Google Antigravity og lokal AI: Sådan kører AI-agenter offline på din computer med Ollama og Gemma 4

Simon Gütter · 16. november 2026 · Læsetid ca. 18 minutter

Titelbillede „Google Antigravity lokal AI“: åben bærbar på et træbord foran et bjergpanorama, et orange netværkskabel sidder i den bærbare, mens den anden ende ligger løs, ved siden af bakker med sorterede breve

Hvor mange penge og hvor mange nerver koster ugegrænsen i dit AI-værktøj dig egentlig? Hos mig er kvoten som regel brugt op lige præcis, når jeg sidder midt i en opgave, og oveni kommer spørgsmålet ved hver eneste kundemail, om den overhovedet hører hjemme på en fremmed server. Det er præcis her, Google Antigravity med lokal AI kommer ind i billedet, for så kører AI'en ikke i skyen, men på din egen computer. Siden 23. september 2026 kan Antigravity SDK nemlig også arbejde med AI-modeller, som ligger på din egen harddisk.1 Det betyder, at du bygger en AI-agent på det samme fundament, som Antigravity-appen kører på, og lader den arbejde med for eksempel Gemma 4 via Ollama, uden API-nøgle, uden credits og efter opsætningen endda uden internet. Der er dog en hage, for Google anbefaler en computer med mindst 24 GB grafikhukommelse eller delt hukommelse til hovedvarianten.1,2 I denne artikel viser jeg dig derfor, hvilken model der passer til din computer, hvordan du sætter en lokal agent op, hvilke fem agenter der kan betale sig i en lille virksomhed, og hvor grænserne går.

Kort sagt

Antigravity SDK er Googles Python-værktøjskasse til dine egne AI-agenter. Siden september 2026 kører disse agenter også med lokale AI-modeller, officielt optimeret til Gemma 4 26B via Googles LiteRT og desuden via enhver OpenAI-kompatibel server som Ollama, LM Studio eller vLLM.1 En mindre Gemma 4-model via Ollama kan også køre på en bærbar med 16 GB arbejdshukommelse, men arbejder så langsommere og leverer resultater, som du bør læse igennem.4,5 Med regler bestemmer du, hvad agenten må, med udløsere starter den af sig selv, og dine data bliver på din enhed.2

Det vigtigste i tal

  • 23.09.2026: Google annoncerer lokale modeller i Antigravity SDK.1
  • 24 GB grafikhukommelse eller delt hukommelse anbefaler Google til hovedvarianten med Gemma 4 26B A4B.1,2
  • 64.000 tokens kontekst anbefaler Google til lokale agenter, Ollama starter som standard med 4.096.2,6
  • 4,5 GB hukommelse kræver Gemma 4 E4B i 4-bit-udgaven, 26B-varianten 14,4 GB.4
  • 97,2 % af alle tokens kørte lokalt i Googles hybriddemo, planlæggeren i skyen brugte kun 95 tokens.1
  • 0 amerikanske dollars om måneden koster Antigravity for enkeltpersoner, med simple ugegrænser.7

Hvad er Antigravity SDK?

Antigravity findes efterhånden i fem former: som app, som eget udviklingsmiljø (IDE), som udvidelse til andre editorer, som kommandolinje og som SDK.7 SDK'et er varianten til dine egne programmer og automatiseringer. Du installerer det med pip install google-antigravity, skriver et par linjer Python, og SDK'et tager sig af hele løkken med at tænke, kalde værktøj, kontrollere og fortsætte.2 Ifølge Google ligger der de samme funktioner bag, som driver Antigravity-appen.1

For dig betyder det, at du ikke skal programmere en AI-agent fra bunden. Du beskriver en opgave, giver agenten en mappe, den må arbejde i, og den læser filer, skriver resultater og kører efter ønske også kommandoer. Dertil kommer egne værktøjer lavet af Python-funktioner, tilslutning af MCP-servere, regler for tilladte handlinger og udløsere til tilbagevendende opgaver.2 SDK'et ligger under Apache 2.0-licensen og kører på macOS, Linux og Windows. Det medbringer dog en forkompileret runtime-fil, som kun findes i pakken på PyPI og ikke i kildekoden på GitHub.2,3

Lokalt eller cloud: Hvad ændrer sig?

