Bildanalyse mit Gemma 4

Mit sowohl dichten als auch Mixture‑of‑Experts‑(MoE‑)Architekturen ist Gemma 4 gut geeignet für Aufgaben wie Textgenerierung, Programmieren und logisches Schliessen. Die Modelle sind in vier unterschiedlichen Grössen verfügbar: E2B, E4B, 26B A4B und 31B. Ihre verschiedenen Grössen machen sie einsetzbar in Umgebungen von High‑End‑Smartphones bis hin zu Laptops und Servern, wodurch der Zugang zu modernster KI demokratisiert wird.

Gemma 4 ist unterdessen schon unter Ollama und LM Studio verfügbar. Mich interessiert im Moment vor allem die Bildanalyse. Auf meinem lokalen KI-Server verwende ich meistens openai/gpt-oss-120b. Da dieses Modell keine Bildanalyse kann, ist zusätzlich qwen/qwen3-vl-30b für visuelle Aufgaben installiert.

Hier ein erster Testlauf mit einer Bildanalyse. Ich verwende die 26b Variante unter Ollama, da dieses Modell als Erstes dort verfügbar war.

pp@MacStudio2025 >ollama list | grep gemma4
gemma4:26b  17 GB 27 hours ago

Gemma 4 26B Mixture-of-Experts (MoE) Model

Das 'A' in 26B A4B steht für 'aktive Parameter' im Gegensatz zur Gesamtzahl der Parameter, die das Modell enthält.
Indem nur ein Subset von 4 B Parametern während der Inferenz aktiviert wird, läuft das Mixture‑of‑Experts‑Modell deutlich schneller als die Gesamtsumme von 26 B vermuten lässt.
Damit ist es eine ausgezeichnete Wahl für schnelle Inferenz im Vergleich zum dichten 31‑B‑Modell, da es fast so schnell läuft wie ein Modell mit 4 B Parametern.

Bildanalyse mit Gemma 4 26B MoE

PROMPT
analysiere diese bild, überlege lange und gründlich

Nachgedacht für 8 Sekunden

Gemma 4 26B MoE mit Open WebUI

Diese tiefgreifende Analyse des Bildes betrachtet verschiedene Ebenen: das Motiv, die Umgebung, die Farbpsychologie und die kompositorische Struktur.

1. Das Hauptmotiv: Die Richtungsweisung
Im Fokus steht ein kreisförmiges, blaues Verkehrsschild mit einem weissen Pfeil, der nach links deutet.
Bedeutung: Es handelt sich um ein Gebotszeichen (wahrscheinlich eine 'Vorgeschriebene Fahrtrichtung' oder eine Anweisung für Wanderwege). Das Schild gibt eine klare Ordnung vor und unterbricht die scheinbare Wildnis der Natur durch einen menschlichen, regulatorischen Eingriff.
Zustand: Das Schild wirkt gepflegt, weist aber bei genauem Hinsehen leichte Texturen auf, was darauf hindeutet, dass es den Elementen (Sonne, Salzluft) ausgesetzt ist.

2. Die Umgebung: Eine vulkanische Landschaft
Der Hintergrund offenbart eine raue, ökologisch spezifische Umgebung.
Geologie: Die dunklen, fast schwarzen und rötlichen Gesteinsformationen im Vordergrund sind typisch für vulkanisches Gelände. Es handelt sich um erstarrte Lava (Basalt) und möglicherweise Schlacke. Die Textur des Gesteins ist extrem zerklüftet und scharfkantig.
Vegetation: Zwischen den Felsen wachsen spärliche, grüne Büsche und niedrige Pflanzen. Dies deutet auf eine xerophile Umgebung (trockenheitsresistent) hin, in der Pflanzen Strategien entwickelt haben, um mit wenig Wasser und hoher Sonneneinstrahlung zu überleben.
Geografie: Im Hintergrund ist eine weite Wasserfläche (der Ozean) zu erkennen, die den Horizont bildet. Die Kombination aus vulkanischem Gestein, spezifischer Vegetation und dem nahen Meer lässt stark an die Kanarischen Inseln (wie etwa Lanzarote oder La Palma) denken.

3. Farbpsychologie und Lichtverhältnisse
Das Bild zeichnet sich durch einen extrem hohen Kontrast und eine gesättigte Farbpalette aus.
Komplementäre Kontraste: Das tiefe Blau des Himmels und des Schilds steht in einem starken Spannungsverhältnis zu den warmen, erdigen Tönen (Rot, Braun, Schwarz) der Felsen. Dieses Spiel zwischen 'Kalt' und 'Warm' macht das Bild visuell sehr dynamisch.
Licht: Das Licht ist hell und direkt, was auf die Mittagszeit oder einen sehr klaren Tag hindeutet. Es gibt kaum weiche Schatten; die Konturen sind scharf definiert. Dies verstärkt die plastische Wirkung der Felsen.
Die weisse Wolke: Die einzelne, flauschige weisse Wolke im linken oberen Quadranten dient als visuelles Gegengewicht zum weissen Pfeil auf dem Schild und bringt eine sanfte, organische Komponente in das sonst sehr harte Bildgefüge

