Gemma supera 1.000M de descargas: qué dice y oculta el hito

Gemma cruza los 1.000 millones de descargas: qué dice (y qué oculta) el número de Google DeepMind

La familia de modelos abiertos Gemma de Google DeepMind superó los 1.000 millones de descargas acumuladas en agosto, según el anuncio firmado por Clement Farabet (vicepresidente de Google DeepMind) y Olivier Lacombe (director de producto), dos años después de su lanzamiento en febrero de 2024. La cifra llega acompañada de otro número que la comunidad técnica mira con más atención: más de 100.000 variantes publicadas en Hugging Face por desarrolladores que ajustaron los pesos base a casos concretos.

El crecimiento, según el anuncio, fue escalonado: 100 millones en el primer año, 400 millones en abril de 2026 con el lanzamiento de Gemma 4, 900 millones en julio de 2026 y el umbral de los 1.000 millones en agosto. Es decir, Gemma 4 fue responsable de más de 300 millones de descargas adicionales en menos de cuatro meses desde su lanzamiento del 2 de abril de 2026.

¿Qué es Gemma y qué la diferencia de Gemini?

Gemma y Gemini comparten base técnica, pero son productos distintos. Gemini —el chatbot y la familia de modelos de consumo y API de Google— es propietario y solo accesible a través de los servicios de Google. Gemma es la versión de pesos abiertos: los desarrolladores pueden descargar el modelo, ejecutarlo en local, ajustarlo a dominios específicos y redistribuirlo bajo la licencia Apache 2.0 (en el caso de Gemma 4; las versiones anteriores usaban una licencia personalizada más restrictiva, como recuerda Ars Technica).

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La familia Gemma 4 incluye cuatro tamaños: E2B (dos mil millones de parámetros efectivos, optimizado para dispositivos móviles y edge), E4B (cuatro mil millones), 26B (mezcla de expertos con activación de 3.800 millones de parámetros en inferencia) y 31B (denso). El 26B MoE y el 31B corren sin cuantizar en una sola Nvidia H100 de 80 GB; las versiones E2B y E4B fueron optimizadas con Qualcomm, MediaTek y el equipo Pixel para correr en smartphones, Raspberry Pi y Jetson Nano con latencia casi nula.

Google también ha liberado variantes verticales: ShieldGemma (moderación de contenido), MedGemma (aplicaciones médicas) y TranslateGemma en tres tamaños para traducción a 55 idiomas.

¿Por qué 100.000 variantes importan más que 1.000 millones de descargas?

El propio equipo de Google lo dice en el anuncio: las descargas son una métrica imperfecta. Los pesos se descargan, se copian en mirrors, se suben a otros repositorios y se redistribuyen. Una descarga no equivale a una implementación activa ni a un usuario real.

El dato más sólido es el de las 100.000 variantes: implica que alguien descargó el modelo, lo ajustó para un caso de uso específico y publicó el resultado como proyecto propio. Es la diferencia entre un modelo que la gente prueba y un modelo sobre el que la gente construye.

Para ponerlo en contexto, según datos del reporte de verano 2026 de Hugging Face recogidos por Forbes, los builds GGUF de Qwen (Alibaba) promedian 39,6 millones de descargas al mes, casi el doble que Gemma y más de cinco veces que Llama en ese formato específico, aunque los repositorios derivados de Llama superan ligeramente a los de Qwen en número. En otras palabras, la métrica de Gemma es impresionante pero el ecosistema abierto tiene varios líderes en distintas categorías.

¿Dónde está corriendo Gemma en la práctica?

El anuncio de Google DeepMind incluye despliegues que ilustran el rango de casos reales. Estos son algunos confirmados:

NASA / JPL: una versión comprimida a 4 bits de Gemma 3 4B voló en un satélite de Loft Orbital en 2026, en lo que IEEE Spectrum reportó el 23 de julio como la primera demostración en órbita de un modelo visión-lenguaje analizando imágenes desde el propio sensor del satélite. El sistema, llamado NAVI-Orbital, clasificó imágenes con 88% de precisión en un benchmark terrestre de 7.960 imágenes, corriendo sobre un módulo Nvidia Jetson Orin AGX con 8 GB de memoria.
India / National Health Authority: Gemma 4 y el Medical Data Toolkit de Google se integraron en Aarogya Setu 2.0, una app con más de 100 millones de descargas Android, para convertir informes médicos en formatos digitales estandarizados que los pacientes pueden compartir entre proveedores.
Yale + Google: el modelo C2S-Scale, entrenado sobre Gemma, fue usado para interpretar datos de células individuales y proponer una vía de terapia contra el cáncer luego verificada en células vivas.
Pollen Robotics: el equipo del robot humanoide Reachy Mini usa Gemma E2B con YOLO para visión y síntesis de voz, con inferencia completamente local.
Google + Antigravity: un prototipo de traductor offline que corre Gemma 4 E2B en una Raspberry Pi 5 (~$80), sin conexión a internet. El hardware, la carcasa impresa en 3D y el código son open source en GitHub.

Gemma 4 vs. Llama: la pelea real del open source

La comparativa que más importa para Gemma es con Llama de Meta. Meta reportó que Llama superó los 1.200 millones de descargas en abril de 2025 —más de un año antes de que Gemma alcanzara el mismo umbral— y desde entonces no ha publicado un nuevo total acumulado.

