Gemma 4 – AI моделът който управлява телефона ти

8 април 2026 | Време за четене: 14 мин.

На 2 април 2026 година Google пусна нещо, което промени разговора за AI на мобилни устройства. Не поредният облачен чатбот. Не нов асистент с красив интерфейс. А Gemma 4 – фамилия от open-source модели, които работят директно на телефона ти. Без интернет. Без абонамент. Без изпращане на данните ти към нечий сървър.

Като човек, който ежедневно управлява Google Ads кампании, първата ми мисъл беше очевидна: мога ли да накарам тази технология да ми генерира репорти? Да натиска бутони вместо мен? Да автоматизира рутинните задачи, които ядат часове всяка седмица?

Седнах и буквално започнах да разпитвам – AI срещу AI, ако щете. Питах, тествах, предлагах workaround-и. Може ли да напиша „скил“? Може ли да мине през същата функция, през която фенерчето се пуска? Може ли поне да чете екрана? Отговорите ме изненадаха – и не винаги приятно.

Отговорът се оказа по-сложен, отколкото очаквах. И доста по-интересен.

Какво е Gemma 4 и защо всички говорят за нея

Gemma 4 не е един модел – това е цяло семейство, създадено от Google DeepMind. Изградена върху същите изследвания и технологии като Gemini 3, Gemma 4 е проектирана за напреднало разсъждение и автономни работни потоци (agentic workflows). Google я описва като най-интелигентния си open модел до момента. И числата подкрепят твърдението – от стартирането на първата версия, разработчиците са свалили Gemma над 400 милиона пъти, а общността е създала повече от 100 000 варианта.

Какво е различното този път? Три неща.

Първо – лицензът. За разлика от предишните версии, Gemma 4 излиза под Apache 2.0 – напълно отворен за комерсиална употреба, модификация и разпространение. Това е голяма работа. Означава, че всеки може да я вземе, модифицира и вгради в продукт без да плаща лицензионни такси. Предишните Gemma модели имаха ограничителен лиценз, който спираше много компании от интеграция. Сега тази бариера е паднала.

Второ – мултимодалността. Всички размери на Gemma 4 обработват текст и изображения, а малките модели (E2B и E4B) поддържат и аудио вход. Можеш да й подадеш снимка на ръкописен текст и тя го разпознава. Видео до 60 секунди – анализира го кадър по кадър. Гласова команда – разбира я без отделна стъпка за speech-to-text. Поддържа над 140 езика, включително български.

Трето – и може би най-важното – native function calling. Моделът не просто генерира текст. Той може да решава кога да извика функция, да генерира структурирано JSON извикване и да обработи резултата. Това вече не е чатбот. Това е агент.

Четири модела – от телефон до сървър

Google пусна Gemma 4 в четири размера и всеки от тях покрива различен сценарий. Не е нужно да разбираш архитектурните детайли, но си струва да знаеш кой модел за какво е.

Буквата „E“ в E2B и E4B означава „effective“ – ефективни параметри. Тези модели използват технология наречена Per-Layer Embeddings (PLE), която позволява всеки слой на модела да има собствен малък речник за всеки токен. Таблиците за търсене са големи, но се ползват само за бързи справки – затова реалният „работен“ размер е много по-малък от общия.

А 26B MoE моделът е нещо интересно – съдържа 26 милиарда параметъра общо, но активира само 4 милиарда при всяко извикване. Работи почти толкова бързо, колкото 4B модел, но с познанията на 26B. Според класацията на Arena AI, 31B моделът е номер 3 сред open моделите в света.

Function Calling – моделът който ползва инструменти

Тук нещата стават наистина интересни за практическа употреба.

Function calling означава, че когато зададеш на Gemma 4 задача, тя не просто генерира текстов отговор. Моделът може да реши, че за да изпълни задачата, трябва да извика конкретна функция – и генерира структуриран JSON с правилните параметри.

Представи си следното: казваш „Какво е времето в София?“ Вместо да измисля отговор, моделът генерира нещо като get_weather(location="Sofia"). Твоят код изпълнява тази функция, връща резултата и моделът го интерпретира за теб.

Но function calling не спира до един инструмент. Gemma 4 може да верижи множество функции последователно – да разложи сложна задача на подзадачи, да изпълни всяка една, да адаптира подхода си на база междинните резултати и дори да обработва грешки с логика за повторен опит. Това е разликата между чатбот и автономен агент.

Конкретен пример: казваш „Провери времето в София и ако вали дъжд, напомни ми да взема чадър.“ Моделът генерира get_weather("Sofia"), получава резултата, преценява че вали, и генерира set_reminder("Вземи чадър"). Две стъпки, две функции, нула човешка намеса между тях.

