千元机跑Gemma 4实测：生成一次要5分钟，本地AI注定是旗舰专属

千元机跑本地大模型，是噱头还是未来？一次真实的性能拷问

今年四月，谷歌发布了新一代开源大模型Gemma 4。这次动作不小，一口气推出了四种规格，从手机到工作站全面覆盖。其中，最小的两个版本专为移动设备设计，主打一个“完全离线运行”。这本身不算新鲜事，但背后的信号很明确：谷歌正试图将大模型真正“塞进”你的手机里。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

相信大家已经看过不少关于Gemma 4在最新款iPhone或安卓旗舰上的测试报告。在那些顶级算力的设备上，表现良好几乎是理所当然的。但这就引出了一个更实际的问题：如果换成一台几百到一千多块的普通安卓机，搭载着中端处理器，本地模型还能否顺畅运行？它与旗舰机的体验差距，究竟有多大？

（图源：正软商城摄制）

更进一步，本地AI是否注定只能是旗舰手机的专属功能？为了找到答案，我们直接找来一台搭载中端芯片的千元安卓机，对Gemma 4进行了一次实测。

千元机跑本地模型，简直「拉完了」

本次测试选用的设备是vivo Y500 Pro，一台非常典型的千元安卓机。虽然并非老旧机型，但其SoC整体性能定位主流偏下，毕竟价格摆在那里。它搭载了联发科天玑7400处理器，采用台积电4nm制程，CPU为4个2.6GHz大核加4个2.0GHz小核，GPU为Mali-G615 MC2。

这套配置应付日常使用没问题，但若与当前旗舰芯片比拼AI算力，则完全不在一个量级。在AI方面，天玑7400搭载了联发科NPU 655，官方宣称其性能比上一代提升15%。

谷歌为Gemma 4的手机端推出了一个名为“Google AI Edge Gallery”的应用，在应用商店即可下载。安装后选择Gemma 4 E4B模型，下载完模型文件即可离线使用，无需联网或复杂配置。单就安装体验而言，谷歌做得相当友好。话不多说，直接开始测试。

（图源：正软商城制图）

第一题，我们问了一个生活化的问题：“推荐三部适合在长途高铁上看的电影，并说说理由。”Gemma 4给出的答案是《阿甘正传》、《盗梦空间》和《爱乐之城》。选片本身没问题，都是经典之作，推荐理由也说得通。但问题在于，它生成了一段近500字的回答，还额外附加了一条“小贴士”，比如提醒高铁上看电影要戴耳机。

（图源：正软商城制图）

在vivo Y500 Pro上，生成这500字足足耗费了2.8分钟。说实话，读完才发现后半部分内容并非必要。这其实是小参数模型的一个常见问题：它们往往不知道何时该停止，有时会通过补充“建议”来凑字数，仔细推敲就会发现，核心内容两三句话就能概括。

接下来是一道经典的多步逻辑推理题：“五个人坐成一排，A不坐在最左边，B坐在C的右边，D坐在E的左边，E不坐在最右边，请问谁坐在最中间？”模型虽然很认真地逐步列出条件、尝试排列组合，但最终未能给出正确答案，且耗时长达3.3分钟。更关键的是，在这3.3分钟里，用户无法退出应用或切换到后台，必须保持屏幕常亮。也就是说，这段时间被完全“锁死”了。

（图源：正软商城制图）

当然，这不能全怪Y500 Pro性能不足。事实上，即便在X300 Pro这款旗舰机型上，模型同样没能解出这道题。但区别在于速度：X300 Pro仅用1.6分钟就给出了（错误的）答案。就算错，也错得干脆利落。

（图源：正软商城制图）

同样有趣的是，我们还测试了那个曾难倒众多AI大模型的经典问题：“洗车应该开车去还是走路去？”令人意外的是，两款手机在同一模型下给出了不同的“思考”。Y500 Pro花了2.5分钟，得出的结论是“如果你是为了‘洗车’去的，那应该选择走路”。这种令人啼笑皆非的答案，暴露了逻辑上的混乱。

（图源：正软商城制图）

而X300 Pro的推理过程则绕了些弯子，它似乎也在反复确认“洗车”这个行为是否需要车辆本身，但最终它还是提到了，如果要去洗车，终究是需要开车前往的。

经过这三轮测试，Y500 Pro上的Gemma 4 E4B留下的整体印象是：速度极慢、回答冗长，但发热控制得不错。

“慢”是最直观的感受，平均每个问题需要等待两到三分钟才能得到完整回答。这个速度放在日常使用场景中体验非常糟糕，毕竟没人愿意盯着屏幕干等三分钟只为一个答案。不过，这里有一个细节需要说明：速度慢并非因为模型没有运行，而是天玑7400的NPU算力实在有限，每秒能处理的token数量存在天花板，性能上限就在那里。

