[0]["generated_text"][-1]["content"])

⚠️ 注意：第一次執行 Transformers 方法時，模型會自動下載到你的電腦（位置：~/.cache/huggingface/），Gemma 4 E4B 約 2.6 GB。確認磁碟空間充足再執行。

多模態實戰：讓 Gemma 4 幫你看圖片、聽音訊、分析影片

這是 Gemma 4 最讓人興奮的功能——它不只能讀文字，還能理解圖片、音訊和影片。這讓本地 AI 的應用場景瞬間擴大了十倍。

📸 功能一：圖片理解（所有版本都支援）

Gemma 4 所有版本（E2B、E4B、26B、31B）都能「看」圖片。你可以拿來做：

• 📄 OCR（圖片轉文字）：把書本、發票、名片的照片，提取成可編輯文字
• 📊 資料分析：把截圖貼給 AI，讓它解讀圖表、表格
• 🏠 物件識別：「這張圖裡有什麼？」「這個物體叫什麼？」
• 🔍 HTML 生成：給 AI 一張網頁設計截圖，讓它直接寫 HTML 程式碼

Ollama 圖片分析使用方式：

在 Ollama 終端機對話中，直接輸入圖片路徑：

ollama run gemma4:e4b "請描述這張圖片" --image /path/to/your/image.jpg

或者用 API 方式（在別的程式裡呼叫）：

curl http://localhost:11434/api/generate -d '{
  "model": "gemma4:e4b",
  "prompt": "這張圖片裡有什麼？請用繁體中文回答",
  "images": ["base64_encoded_image_data"]
}'

🎵 功能二：音訊理解（E2B 和 E4B 才有）

這是 Gemma 4 最獨特的功能：E2B 和 E4B 版本可以直接聽音訊檔，理解裡面說了什麼。應用場景包括：

• 🎙️ 會議錄音轉文字與摘要
• 📞 客服電話分析
• 🗣️ 語言學習（判斷發音是否正確）

Python 範例：

from transformers import pipeline

pipe = pipeline("image-text-to-text", model="google/gemma-4-e2b-it")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "url": "https://example.com/meeting-recording.mp3"},
            {"type": "text", "text": "請把這段音訊的內容摘要成繁體中文，重點條列"}
        ]
    }
]
result = pipe(messages, load_audio=True, max_new_tokens=1000)
print(result[0]["generated_text"][-1]["content"])

🎬 功能三：影片理解（E2B 和 E4B 才有）

Gemma 4 的小模型還能理解影片！（這在開源模型中非常罕見）

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "url": "https://example.com/tutorial-video.mp4"},
            {"type": "text", "text": "這部影片示範了什麼操作步驟？請用繁體中文條列整理"}
        ]
    }
]
result = pipe(messages, max_new_tokens=1000)
print(result[0]["generated_text"][-1]["content"])

【Gemma 4 多模態能力總覽】

輸入類型    E2B   E4B   26B-A4B   31B
────────────────────────────────────────
文字        ✅    ✅      ✅       ✅
圖片        ✅    ✅      ✅       ✅
音訊        ✅    ✅      ❌       ❌
影片        ✅    ✅      ❌       ❌
────────────────────────────────────────
上下文長度  128K  128K   256K     256K
推理模式    可開  可開    可開      可開
────────────────────────────────────────
＊推理模式（Thinking Mode）= AI 在回答前先「想一想」，適合複雜問題

Gemma 4 vs 其他開源模型：你應該選哪個？

開源模型的市場在 2026 年爆發式成長，除了 Gemma 4，還有哪些選擇？讓我們比較主要競爭者：

結論：如果你的電腦有 8 GB 記憶體、想要最全面的多模態能力、又希望商業使用完全免費，Gemma 4 E4B 目前是最均衡的選擇。

如果你需要更強的中文能力（例如寫繁體中文文章），可以搭配 Qwen 2.5 VL。如果是純英文工程任務，Llama 4 也是好選擇。

💡 實用技巧：用 Ollama 可以同時管理多個模型，不同任務切換不同模型，不需要解除安裝重新下載。指令如下：

# 切換到 Qwen 模型
ollama run qwen2.5:7b

# 切換回 Gemma 4
ollama run gemma4:e4b

📬 不錯過任何 AI 工具教學

阿宥每週整理最實用的 AI 工具心得，都是實際用過才寫的。

訂閱新文章通知

Powered by

或 追蹤 Threads @ayu.ai.house

每組序號第一裝置限一用・不可轉讓或分享