Това не е нова концепция – GPT-4 и Claude го правят отдавна. Но Gemma 4 го прави офлайн, на телефона ти. Без облак. Без API ключ. Без да плащаш на токен. И без данните ти да напускат устройството – което за бизнес приложения е критично.

Според техническата документация на Hugging Face, Gemma 4 на LiteRT-LM v0.10.0 поддържа native tool calling с директни структурирани извиквания. Моделът получава състоянието на системата, връща tool call и приложението го изпълнява. Без regex, без парсване на текст. Чист вход-изход.

Има и поддръжка на constrained decoding – което гарантира, че изходът винаги е валиден JSON. При предишните модели можеше да получиш наполовина структуриран, наполовина текстов отговор. С Gemma 4 на LiteRT-LM получаваш предвидим, надежден формат всеки път.

Защо е толкова важно? Защото function calling превръща езиков модел в агент. Вече не говориш с чатбот – даваш инструкции на софтуер, който може да действа.

Може ли Gemma 4 да управлява приложенията ти

Ето тук нещата се усложняват. И аз минах по трудния път, за да го разбера.

Когато чуеш „AI управлява телефона ти“, вероятно си представяш нещо подобно – казваш „отвори Google Ads и ми направи репорт за последната седмица“, а моделът кликва по менютата и ти връща готов отчет. Нали?

Е, не точно.

Има фундаментална разлика между системни действия и управление на приложения. Когато кажеш „пусни фенерчето“, моделът просто извиква стандартна системна функция на Android. Фенерчето, звукът, яркостта – това са части от операционната система с открити API-та. Всяко приложение може да ги контролира. Тези функции са стандартизирани – работят еднакво на всички телефони.

Но Google Ads? WhatsApp? Банковото ти приложение? Те живеят в собствен „пясъчник“ (sandbox). Android умишлено не позволява на едно приложение да „пипа“ в друго. И причината е очевидна – ако Gemma може да влезе в Google Ads и да кликне бутони, значи и вирус може да влезе в банковото ти приложение и да си преведе пари. Сигурността и удобството са в постоянен конфликт – и за момента сигурността печели.

Затова отговорът е по-нюансиран: Gemma 4 може да бъде „мозъкът“, но за „ръцете“ са нужни специални разрешения. Моделът може да планира, да разсъждава, да генерира команди. Но за да ги изпълни върху друго приложение, трябва посредник – и този посредник трябва да има изрични разрешения от теб.

Моят експеримент – Google Ads на телефона

Ще бъда честен – подходих към темата с прекалено високи очаквания. Имам Google Ads приложение на телефона, имам Gemma 4 – какъв е проблемът?

Проблемът се оказа доста голям.

Първото нещо, което разбрах: Gemma 4 няма автоматичен достъп до вътрешните функции на Google Ads. Тя не може просто да „влезе“ в приложението, да намери бутоните и да извлече данни. За да генерира репорт от Google Ads, моделът трябва да мине през Google Ads API – да се свърже с Python скрипт, да генерира правилната заявка, да получи суровите данни и тогава да ги анализира.

Добре, помислих си. Но аз това вече мога да го направя с Google Ads скрипт. Не ми трябва AI за нещо, което вече работи. Исках нещо различно – AI, който буквално „вижда“ екрана и действа вместо мен.

Тогава ми хрумна друго – а какво ако напиша „скил“? Нещо като функцията за фенерчето, но за Google Ads? Логиката е елементарна: ако мога да кажа „пусни фенерчето“ и моделът извиква turn_on_flashlight(), защо да не мога да кажа „направи ми репорт“ и той да извика generate_report()?

Логиката ми беше съвсем правилна. Технически това се нарича Tool Use или Function Calling и Gemma 4 го поддържа native. Но ето къде се чупи: приложенията не предоставят такива „преки пътища“ за сложни задачи. Фенерчето е част от операционната система – има стандартизиран API, достъпен за всяко приложение. Google Ads не е. Това е отделен софтуер, затворен в собствена „кутия“. За да може Gemma да го управлява, разработчиците на Google Ads трябва да са програмирали специфични Intent-и – нещо като врати, през които външен софтуер може да влезе. А такива врати за сложни операции като генериране на отчет просто не съществуват.

А deep linking? Gemma може да отвори приложението. Но не може да извършва действия вътре в него – да клика по менюта, да избира дати, да натиска „Export“. Операционната система забранява това.