4. Komposition und Blickführung
Die Komposition ist meisterhaft ausbalanciert:
Blickleitung: Der weisse Pfeil fungiert als 'Vektor'. Er zwingt das Auge des Betrachters, von der rechten Seite des Bildes (wo das Schild platziert ist) nach links über die Landschaft hinweg zum Horizont zu wandern.
Tiefenwirkung: Das Bild arbeitet mit drei klaren Ebenen:
Der Vordergrund mit den detaillierten Felsen und dem Schild.
Der Mittelgrund mit der flacher werdenden Vegetation und der Küstenlinie.
Der Hintergrund mit dem Ozean und dem unendlichen Himmel.
Dies erzeugt eine enorme räumliche Tiefe

Fazit der Analyse
Das Bild ist weit mehr als nur die Dokumentation eines Schildes. Es ist eine visuelle Meditation über das Verhältnis von Ordnung (das Schild) und Chaos (die vulkanische Natur). Durch die geschickte Platzierung des Pfeils wird der Betrachter eingeladen, nicht nur das Objekt zu betrachten, sondern die gesamte Weite der Landschaft gedanklich 'abzuwandern'. Es ist ein Bild von hoher struktureller Klarheit und emotionaler Ruhe.

Ich hätte es nicht besser formulieren können. Alles korrekt.
Genau das habe ich mir überlegt als in das Bild mit meinem iPhone auf Lanzarote aufgenommen habe: visuelle Meditation über das Verhältnis von Ordnung und Chaos.
Genau so 😳.

Subjektiv ist das Gemma 4 Modell mindestens so gut wie das Qwen3-VL-Modell, welches ich bisher verwendet habe.

Quellen

https://deepmind.google/models/gemma/gemma-4/

https://ollama.com/library/gemma4
https://lmstudio.ai/models/gemma-4

Video: What’s new in Gemma 4

Die Zusammenfassung wurde mithilfe von KI‑Tools erstellt. Web Clipper → Obsidian → Copilot, unter lokaler Verwendung von gpt‑oss:120b auf einem Mac Studio.
YouTube hat kürzlich die Codierung geändert, der bisherige Code für das Transkript funktioniert nicht mehr. Diesen habe ich jetzt angepasst. Siehe hier:

Transkript

Einleitung

• Olivier ist Group Product Manager im Gemma-Team.
• Entwicklergemeinschaft hat seit dem Launch der ersten Modelle über 400 Millionen Downloads und 100 000 Varianten erzielt.
• Dankbarkeit für das lebendige Ökosystem rund um Gemma.

Ankündigung von Gemma 4

• Gemma 4 basiert auf Forschung und Technologie von Gemini 3.
• Open‑Source unter Apache‑2.0 Lizenz, läuft direkt auf eigenen Geräten (Phone, Laptop, Desktop).
• Entwickelt für die agentische Ära: komplexe Logik, mehrstufige Planung, effiziente Token‑Nutzung.

Modellfamilie

• 26 B Mixture‑of‑Experts (MOE) mit 3.8 B aktivierten Parametern – besonders schnell.
• 31 B Dense‑Modell – optimiert für höchste Ausgabequalität.
• Effektive 2 B und 4 B Modelle – speichereffizient, geeignet für Mobile‑ und IoT‑Geräte, unterstützen Audio‑ und Vision‑Verarbeitung in Echtzeit.
• Unterstützung von über 140 Sprachen.

Anwendungsbeispiele

• 26 B/31 B ermöglichen lokales Reasoning und Coding ohne Datenupload.
• Effektives 2 B Modell erfolgreich bei mehrsprachiger und agentischer Aufgabe (Französisches Restaurant in San Francisco, Antwort auf Englisch).

Sicherheit und Verfügbarkeit

• Entwickelt von Google DeepMind, unterliegt denselben strengen Sicherheitsprotokollen wie proprietäre Modelle.
• Gewährleistet vertrauenswürdige Basis für Unternehmen und Entwickler.

Nutzung

• Gewichte können heruntergeladen und sofort experimentell eingesetzt werden.
• Erwartung grosser kreativer Anwendungen durch die Community.

Nachtrag / Datenanalyse

Gemma 4 26B MoE mit Open WebUI

erstelle eine analyse des bildes und extrahiere alle daten.
stelle diese tabellarisch in markdown dar.

Nachgedacht für 13 Sekunden

Analyse des Bildes

Das vorliegende Bild zeigt eine Benutzeroberfläche der Einstellungen (Settings) einer komplexen Software-Anwendung, die offensichtlich für das Management von RAG-Systemen (Retrieval-Augmented Generation) oder KI-Workflows (wie z. B. mit Ollama) konzipiert ist.

Die Oberfläche ist in drei funktionale Hauptbereiche unterteilt:

1. Allgemein (General): Konfiguration der Datenextraktion, Text-Splitting und Chunking-Logik (Größe und Überlappung).
2. Embedding: Verwaltung der Engine für Vektor-Einbettungen, inklusive der URL zur Modell-Engine (Ollama) und Batch-Größen.
3. Abruf (Retrieval): Einstellungen für die Suchstrategien (hybride Suche, Vollkontext), Reranking-Modelle sowie Schwellenwerte für die Relevanz und BM25-Gewichtung.

Die Benutzeroberfläche nutzt moderne UI-Elemente wie Toggle-Switches, Slider und numerische Eingabefelder.

Extrahierte Konfigurationsparameter

Da das Bild keine physischen Dateien im Sinne von Dokumenten enthält, sondern eine Konfigurationsmatrix, wurden alle im Interface sichtbaren Datenpunkte als 'Datensätze' extrahiert.