AWS oplyser, at Gemma 4‑familien fra Google DeepMind nu er tilgængelig på Amazon Bedrock. Modellerne er udgivet som open‑weight under Apache 2.0, og AWS beskriver dem som designet med fokus på intelligence‑per‑parameter på tværs af udrulningsscenarier. På Bedrock fremhæves tre instruction‑tunede varianter og centrale kapabiliteter som reasoning‑tilstand, native function calling og multimodalt input over tekst og billede.

Hvad AWS har annonceret

Ifølge AWS’ blogindlæg omfatter Gemma 4 tre varianter: Gemma 4 31B, Gemma 4 26B‑A4B og Gemma 4 E2B. Familien dækker både dense og mixture‑of‑experts‑arkitekturer. AWS beskriver, at MoE kun aktiverer en brøkdel af parametrene pr. forespørgsel. AWS angiver også, at familien på Bedrock spænder fra en kompakt model med 2,3 mia. effektive parametre til en 30,7 mia. parameters dense model, så brugere kan matche varianter til forskellige pris‑ og latencyprofiler.

AWS skriver, at inferens for Gemma 4 på Bedrock kører på infrastruktur, der drives af AWS, med Bedrocks sikkerheds‑ og privatlivskontroller. AWS anfører desuden: “Your prompts and completions are not used to train any models, and your content is not shared with third parties.” Det er formuleret direkte i det offentliggjorte blogindlæg og kan verificeres dér.

Arkitektur i korte træk

Dense‑modeller bruger hele modellen ved hvert kald, mens AWS beskriver MoE sådan, at kun en delmængde af eksperter aktiveres pr. forespørgsel. Det er arkitekturforskellen, som AWS selv fremhæver. Blogindlægget positionerer samtidig familiefokusset som intelligence‑per‑parameter, men uden at udlede domænespecifik kvalitetsgaranti for enkelte workloads.

Størrelsesspændet, som AWS oplyser for Bedrock, antyder forskellige omkostnings‑ og latencyprofiler på tværs af varianter. Det er et generisk tradeoff, som AWS selv kobler til valget af variant i blogposten, ikke en konkret ydelsesgaranti i et bestemt miljø eller for en bestemt opgave.

Kapabiliteter på Bedrock ifølge AWS

AWS fremhæver, at alle tre Gemma 4‑varianter på Bedrock har indbygget reasoning‑mode, understøtter native function calling til agentiske arbejdsgange og kan modtage multimodalt input (tekst og billede). Blogindlægget beskriver også adgangslag, service‑tiers og API‑valg, der kan bruges til at komme i gang på Bedrock.

Brugsscenarier, som AWS nævner eksplicit, er multimodale agenter, letvægtsapplikationer, dokumentforståelses‑pipelines og softwareudviklings‑workflows. Disse use cases er oplistet i blogindlægget som eksempler på, hvad man kan bygge med Gemma 4 på Bedrock.

Uafhængige målinger og hvad de kan bruges til

Artificial Analysis’ side for Gemma 4 31B placerer modellen over gennemsnittet i deres Intelligence Index blandt åbne vægtmodeller i lignende størrelsesklasse og beskriver den som bemærkelsesværdigt langsom. De observationer gælder deres egne målinger og metadata. Resultater fra Artificial Analysis kan fungere som pejlemærker, men de oversættes ikke automatisk til ydeevne i Bedrock‑miljøet. Virksomheder, der overvejer produktion, bør derfor måle kvalitet, latency og omkostning i kontrollerede piloter på Bedrock, før de beslutter variant og SLO’er.

Det primære budskab her er attribution: ydeevne‑karakteristikkerne refereret ovenfor stammer fra Artificial Analysis’ egen metode og skal ikke læses som AWS’ løfter. AWS’ blogpost henviser til uafhængige benchmarks i generel form for at illustrere fokus på intelligence‑per‑parameter, men konkrete tal og sammenligninger bør læses i kilderne selv og verificeres i eget miljø.

Dataanvendelse, privatliv og driftsrammer

AWS’ blogindlæg anfører, at prompts og completions ikke bruges til at træne modeller, og at indhold ikke deles med tredjepart. Tekstnært citat og kontekst findes i det linkede indlæg. Derudover skriver AWS, at inferens kører på AWS‑opereret infrastruktur, og at Bedrock tilbyder de forventede sikkerheds‑ og privatlivskontroller fra tjenesten. For læsere, der vil verificere kontrakttekster, er blogindlægget første referencepunkt; endelige vilkår bør kontrolleres i Bedrocks officielle dokumentation og kundeaftaler.