Стигнах до абсурдна ситуация – имам невероятно умен AI на телефона, който може да планира, да разсъждава, да извиква функции… но не може да кликне един бутон в друго приложение.

В нашата практика виждаме, че клиентите с Google Ads акаунти от 500 до 5000 € месечен бюджет прекарват часове в ръчно генериране на репорти. Идеята AI да автоматизира това е мечтата. Но реалността към април 2026 е, че „мечтата“ минава през API скриптове – а не през кликване на бутони.

PokeClaw – първото приложение което реално го прави

И точно когато си помислих, че управлението на телефон е невъзможно – се появи PokeClaw.

Това е open-source Android приложение, което пуска Gemma 4 на устройството и използва Android Accessibility API, за да контролира телефона автономно. Моделът чете екрана, избира действие, изпълнява го, чете новото състояние и повтаря цикъла докато задачата не приключи.

Целият агентен pipeline работи локално на процесора на телефона. Без облак. Без API ключове. Разработчикът го описва като „първото работещо приложение, което пуска Gemma 4 на устройството за напълно автономно управление на телефон чрез Android Accessibility API“. Не изследователско демо. Не cloud wrapper. Истински APK, който инсталираш и ползваш.

Как работи? Повечето инструменти за автоматизация на телефон работят със скрийншоти – подават пикселни масиви към визуален модел и се надяват да познае къде е бутонът. Разработчикът на PokeClaw го сравнява с четене на книга чрез фотографиране на всяка страница и пускане на OCR. PokeClaw чете Accessibility tree – истинската структура от данни зад екрана ти. Реални ID-та на елементи, текстово съдържание, позиции за скролване, състояния на бутони.

Gemma 4 получава това дърво, генерира структурирано tool call като tap(x=540, y=1200), приложението го изпълнява и подава новото състояние обратно. Без regex. Без текстово парсване. Моделът е функция – входът е какво е на екрана, изходът е какво да се направи.

Едно от демата показва как PokeClaw автоматично отговаря на съобщения – следи за нови съобщения, чете какво пише подателят и генерира отговор базиран на контекста. Изцяло на устройството.

Впечатляващо? Абсолютно. Перфектно? Не съвсем. На бюджетен телефон с CPU-only inference, моделът се загрява около 45 секунди. Разработчикът признава, че е бил твърде беден за да си купи нормален телефон за демото. А ако Google Ads промени дизайна на интерфейса с 2 милиметра, всичко може да спре да работи. Но посоката е ясна – и тя е вълнуваща.

Sandboxing – защо Android не позволява всичко

Нека поговорим за слона в стаята.

Sandboxing е причината, поради която не можеш просто да кажеш на Gemma „влез в банковото ми приложение и провери баланса“. Всяко Android приложение живее в своя изолирана среда. Това е фундаментален принцип на сигурността – и Google го налага по много добри причини. Представи си свят, в който всяко приложение може да чете какво правиш в другите. Вирус, маскиран като калкулатор, може да ти прочете банковата парола. Игра може да ти изтегли контакти и лични съобщения.

Accessibility Services заобикалят тази бариера, но те изискват изрично разрешение от потребителя. Когато включиш Accessibility за дадено приложение, ти буквално му даваш достъп до всичко на екрана ти. Затова Android показва предупреждение колко сериозно е това – и с право.

В момента единствените два начина да накараш AI да управлява друго приложение на телефона ти са чрез Accessibility Services (както PokeClaw) или чрез инструменти за UI автоматизация като Tasker с AutoInput. Tasker позволява да настроиш последователност от симулирани кликове – натисни тук, изчакай 2 секунди, натисни там. Но е изключително крехко. Ако целевото приложение се обнови и бутонът се премести с няколко пиксела, целият скрипт се разпада.

Има и трети подход, който заслужава внимание – Large Action Models (LAM). Gemma 4 вече е стъпка в тази посока. Вместо просто да генерира код, моделът се обучава да разпознава интерфейси. Комбинирай това с Accessibility Services и получаваш AI, който може да „вижда“ екрана и да взема решения какво да кликне. PokeClaw е точно такъв ранен прототип.

Google умишлено поддържа този баланс. Те правят Gemma 4 все по-способна, но не премахват защитните бариери между приложенията. И честно казано – добре, че не го правят.

Gemma 4 в Android Studio – за разработчици

Ако си разработчик, Gemma 4 има още едно приложение, което не е за подценяване.

