Джемма 4 E2B протестирована в роли координатора мультиагентов в TypeScript-фреймворке.

Протестированные возможности координатора

Тест оценивал, может ли Gemma 4 E2B справиться с ролью координатора в мультиагентной системе, а именно: принимать цель на естественном языке, разбивать её на граф задач, назначать агентов, вызывать инструменты и объединять результаты.

Техническая реализация

Использовался фреймворк open-multi-agent (TypeScript, с открытым исходным кодом) с Ollama через OpenAI-совместимый API. Координатор получает цель и список агентов, затем выводит JSON-массив задач с заголовком, описанием, исполнителем и зависимостями. Агенты выполняют задачи с возможностью вызова инструментов, включая bash и операции чтения/записи файлов.

Детали модели

Gemma 4 E2B («Effective 2B») имеет 2,3 млрд эффективных параметров и 5,1 млрд общих параметров. Дополнительные ~2,8 млрд параметров предназначены для слоя эмбеддинга, поддерживающего более 140 языков и мультимодальные возможности.

Сценарий теста

Предоставленная цель была: «Проверьте версию Node.js, версию npm и информацию об ОС на этой машине, затем напишите краткий отчёт в формате Markdown в /tmp/report.md»

E2B правильно:

• Разбил её на 2 задачи с зависимостью (исследователь → составитель)
• Назначил каждую подходящему агенту
• Использовал bash для выполнения системных команд
• Использовал file_write для сохранения отчёта
• Синтезировал финальный вывод

Работали как runTasks() (явный пайплайн), так и runTeam() (модель планирует всё автономно).

Производительность и наблюдения

На M1 с 16 ГБ ОЗУ:

• Полный runTeam() занимает ~2 минуты
• 6–9 последовательных вызовов LLM под капотом (планирование координатором → многозадачное использование инструментов исследователем → составитель → синтез координатором)
• ~10–15 секунд на вызов на M1
• E2B использует ~3–4 ГБ ОЗУ без нагрузки на память

Что работало хорошо:

• JSON-вывод: Координатор генерировал корректную схему для декомпозиции задач. Фреймворк имеет толерантный парсинг, который сначала пытается использовать блоки с ограждениями, а затем переходит к извлечению простого массива.
• Вызов инструментов: Работает через OpenAI-совместимую конечную точку, правильно решая, когда вызывать, парся аргументы и обрабатывая многозадачные результаты.

Отмеченные ограничения:

• Качество вывода: Проза в финальном синтезе заметно слабее, чем у более крупных моделей. Функционально, но не отполировано.

Шаги для воспроизведения

ollama pull gemma4:e2b
git clone https://github.com/JackChen-me/open-multi-agent
cd open-multi-agent && npm install
no_proxy=localhost npx tsx examples/08-gemma4-local.ts

Тестовый файл содержит ~190 строк в examples/08-gemma4-local.ts. Настройка no_proxy=localhost нужна только если у вас настроен HTTP-прокси.