Blogindlægget beskriver også, at Bedrock giver adgang til åbne vægtmodeller gennem en fuldt managed service. Det er rammen for at teste Gemma 4 på Bedrock uden selv at hoste modellerne.

Informationshuller der bør afklares før drift

Flere vigtige detaljer er ikke specificeret i det offentliggjorte blogindlæg og bør verificeres direkte hos AWS eller via kontrollerede tests på Bedrock:

• Priser for Gemma 4 i Bedrock‑udgaven fremgår ikke som detaljerede takster i blogindlægget.
• Latency og throughput pr. variant på Bedrock er ikke dokumenteret i blogindlægget og bør måles i egen region og på egne datasæt.
• Finetuning‑workflow for Gemma 4 på Bedrock beskrives ikke konkret i blogindlægget. Kontakt AWS for aktuelt workflow og understøttede værktøjer.
• Model‑specifik SLA og detaljeret datalokation pr. region for Gemma 4 er ikke gennemgået i blogindlægget og bør afklares i officielle aftaler og dokumentation.

  Disse punkter er oplistet her, fordi de ikke dækkes i den citerede kilde. De er dermed åbne opgaver, som bør lukkes, inden en model bringes i produktion.

  Hvad man med rimelig sikkerhed kan lægge til grund

  På baggrund af AWS’ blogindlæg kan følgende punkter verificeres direkte i kilden:

  • Tilgængelighed: Gemma 4‑familien er tilgængelig på Amazon Bedrock.
  • Oprindelse og licens: Gemma 4 er bygget af Google DeepMind og udgivet under Apache 2.0‑licensen som open‑weight.
  • Varianter: Tre instruction‑tunede varianter er listet af AWS på Bedrock: 31B, 26B‑A4B og E2B.
  • Arkitektur: Familien dækker både dense og MoE; for MoE aktiveres kun en delmængde af parametre pr. kald, som AWS beskriver det.
  • Funktioner: Varianterne understøtter reasoning‑mode, native function calling og multimodalt input over tekst og billede.
  • Drift: Inferens kører på infrastruktur, der drives af AWS, med Bedrocks sikkerheds‑ og privatlivskontroller.
  • Dataanvendelse: AWS oplyser, at prompts og completions ikke bruges til træning, og at indhold ikke deles med tredjepart. Ordlyden kan læses i det linkede blogindlæg.
  • Størrelsesspænd: AWS angiver en kompakt model med 2,3 mia. effektive parametre og en 30,7 mia. parameters dense model som yderpunkter i familien på Bedrock.

    Og fra en uafhængig kilde:

    • Artificial Analysis’ målinger placerer Gemma 4 31B over gennemsnittet i deres Intelligence Index blandt åbne vægtmodeller og bemærker lav hastighed. De resultater gælder deres metode og bør ikke antages at være identiske i Bedrock‑miljøet uden egne målinger.
      

      

      Konsekvenser for valg af variant og næste skridt

      AWS’ beskrivelse af størrelsesspænd og kapabiliteter giver en ramme for at vælge mellem de tre varianter. Da blogindlægget ikke udstiller Bedrock‑specifikke pris‑ og latencytal, er en kort, kontrolleret pilot den mest direkte vej til at fastlægge kvalitet, svartid og budget for en konkret use case. Det samme gælder afklaring af finetuning‑workflow: tag dialogen med AWS og læs den officielle dokumentation, før der planlægges en tilpasningsstrategi.

      Use cases, som AWS selv fremhæver (multimodale agenter, letvægtsapps, dokumentforståelse og softwareudvikling), kan fungere som startpunkter for sådanne piloter. Pointen er at måle på egne data og i egen region, så variantvalg og SLO’er hviler på verificerede tal i Bedrock‑drift.

      Bundlinje

      Gemma 4 på Amazon Bedrock kombinerer åbne vægte under Apache 2.0 med en managed platform, hvor AWS driver inferens og beskriver klare dataanvendelsesprincipper. AWS’ blogindlæg dokumenterer tilgængelighed, varianter, arkitekturspor, funktioner og driftsrammer. Uafhængige målinger fra Artificial Analysis peger på stærk intelligens og lav hastighed for 31B‑varianten, men de resultater skal efterprøves i Bedrock. Næste skridt for beslutningstagere er at gennemføre målbare piloter, verificere pris og ydeevne samt få afklaret finetuning, SLA og datalokation direkte hos AWS, før en model bringes i produktion.

Kilder

• Introducing Gemma 4 models on Amazon Bedrock
• Artificial Analysis
• HarmonyOS 7 steps into the AI gap Apple left open in China