Uden yderligere indstilling taler SDK'et med Gemini i skyen og kræver en API-nøgle til det.2 Til lokal drift udskifter du i princippet kun konfigurationen, fordi din agents opgaver, regler og værktøjer forbliver de samme, og Google nævner fire grunde til det:1

  • ingen løbende omkostninger, fordi API-gebyrer og ratebegrænsninger bortfalder,
  • databeskyttelse, fordi din kode og dine forespørgsler bliver helt på din computer,
  • offline-drift, så agenten også arbejder uden stabilt internet, for eksempel på farten eller i en van,
  • hybriddrift, hvor du kombinerer billigt lokalt arbejde med en stor cloudmodel, hvis en opgave alligevel bliver for svær.

Punktet med grænserne ville jeg ikke undervurdere. En lokal agent kører så ofte, du vil, for den eneste grænse er din computer og ikke en kvote, der allerede er tom om onsdagen.

Gemini i skyen Gemma 4 via LiteRT Gemma 4 via Ollama
Konfiguration i SDK'et LocalAgentConfig med Gemini API-nøgle LiteRTAgentConfig LocalOpenAIAgentConfig
Internet nødvendigt ja nej (efter download) nej (efter download)
Omkostninger pr. opgave efter forbrug eller abonnementsgrænse ingen ingen
Anbefalet hardware ligegyldigt fra 24 GB grafikhukommelse eller delt hukommelse afhængigt af modellen, E4B allerede på bærbare med 16 GB
Data forlader computeren ja nej nej
Optimeret af Google ja ja, til Gemma 4 26B A4B understøttet, ikke specielt optimeret

Kilder: Google Developers Blog, README til Antigravity SDK, Gemma 4-modeloversigt.1,2,4

Hvilken Gemma 4-model passer til din computer?

Det er det vigtigste spørgsmål inden start. Gemma 4 findes i fem størrelser, fra E2B til mobil og browser til 31B til stærke computere.4 Jo større modellen er, desto bedre bliver resultaterne, men desto mere hukommelse har du brug for, og desto langsommere bliver den på svag hardware. I tabellen står det omtrentlige hukommelsesbehov ifølge Google, ved siden af downloadstørrelserne hos Ollama.

Model 4-bit-udgave (Google) Download hos Ollama Kontekst Passer til
Gemma 4 E2B 2,9 GB 4,6 til 7,5 GB 128K ældre bærbare, simple sorteringsopgaver
Gemma 4 E4B 4,5 GB 6,6 til 9,5 GB 128K almindelige bærbare med 16 GB RAM
Gemma 4 12B 6,7 GB 7,7 til 8,0 GB 256K computere med 16 til 32 GB og grafikkort
Gemma 4 26B A4B 14,4 GB 16 til 19 GB 256K Googles hovedvariant, anbefalet fra 24 GB
Gemma 4 31B 17,5 GB 19 til 20 GB 256K stærke arbejdsstationer eller Macs med meget hukommelse

Kilder: Googles Gemma 4-modeloversigt og Ollama-biblioteket, status 16.11.2026.4,5

Som tommelfingerregel tager jeg den største model, der passer helt ind i grafikhukommelsen, på en Mac i den delte hukommelse, og jeg levner stadig plads til konteksten. På en bærbar med 16 GB RAM uden eget grafikkort, sådan som jeg selv bruger den, er E4B det fornuftige valg. E2B er mindre og hurtigere, men til agenter, der skal udføre flere trin efter hinanden, ville jeg mindst tage E4B.

Opret en AI-agent med lokal AI: Trin for trin til din egen Ollama-agent

Før du går i gang med SDK'et, ville jeg først prøve opgaven af i Antigravity-appen eller i din editor. Dér ser du hurtigt, om agenten overhovedet forstår opgaven, og først når det lykkes, kan det betale sig at automatisere den med SDK'et. Selve opsætningen tager så cirka et kvarter, afhængigt af hvor hurtigt modeldownloadet går.