Google интегрира модела директно в Android Studio като локален AI асистент за кодиране. Според блога на Android Developers, когато избереш Gemma 4 като локален модел, получаваш пълната функционалност на Agent Mode – рефакториране на код, създаване на нови функционалности, итеративно прилагане на поправки. Можеш да кажеш „създай калкулатор приложение“ и агентът не само генерира UI кода, но използва добри практики за Android – пише на Kotlin, ползва Jetpack Compose.

Кодът ти не напуска машината. Няма нужда от интернет или API ключ за основните операции. За разработчици, които работят с чувствителни данни или в корпоративна среда с ограничения – това е сериозно предимство. Нямаш квоти. Нямаш месечни лимити. Пускаш модела и работиш.

26B MoE моделът е препоръчителният избор за Android разработчици. Работи локално с Ollama или LM Studio и осигурява баланс между скорост и качество на генерирания код. А early тестове от Arm показват средно 5.5 пъти по-бърза обработка на потребителския вход и до 1.6 пъти по-бързо генериране на отговори при Gemma 4 E2B модела на новите Armv9 процесори.

Какво идва след това

Gemma 4 е базовият модел за следващото поколение Gemini Nano 4, оптимизиран за Android устройства. Според Google, Gemini Nano вече работи на над 140 милиона устройства. Новата версия обещава до 4 пъти по-бърза работа и до 60% по-ниска консумация на батерия.

За разработчиците е важно, че ML Kit GenAI Prompt API и AICore Developer Preview вече поддържат Gemma 4 E2B и E4B за прототипиране. Приложенията, създадени с тези API-та, ще бъдат съвместими с Gemini Nano 4 при пускането му на флагман устройства по-късно тази година.

А Google AI Edge Gallery вече предлага Agent Skills – едно от първите приложения за многостъпкови автономни агентни работни потоци, изцяло на устройството. Моделът може да допълва познанията си, да планира множество стъпки и да изпълнява задачи автономно. Достъпно е на Android и iOS още от първия ден.

Реален пример за какво е способна тази технология вече на практика е приложението Envision за хора с увредено зрение. Преди Gemma 4 то зависеше от облачна свързаност за интерпретация на сцени. В прототип с Gemma 4 на Arm процесор, потребител може да направи снимка и да получи подробно описание на заобикалящата го среда без никаква мрежова връзка. За accessibility приложение като това, офлайн режимът не е „хубаво е да има“ – той е смисълът.

Колко далеч сме от момента, в който казваш на телефона си „направи ми репорт от Google Ads за последната седмица“ и той наистина го прави? По моя преценка – 12-18 месеца. Технологията е тук. Инфраструктурата се изгражда. Остава Google да отвори вратите малко по-широко – или разработчиците на приложения да изградят по-дълбоки интеграции с AI агентите.

А може и да не се наложи да чакаме толкова. PokeClaw показа, че един разработчик с две безсънни нощи може да сглоби работещ AI агент на телефон. Представи си какво ще се случи, когато цели екипи се захванат с тази задача.

Дотогава? Подавай данните си на Gemma в CSV и я остави да анализира. Това работи вече днес. И е безплатно.

Често задавани въпроси

Може ли Gemma 4 да работи офлайн на телефона ми?

Да. Моделите E2B и E4B са проектирани за изцяло локално изпълнение на мобилни устройства. Не е нужен интернет, нито API ключ. Можеш да ги тестваш чрез Google AI Edge Gallery, достъпен за Android и iOS.

Каква е разликата между Gemma 4 E2B и E4B?

E2B активира 2 милиарда параметъра и е по-бърз, но по-ограничен в сложни задачи. E4B активира 4 милиарда и се справя по-добре с детайлни визуални описания, по-сложни агентни потоци и по-дълги контексти. И двата поддържат текст, изображения и аудио.

Може ли Gemma 4 да управлява Google Ads директно?

Не директно. Google Ads е „затворено“ приложение с ограничен външен достъп. Gemma 4 може да генерира API заявки или да анализира данни, които вече си извлякъл, но не може да кликва по менютата вътре в приложението без специален софтуер за Accessibility.

Безплатен ли е Gemma 4?

Да. Gemma 4 е публикуван под Apache 2.0 лиценз, което позволява безплатна комерсиална употреба, модификация и разпространение. Можеш да изтеглиш моделите от Hugging Face, Kaggle или Ollama.

Нужен ли ми е мощен телефон за Gemma 4?

Зависи от модела. E2B може да работи с по-малко от 1.5 GB RAM благодарение на 2-bit и 4-bit квантизация. На бюджетен телефон ще работи, но бавно – около 45 секунди за загряване при CPU-only inference. Флагман устройства с NPU ще предложат значително по-добро преживяване.

Marketing Manager

Kremen Aleksandrov