此外，出错率也偏高。但这情有可原。模型在处理复杂逻辑时，需要在中间步骤上进行反复“推演”。算力越充裕，这个推演过程就越完整、越准确。而在千元机上，有限的算力可能迫使模型在未完成完整推理前就仓促给出结论，因为资源必须分配给后续的文本生成。这种“赶工”状态，更容易导致“幻觉”或逻辑错误。

由于Gemma 4 E4B是多模态模型，我们也测试了它的图像识别能力。首先，我们输入了一张夜景购物中心的照片，询问图中的信息。

它的回答大体方向正确，描述了建筑规模、屋顶结构和夜景氛围。但存在一个明显漏洞：图中那个巨大的Apple Store招牌，它完全没有提及，只是笼统地称之为“现代大型购物中心”。品牌识别对模型要求很高，需要将视觉信息与背后的品牌知识库关联起来。以E4B的参数量，显然还不足以胜任，它能看出轮廓，但认不出具体是谁。

（图源：正软商城制图）

第二张图，我们随手拍了一张绿植图片问它是什么。然后，应用就“转圈”了——整整五分钟，没有任何回答，只有持续旋转的加载动画。更令人崩溃的是，在此期间整个应用完全无响应，无法中断或取消。实际上，图片内容只是一个非常简单的地插式旋转喷头，用于浇灌，并非罕见装置。

（图源：正软商城制图）

那么X300 Pro能正确识别吗？它可以给出响应。X300 Pro仅用32秒就回答了这张难倒Y500 Pro的图片，尽管它未能准确说出这是“地插式喷头”，而是猜测这可能是一个“小型传感器”。

（图源：正软商城制图）

综合来看，Y500 Pro上的Gemma 4 E4B并非完全“跑不动”，甚至在某些方面还有小惊喜，比如发热低、基础问答功能正常。但核心问题在于，作为一个本地模型，其响应速度在当前硬件下过于缓慢。同时，目前Google AI Edge Gallery的权限有限，除了开关手电筒，几乎无法执行其他系统级操作。

这就形成了一个尴尬的局面：如果本地模型只能达到这样的水平——速度慢、易出错、功能受限——那么用户坚持使用的理由是什么？坦白说，除非身处完全断网的极端环境，否则其体验远不如一个在线的轻量化大模型。

本地模型，普通手机真的能用吗？

从上述测试来看，Gemma 4目前确实需要旗舰级手机才能达到一个“及格线”的体验标准。尽管仍有出错，但至少速度上不拖后腿，不像千元机那样既慢又不准。

但让我们退一步看，谷歌推出这款应用，背后究竟在布局什么？

Google AI Edge Gallery中有一个名为“Mobile Actions”的功能，旨在将自然语言指令直接转化为对Android系统的操作，例如“帮我创建一个午餐日历事件”或“打开手电筒”。模型理解意图后，可直接调用系统工具完成任务。

这条路径已在旗舰手机上开始探索。例如，三星Galaxy S25系列推出了跨应用执行链功能，只需一句话就能让多个应用协同工作，比如“帮我导航到今晚开会的地方”，AI会自动从日历中读取地址并传递给地图应用，全程无需手动复制粘贴或切换。更早之前，全网热议的“豆包手机”，更是展示了“手机自动驾驶”的雏形。

然而，一个关键事实必须厘清：这些炫酷的自动化操作，大部分并非完全由本地模型驱动。三星、苹果，乃至豆包手机，都是如此。

（图源：豆包手机助手）

本质上，本地模型的能力受限于其参数量。参数量越小，能处理的任务就越简单、越有限。而用户对AI的期待却在不断攀升，仅靠本地算力根本无法满足所有需求。因此，云端协同成了必要的补充方案。本地模型更多地承担那些对实时性要求高、相对轻量的任务，比如通知摘要、语音识别等。

所以，谷歌这款应用更像是一次“试水”：它试图让本地模型在移动端跑起来，并逐步开放更多的系统操作权限，同时寄希望于未来有更多设备能够承载。但问题的核心在于，芯片厂商何时才愿意将真正够用的AI算力，下放到千元机这个主流价位段？毕竟，旗舰手机从来都不是市场销量的绝对主力。

联发科、高通近年来在发布每一代旗舰芯片时，都会重点强调NPU算力提升了多少倍、AI性能比前代强了多少。然而，在中低端芯片上，AI算力往往不是首要考量，能效比和成本控制才是关键。因此，普通用户能否用上真正好用的本地AI，取决于整个产业链是否有足够的动力去推动。谷歌在软件层面打开了一扇门，接下来，就要看芯片厂商和手机厂商如何接招了。