  1. Installer Ollama og hent modellen. Ollama findes på ollama.com, modellen henter du for eksempel med ollama pull gemma4:e4b.5
  2. Forstør konteksten. Uden indstilling arbejder Ollama med 4.096 tokens kontekst, og det er alt for lidt til agenter. Start derfor Ollama for eksempel med OLLAMA_CONTEXT_LENGTH=16384 ollama serve. En større kontekst kræver mere arbejdshukommelse, så på en bærbar med 16 GB ville jeg først blive ved 16.384 eller 32.768 tokens og først med 24 GB og mere gå mod de 64.000 tokens, som Google anbefaler.6,2 Kører Ollama hos dig som baggrundstjeneste, skriver du variablen ind i tjenestens indstillinger og genstarter tjenesten.6
  3. Opret et Python-miljø med python3 -m venv .venv og source .venv/bin/activate på macOS eller Linux, på Windows i PowerShell med python -m venv .venv og .venv\Scripts\Activate.ps1.2
  4. Installer SDK'et med pip install google-antigravity.2
  5. Skriv agenten. Vigtigst er tre oplysninger, nemlig modelnavnet, adressen på den lokale server og mappen, som agenten må arbejde i.
import asyncio
from google.antigravity import Agent, LocalOpenAIAgentConfig
from google.antigravity.hooks import policy

ORDNER = "/home/du/agenten/postfach"

async def main():
    config = LocalOpenAIAgentConfig(
        model="gemma4:e4b",
        base_url="http://127.0.0.1:11434/v1",
        workspaces=[ORDNER],
        policies=[policy.deny("*"), policy.allow("view_file"), policy.allow("list_directory")],
    )
    async with Agent(config) as agent:
        antwort = await agent.chat("Læs alle filerne i mappen og opsummer hver af dem i én sætning.")
        async for teil in antwort:
            print(teil, end="", flush=True)

asyncio.run(main())

En faldgrube, som jeg selv er faldet i: Ved det første forsøg kom der i stedet for et svar kun en timeout ved forbindelsen til Ollama, selvom Ollama kørte. Hos mig pegede localhost på IPv6-adressen, hvor Ollama ikke kunne nås, og derfor står der 127.0.0.1 i eksemplet. Kommer der også med den kun en timeout, så tjek din desktop-firewall. Hvis den frigiver udgående forbindelser enkeltvis, skal SDK'ets runtime-fil også have lov til at tilgå den lokale port 11434.

Lad Antigravity bygge agenten

Du behøver ikke selv taste koden. I Antigravity-appen kan du også lade den bygge agenten til dig med en opgave som denne:

Byg en Python-agent med Antigravity SDK. Brug LocalOpenAIAgentConfig med modellen gemma4:e4b og Ollama-adressen http://127.0.0.1:11434/v1. Sæt denne mappe som arbejdsområde. Agenten læser hver fil i mappen “indgang”, løser den opgave, jeg beskriver nedenfor, og skriver sine resultater i mappen “udgang”. Udskriv hvert værktøjskald, så jeg kan følge med. Kør den derefter. Opgave: …

Husk i den forbindelse, at selve Antigravity-appen arbejder med cloudmodeller, det vil sige, at din opgavebeskrivelse først går til skyen, når du bygger, og først den færdige agent arbejder lokalt med dine filer. Læg derfor kun eksempeldata i mappen, mens du bygger, og de rigtige kundedata først bagefter. Og se på, hvilke filer appen opretter og ændrer, før du overtager det hele. Til dine egne arbejdsgange rækker det som regel, men til et kundeprojekt med logins eller betalinger bør en med programmeringserfaring alligevel kigge koden igennem.

Fem lokale agenter, der kan betale sig i virksomheden

Alle fem følger det samme mønster, nemlig en mappe med input, en klar opgave og en anden mappe til resultaterne. I opgaven ovenfor ændrer du altså kun selve opgaven.

1. Postkasse-sortereren til bureauer og tjenesteydere

Du lægger kundemails som tekstfiler i indgangsmappen, for eksempel via eksport fra dit mailprogram. Agenten læser hver mail, sorterer efter hastegrad, skriver en linjes resumé til den og laver et svarudkast til hver. Øverst havner så for eksempel webshop-kunden, der er utilfreds med resultaterne og overvejer at opsige, sammen med et roligt udkast, der spørger, hvor det præcis klemmer. Du skal selvfølgelig selv sende mailene, når du har læst dem. Fordi der næsten altid står personoplysninger i mails, giver den lokale drift mest her.

2. Kontaktlisten-sortereren til kundeemner

Du har en liste med et par hundrede kontakter fra messer, henvendelser eller gamle projekter, og i den står personlige adresser som fornavn@firma.de blandet sammen med fælles adresser som info@ eller praxis@. Til henvendelsen har du brug for begge dele adskilt, fordi du skriver anderledes til en indehaver end til et sekretariat. Agenten går tabellen igennem, markerer hver adresse som personlig eller generel og skriver resultatet i en ny kolonne. Netop med den slags lister er det rart, at de ikke skal til en cloudtjeneste for det.

