Gemma 3n E2B Instructed
Gemma 3n E2B Instructed est un LLM de Google publié le 26 juin 2025. Avec 8 milliards de paramètres et une fenêtre de contexte de 8 192 tokens, il se situe dans un format relativement compact, mais sa fiche doit être lue avec recul: environ un an d’ancienneté constitue déjà un cycle long…
Gemma 3n E2B Instructed est un LLM de Google publié le 26 juin 2025. Avec 8 milliards de paramètres et une fenêtre de contexte de 8 192 tokens, il se situe dans un format relativement compact, mais sa fiche doit être lue avec recul: environ un an d’ancienneté constitue déjà un cycle long dans l’IA générative.
À sa sortie, le modèle se distinguait surtout par son positionnement sur GPQA, où il figurait dans le top 96% des 110 LLM de sa période. Ses poids ne sont pas ouverts, ce qui l’inscrit dans une logique propriétaire plutôt que dans un modèle librement auditable ou réutilisable.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | |
| Licence | Proprietary (poids non ouverts) |
| Date de sortie | 26 juin 2025 |
| Connaissances jusqu'à | 2024-06-01 |
| Multimodal | oui |
| Paramètres | 8 milliards |
| Fenêtre de contexte | 8 192 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| HumanEval | 66,5 % | 59ᵉ / 65 | llm-stats | Auto-déclaré |
| MMLU | 60,1 % | 96ᵉ / 98 | llm-stats | Auto-déclaré |
| Global-MMLU-Lite | 59,0 % | 11ᵉ / 14 | llm-stats | Auto-déclaré |
| MBPP | 56,6 % | 30ᵉ / 33 | llm-stats | Auto-déclaré |
| Global-MMLU | 55,1 % | 4ᵉ / 5 | llm-stats | Auto-déclaré |
| MGSM | 53,1 % | 28ᵉ / 30 | llm-stats | Auto-déclaré |
| WMT24++ | 42,7 % | 20ᵉ / 23 | llm-stats | Auto-déclaré |
| MMLU-Pro | 40,5 % | 121ᵉ / 125 | llm-stats | Auto-déclaré |
| Include | 38,6 % | 30ᵉ / 31 | llm-stats | Auto-déclaré |
| HiddenMath | 27,7 % | 11ᵉ / 13 | llm-stats | Auto-déclaré |
| GPQA | 24,8 % | 208ᵉ / 213 | llm-stats | Auto-déclaré |
| LiveCodeBench v5 | 18,6 % | 8ᵉ / 9 | llm-stats | Auto-déclaré |
| LiveCodeBench | 13,2 % | 67ᵉ / 72 | llm-stats | Auto-déclaré |
| Codegolf v2.2 | 11,0 % | 3ᵉ / 4 | llm-stats | Auto-déclaré |
| MMLU-ProX | 8,1 % | 31ᵉ / 32 | llm-stats | Auto-déclaré |
| AIME 2025 | 6,7 % | 107ᵉ / 108 | llm-stats | Auto-déclaré |
| ECLeKTic | 2,5 % | 5ᵉ / 8 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Notre analyse
Forces. À sa sortie, Gemma 3n E2B Instructed appartenait au haut du panier de sa génération sur GPQA, un benchmark exigeant souvent utilisé pour évaluer le raisonnement sur des questions complexes. Ce classement est notable pour un modèle de 8 milliards de paramètres, une taille qui le place en dessous des très grands LLM tout en conservant, à l’époque, un niveau compétitif sur cet axe. La fenêtre de 8 192 tokens permettait de traiter des prompts structurés et des documents courts à moyens, sans viser les très longs contextes. La couverture par deux sources concordantes rend ses métadonnées principales, nom, éditeur, date, taille et contexte, suffisamment robustes pour une comparaison historique.
Limites et points d'attention. Le modèle est ancien à l’échelle du secteur: publié en juin 2025, il est probablement largement dépassé par les générations récentes et peut avoir été retiré ou marginalisé dans le catalogue de son éditeur. Sa limite de connaissances au 1er juin 2024 réduit sa pertinence sur l’actualité, les bibliothèques logicielles récentes et les évolutions réglementaires. La licence propriétaire et les poids non ouverts limitent l’audit, l’adaptation locale et la reproductibilité. Aucun chiffre vérifié n’est fourni sur le coût d’entraînement, le calcul mobilisé ou le tarif d’usage, ce qui empêche d’évaluer précisément son intérêt économique.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).