Dans une comparaison publiée par XDA Developers le 13 octobre 2026, Abhinav Raj dit qu’il jouerait à 16 des 28 jeux proposés par Gemma, contre 11 des 28 suggestions du recommandateur Steam. L’écart est de cinq jeux selon son propre jugement, pas une mesure générale de la qualité des recommandations.
Ce que mesure l’écart entre les deux listes
Les deux systèmes ont fourni 28 suggestions. Raj en a jugé 16 jouables parmi celles de Gemma et 11 parmi celles de Steam. Rapportés à la taille de chaque liste, ces décomptes correspondent à 57,1 % et 39,3 %, soit un écart de 17,9 points de pourcentage.
| Système | Suggestions évaluées | Jeux que Raj dit vouloir essayer | Part de la liste |
| Gemma 4 26B A4B Instruct | 28 | 16 | 57,1 % |
| Steam Interactive Recommender | 28 | 11 | 39,3 % |
Ce critère reflète les goûts d’une personne, et non une note standardisée. Les exemples cités par Raj l’illustrent : Assetto Corsa Competizione et F1 24 figuraient déjà sur sa liste de souhaits, tandis qu’il a jugé Hades discutable au regard de Digimon Story: Time Stranger. Il a aussi relevé Half-Life: Alyx, alors qu’il ne possédait pas de casque de réalité virtuelle.
Raj a signalé un autre angle mort de sa comparaison : Steam ne tenait pas compte de son temps de jeu sur Microsoft Flight Simulator 2024 via Game Pass, ni de certains jeux qu’il possédait sur l’Epic Games Store. Ces éléments décrivent son cas ; ils ne transforment pas le décompte en verdict général sur les deux systèmes.
Les données fournies au modèle local
Pour donner du contexte à Gemma, Raj a utilisé un fichier CSV listant 25 jeux Steam qu’il possédait et ses heures de jeu. Il lui a demandé 28 titres absents de cette bibliothèque, avec une explication reliant chaque suggestion à des jeux du fichier. Selon son compte rendu, la recherche sur le Web était désactivée.
Le modèle était Gemma 4 26B A4B Instruct, exécuté localement avec llama.cpp. La configuration utilisait un fichier GGUF IQ4_XS de bartowski, d’une taille de 14,21 Go, avec une température de 1,0, un paramètre top_p de 0,95 et un top_k de 64.
Comment Valve décrit son recommandateur
Le Steam Interactive Recommender s’appuie, selon Valve, sur l’apprentissage automatique et les historiques de jeu de millions d’utilisateurs Steam. Le modèle recherche des jeux joués par des personnes aux habitudes proches ; les tags et les avis ne l’influencent pas directement.
Valve décrit aussi des filtres permettant d’orienter les suggestions vers des jeux populaires ou de niche, récents ou classiques. Le recommandateur ne peut pas faire remonter des nouveautés auxquelles personne n’a encore joué. Pour découvrir ces sorties, Valve renvoie à la Discovery Queue, l’un des autres outils de découverte de Steam.
