GEMMA 4 モデルの量子化対応トレーニング最適化チェックポイントを公開 Google の GEMMA チームは、先月リリースされた GEMMA 4 の能力拡大を目的とした開発の最新段階として、本日新たに量子化対応トレーニング（QAT）で最適化されたチェックポイントを公式リリースした。これにより、ノートパソコンやスマートフォンなどのエッジデバイス、および一般的な消費者向け GPU 上でのローカル推論における効率性が大幅に向上する。 QAT は学習過程に量子化をシミュレーションする手法であり、モデル圧縮に伴う性能低下を最小限に抑える。本リリースでは広く普及している Q4_0 量子化フォーマットに加え、モバイル用途に特化した新規スキーマを提供する。これにより GEMMA 4 E2B のメモリフットプリントは 1GB まで削減され、VRAM とストレージの要件を劇的に低減しながらモデルの品質を維持することに成功している。 従来のトレーニング後量子化（PTQ）では推論速度の向上と引き換えに精度劣化が生じる課題があった。一方、QAT は学習プロセスに量子化を統合することで PTQ ベースラインを上回る高い品質維持を実現する。GEMMA チームはこの手法を全モデルに適用し、Q4_0 フォーマットにおけるパフォーマンスを最大化するとともに、E2B や E4B といったエッジ向けモデルにはモバイル特化の量子化設計を採用した。 本最適化により、開発者は消費電力の低い環境で GEMMA 4 の能力を容易に活用できる。メモリ要件の大幅な引き下げと推論速度の加速は、ローカル AI の展開とエッジコンピューティングへの普及を促進する重要な技術的進展となる。