3. Førstehenvendelse-skribenten til eksisterende kontakter

Du giver agenten en tabel med firmaer, branche og en kort note om hjemmesiden. Den skriver til hvert firma en første sætning, der henviser til det, firmaet rent faktisk gør, i stedet for til floskler som „fed hjemmeside“. Hos en onlineskole med 4.000 deltagere tager den for eksempel den fyldte support-postkasse op, hos et softwaretilbud med prøveperiode spørgsmålet om, hvordan testkunder finder den rigtige funktion. Tænk i den forbindelse på reglerne for markedsføring pr. mail, for uopfordrede reklamemails er i Tyskland også over for virksomheder kun tilladt inden for snævre grænser. Brug derfor kun indledningerne til kontakter, der har givet dig samtykke, eller som anledning til en personlig samtale.

4. Notatoprydderen til coaches og rådgivere

Efter et møde er notaterne som regel et rod af halve sætninger, ideer og ting, du har lovet. Agenten laver ud af det en ren plan for hver kunde med tre opgaver og et spørgsmål til at åbne næste møde. Samtalenotater er fortrolige, og derfor hører de for mig ikke hjemme i en tjeneste, hvor jeg ikke ved præcis, hvad der sker med dem.

5. SEO-dashboardet fra Search Console-eksporten

Du eksporterer fra Google Search Console tabellen med søgeforespørgsler, klik, visninger, CTR og position. Agenten bygger ud fra den en enkelt HTML-side, øverst de stærkeste søgeforespørgsler, derunder de hurtige gevinster, altså begreber mellem position 8 og 20, som du med lidt arbejde kan få op på side ét, og dertil et simpelt søjlediagram. Sådan et dashboard forstår også kunder på få sekunder, og tallene forlader aldrig din computer.

Regler og udløsere: Sådan kører din agent sikkert af sig selv

En agent, der må skrive filer og køre kommandoer, har brug for klare grænser. Uden yderligere indstilling arbejder SDK'et kun læsende, alt andet frigiver du målrettet.2

  • Med regler (policies) forbyder du først alt og tillader derefter enkelte trin målrettet, for eksempel læse filer ja, kommandoer kun efter forespørgsel. Til det findes deny, allow og ask_user, desuden færdige byggeklodser som workspace_only, der blokerer adgang uden for arbejdsmappen, og confirm_run_command, der afviser kommandoer uden din godkendelse.2,3 Din postkasse-sorterer må på den måde skrive udkast, men ikke slette noget.
  • Med udløsere (triggers) fastlægger du, hvornår agenten går i gang, for eksempel med every hvert tiende minut eller med on_file_change præcis i det øjeblik, en ny fil lander i indgangsmappen.2,3
  • Med egne værktøjer gør du hver Python-funktion brugbar for agenten, og MCP-servere tilslutter du på samme måde.2 En webshop giver for eksempel agenten et værktøj, der læser produkttabellen, og får beskrivelser til hvert nyt produkt.

Hybridtilstanden: Skyen planlægger, din computer arbejder

Er en opgave for stor til en lille lokal model, behøver du ikke straks sende det hele til skyen. Google sammenligner arbejdsdelingen med en arkitekt og hans byggehold, det vil sige, at en cloudmodel, i demoen Gemini 3.8 Flash, planlægger opgaven og fordeler den, men kun ser filnavne og korte beskrivelser, mens flere lokale Gemma 4-instanser på din computer udfører det egentlige arbejde med indholdet.1

I Googles eksempel drejede det sig om tre Python-filer med sikkerhedshuller. Planlæggeren i skyen brugte 95 tokens på det. De lokale modeller genskabte hullerne, skrev rettelser, kritiserede hinanden indbyrdes og kontrollerede alt mod testene. Til sidst kørte 97,2 % af alle tokens lokalt, det var 3.322 tokens.1 For en virksomhed betyder det, at filnavne går til skyen og kan afsløre noget, men indholdet bliver hos dig.

Antigravity-omkostninger: Hvad betaler du lokalt i euro?

Lokalt opstår der ingen gebyrer pr. opgave, du betaler kun strøm og den hardware, du alligevel har. Lad os tage en bærbar, der trækker omkring 60 watt under belastning og regner to timer om dagen for dine agenter. Den bruger om måneden cirka 3,6 kWh, og ved 35 cent pr. kWh er det omkring 1,30 € om måneden. Værdierne er skønnede og afhænger af enhed og elpris, men størrelsesordenen passer.