Las ventajas de Llama son la escala de la comunidad y la familiaridad de los desarrolladores con el ecosistema Meta. Las ventajas de Gemma son otras:

Los pesos están conectados directamente con la investigación de Google DeepMind en Gemini, lo que significa que los avances del modelo propietario tienden a filtrarse antes a Gemma que a competidores no afiliados a un laboratorio de frontera.
Apache 2.0 es más permisiva que los términos de Llama, que restringen el uso comercial para empresas con más de 700 millones de usuarios activos mensuales.
Gemma 4 E2B y E4B están optimizados para correr en hardware de consumo extremo (smartphones, Raspberry Pi), donde Llama no tiene un competidor directo equivalente.

En el Arena AI leaderboard de abril de 2026, Gemma 4 31B debutó en el puesto número 3 entre modelos abiertos, detrás de GLM-5 y Kimi 2.5, según reportó Ars Technica.

El detalle que Google no publicó

Google acompañó el anuncio con el lanzamiento del repositorio Awesome Gemma en GitHub —un directorio curado de proyectos, fine-tunes y tutoriales que la compañía presenta como el índice oficial del "Gemmaverse"— y mencionó que el Gemma Challenge en Kaggle atrajo más de 1.600 envíos de proyectos, con ganadores por anunciar.

Lo que Google no publicó y la comunidad esperaba:

Desglose de descargas por generación de modelo (cuánto sigue siendo Gemma 2 vs. Gemma 3 vs. Gemma 4).
Desglose por plataforma (cuánto corre en Hugging Face, cuanto en mirrors internos, cuanto en producción real).
Datos de uso activo de las 100.000 variantes (cuántas tienen descargas recurrentes, cuántas son abandonadas tras el commit inicial).

Una actualización silenciosa que cambió los pesos

El 15 de julio de 2026, según TechTimes, Google envió por la cuenta oficial de Gemma en X una actualización de pesos sin cambiar el número de versión. Los cambios: soporte de Flash Attention 4 en GPUs Nvidia Hopper (H100 y posteriores), con mejoras de 25–70% en throughput de procesamiento de prompts y hasta 31% menos de tiempo al primer token; corrección de bugs en tool-calling; y aumento del parámetro maxsofttokens de 280 a 1.120 para procesamiento OCR hasta 2,51 megapíxeles.

El problema: si descargaste Gemma 4 antes del 16 de julio, los pesos en tu repositorio local son materialmente distintos a los que Google sirve hoy. Los benchmarks publicados después de esa fecha no son comparables con los anteriores sin documentar la fecha de descarga como identificador de versión efectivo.

El speedup de Flash Attention 4 es exclusivo de hardware Hopper: RTX 4090 y L40S (arquitectura Ada Lovelace) no se benefician de la ganancia principal, según confirmó The Decoder de forma independiente.

¿Qué significa esto para tu startup?

El hito de Gemma confirma una tendencia que cambia las reglas del juego para founders con restricciones de presupuesto o de regulación:

Inferencia local viable en hardware de menos de $100. Gemma 4 E2B corre en una Raspberry Pi 5 con latencia suficiente para voz e interacción en tiempo real, según pruebas independientes de XDA Developers. Esto habilita productos edge sin dependencia de API cloud: asistentes en fábrica, dispositivos médicos rurales, traductores de viaje, robótica de servicio.
Licencia que escala con tu empresa. Apache 2.0 elimina la conversación obligatoria con Google cuando crezcas. Si tu startup supera los 700 millones de usuarios activos mensuales (umbral restrictivo de Llama), no tendrás que renegociar licencia con Meta. Hoy eso parece lejano, pero planificar la licencia desde el día uno evita una migración dolorosa en cinco años.
El "ecosistema" es el activo real, no el modelo base. 100.000 variantes significa que hay fine-tunes listos para medicina, derecho, química, traducción a idiomas minoritarios, accesibilidad. Antes de entrenar tu propio modelo desde cero, busca en Hugging Face si alguien ya publicó un fine-tune de Gemma para tu vertical; el costo de adoptarlo es órdenes de magnitud menor.
Cuidado con los benchmarks sin fecha de descarga. Si publicas resultados o اعتماد sobre "Gemma 4", registra la fecha exacta de pull de los pesos. Google no versiona las revisiones silenciosas, y un benchmark de abril de 2026 puede describir un modelo distinto al de agosto de 2026.

Dos acciones concretas esta semana:

Si tu producto tiene componente de IA y depende de un proveedor cloud propietario, evalúa Gemma 4 E4B como ruta de fallback offline para escenarios de baja conectividad o requisitos de privacidad. El traductor offline de Google + Antigravity es un blueprint abierto de menos de $100 en hardware que puedes replicar.
Si estás eligiendo modelo base para fine-tunes, compara Gemma 4 Apache 2.0 contra Mistral Large 3 (Apache 2.0) y Qwen 3.5 (MIT) antes de comprometerte. La capa de distribución (cuántos GGUF, cuántas variantes, qué comunidad mantiene los builds) importa tanto como el benchmark original, como señala el análisis de Hugging Face citado por Forbes.