Antigravity selv koster for enkeltpersoner 0 amerikanske dollars om måneden, med simple ugegrænser for cloudmodellerne. Mere spillerum får du med Google AI Pro og Ultra, og virksomheder booker via Google Cloud, hvor Gemini Enterprise-planer starter ved 30 amerikanske dollars pr. plads og måned.7 For dine lokale agenter spiller disse grænser ingen rolle, de tæller kun, når du bruger appen eller cloudmodeller.

Mere giver dog den tid, du sparer. Hvis postkasse-sortereren hver dag tager bare 20 minutters forsortering fra dig, er det over 20 arbejdsdage knap syv timer om måneden. Ved en intern timesats på 50 € svarer det til omkring 330 €.

Mine tips til, at lokale agenter arbejder pålideligt

  1. Giv hver agent sin egen arbejdsmappe. Så holder den sig til sagen, og med workspace_only kommer den ikke til andet.3
  2. Én klar opgave i stedet for en ønskeliste. Små lokale modeller arbejder markant bedre med en snæver opgave og præcise filnavne til resultaterne. Hellere tre agenter med hver sin opgave end én, der skal kunne alt.
  3. Sæt konteksten op, før du tvivler på agenten. Hvis en agent afbryder midt i en lang opgave eller mister tråden, skyldes det ofte en for lille kontekst. De 4.096 tokens, som Ollama starter med, rækker ikke til agenter.6
  4. Planlæg med tålmodighed. Allerede Googles eget eksempelscript peger på, at den lokale behandling kan tage flere minutter.1 Lad derfor agenten køre i baggrunden via udløsere i stedet for at sidde og vente foran den.
  5. Læs resultaterne igennem. En lille lokal model begår flere fejl ved svære opgaver end de store cloudmodeller. Til de mange rutineopgaver med fortrolige filer passer den alligevel, du bør bare ikke sende noget af sted ulæst.
  6. Start med eksempeldata. Test hver agent først med opdigtede mails, notater eller tabeller, og lad den derefter få fat i rigtige data.
  7. Vær opmærksom på filformater og dvaletilstand. Agenten arbejder mest pålideligt med rene tekstfiler som .txt, .md eller .csv. Til Excel-projektmapper giver du den bedst en lille Python-funktion med som værktøj. Og husk, at en lokal agent kun arbejder, så længe din computer er vågen, klapper du den bærbare i, holder agenten også pause.

Grænser for lokal AI og databeskyttelse

Lokal AI har også sine hager, og nogle af dem bør du kende, før du stoler på den i den daglige drift.

  • Google har optimeret den lokale drift til Gemma 4 26B A4B via LiteRT, andre LiteRT-modelfiler kører ifølge README'en muligvis dårligt eller slet ikke.2 Ollama med mindre modeller er understøttet, men er ikke Googles hovedvej.
  • Anbefalingen på 24 GB grafikhukommelse eller delt hukommelse gælder for 26B-varianten. Med mindre hukommelse kører en mindre model, som kan mærkbart mindre.1,4
  • Til svære opgaver som større programmeringsarbejde er de store cloudmodeller fortsat klart foran. Den lokale drift kan især betale sig til de mange små opgaver, der vender tilbage hver dag.
  • SDK'et medbringer en forkompileret runtime-fil, hvis kildekode ikke ligger i det offentlige repository.2
  • Ved bygning i Antigravity-appen og i hybridtilstanden går dele til en cloudmodel, nemlig din opgavebeskrivelse henholdsvis filnavnene.1
  • Gemma 4 ligger ligesom SDK'et under Apache 2.0-licensen, det vil sige, at du også må bruge modellerne kommercielt og uden licensgebyrer i virksomheden.8

Den store fordel er alligevel, at du behandler kundedata på din egen enhed, uden at en AI-udbyder får dem at se, så længe agenten kører rent lokalt. Til dette trin har du så ikke brug for en databehandleraftale med en AI-udbyder. De øvrige forpligtelser i GDPR, for eksempel formålsbegrænsning og sletningsfrister, gælder selvfølgelig fortsat. Hvis du generelt interesserer dig for self-hosting, så se også mine erfaringer med Nemotron 3.5 Bolt som lokal assistent.

Konklusion

Erstatter en lokal Antigravity-agent med lokal AI nu de store cloudmodeller? Til svære og kreative opgaver nej, dér er de store modeller klart bedre. Til de mange små opgaver med fortrolige data, altså at forsortere mails, dele kontaktlister op, rydde op i notater eller analysere eksporter, er lokal AI dog en meget praktisk løsning, fordi du sætter det op én gang, og agenten derefter kører så ofte, du vil, uden omkostninger pr. opgave og uden ugegrænse. Jeg ville starte med netop én agent, nemlig til den opgave, der irriterer dig mest hver uge, og teste den i to uger med eksempeldata, før rigtige data kommer i spil. Og hvis du undervejs opdager, at der i din virksomhed ligger mange flere af den slags opgaver, så lad os tale kort om, hvilken der kan betale sig først.

Ofte stillede spørgsmål om Google Antigravity og lokal AI

Er Google Antigravity gratis?

For enkeltpersoner ja, abonnementet koster 0 amerikanske dollars om måneden og har simple ugegrænser. Mere spillerum får du med Google AI Pro og Ultra.7 Lokale agenter via SDK'et giver ingen gebyrer pr. opgave og behøver ikke engang en API-nøgle.1

Har jeg brug for internet til lokale Antigravity-agenter?

Kun til opsætningen, altså til at downloade SDK og model. Derefter kører agenten helt offline, så længe du ikke bruger hybridtilstanden med en planlægger i skyen.1

Hvilken hardware har jeg mindst brug for?

Google anbefaler til hovedvarianten med Gemma 4 26B mindst 24 GB grafikhukommelse eller delt hukommelse.1 Med Ollama og Gemma 4 E4B, som i 4-bit-udgaven kræver cirka 4,5 GB, passer en model også på en bærbar med 16 GB RAM, men svarene kommer så langsommere.4

Virker det også med LM Studio i stedet for Ollama?

Ja, via LocalOpenAIAgentConfig taler SDK'et med enhver OpenAI-kompatibel server. Google nævner udtrykkeligt Ollama, LM Studio og vLLM.1

Hvad er forskellen på LiteRT og Ollama?

LiteRT er Googles egen runtime til modeller på enheden, og til den er SDK'et med LiteRTAgentConfig specielt optimeret. Ollama er en udbredt lokal modelserver, som SDK'et taler med via den OpenAI-kompatible grænseflade. LiteRT er den optimerede vej til Gemma 4 26B, Ollama giver dig større valgmulighed blandt modellerne.1,2

Kører Antigravity SDK på Windows og Linux?

Ja, på PyPI findes der færdige pakker til Windows, Linux og macOS, hver især til Intel- og ARM-processorer.3

Må jeg bruge Gemma 4 kommercielt?

Ja, Google stiller Gemma 4 til rådighed med åbne vægte under Apache 2.0-licensen, det vil sige, at du også må bruge modellerne kommercielt i din virksomhed.4,8

Citatforslag

Gütter, Simon (2026): Google Antigravity og lokal AI: Sådan kører AI-agenter offline på din computer med Ollama og Gemma 4. Simon Traffic, 16. november 2026. https://simon-traffic.com/blog/ki-automatisierung/antigravity-lokal-ollama/

Kilder

  1. Google Developers Blog: Introducing Support for Local AI Models in the Antigravity SDK, 23.09.2026. https://developers.googleblog.com/introducing-support-for-local-ai-models-in-the-antigravity-sdk/
  2. Google: Antigravity SDK for Python, README, hentet 16.11.2026. https://github.com/google-antigravity/antigravity-sdk-python
  3. PyPI: google-antigravity 0.1.23, pakkedata og dokumentation i pakken, hentet 16.11.2026. https://pypi.org/project/google-antigravity/
  4. Google AI for Developers: Gemma 4 model overview, hentet 16.11.2026. https://ai.google.dev/gemma/docs/core
  5. Ollama: gemma4, modelbibliotek, hentet 16.11.2026. https://ollama.com/library/gemma4
  6. Ollama: FAQ, How can I specify the context window size?, hentet 16.11.2026. https://docs.ollama.com/faq
  7. Google Antigravity: Pricing, hentet 16.11.2026. https://antigravity.google/pricing
  8. Google AI for Developers: Gemma 4, Apache License 2.0, hentet 16.11.2026. https://ai.google.dev/gemma/docs/gemma_4_license

Status: 16. november 2026. Antigravity SDK er i version 0.1.x, funktioner og anbefalinger kan ændre sig.