license: gemma pipeline_tag: image-text-to-text extra_gated_heading: Hugging FaceでのGemmaアクセス extra_gated_prompt: >- Hugging FaceでGemmaにアクセスするには、Googleの利用規約を確認し同意する必要があります。 これを行うには、Hugging Faceにログインしていることを確認し、以下をクリックしてください。 リクエストは即時処理されます。 extra_gated_button_content: 規約に同意 base_model: google/gemma-3-12b-it tags:

• gemma
• gemma3

Gemma 3 12B 指示チューニング済み QAT AutoAWQ

このチェックポイントはhttps://huggingface.co/google/gemma-3-12b-it-qat-q4_0-ggufからAutoAWQ形式とBF16 dtypeに変換されました（したがって、損失はありません）。ビジョンタワーはhttps://huggingface.co/google/gemma-3-12b-itから移植されました。

以下はオリジナルのモデルカードです。

Gemma 3 モデルカード

モデルページ: Gemma

[!Note] このリポジトリは、Gemma 3モデルの12B 指示チューニング済みバージョンに対応しており、量子化認識トレーニング（QAT）を使用したGGUF形式で提供されています。 GGUFはQ4_0量子化に対応しています。

QATのおかげで、モデルはbfloat16と同様の品質を維持しながら、モデルをロードするためのメモリ要件を大幅に削減できます。

半精度バージョンはこちらで見つけることができます。

リソースと技術ドキュメント:

• Gemma 3 テクニカルレポート
• 責任ある生成AIツールキット
• KaggleのGemma
• Vertex Model GardenのGemma

利用規約: 規約

著者: Google DeepMind

モデル情報

概要説明と入出力の簡単な定義。

説明

Gemmaは、Googleが作成した軽量で最先端のオープンモデルのファミリーで、 Geminiモデルの作成に使用されたのと同じ研究と技術から構築されています。 Gemma 3モデルはマルチモーダルで、テキストと画像の入力を処理しテキストを出力し、 事前トレーニング済みバリアントと指示チューニング済みバリアントの両方でオープンウェイトを提供します。 Gemma 3は大きな128Kのコンテキストウィンドウ、140以上の言語での多言語サポート、 以前のバージョンよりも多くのサイズで利用可能です。Gemma 3モデルは、 質問応答、要約、推論など、さまざまなテキスト生成と画像理解タスクに適しています。 比較的小さいサイズであるため、ラップトップ、デスクトップ、または独自のクラウドインフラストラクチャなど、 リソースが限られた環境に展開することが可能で、最先端のAIモデルへのアクセスを民主化し、 すべての人のためのイノベーションを促進するのに役立ちます。

入力と出力

• 入力:

  • 質問、プロンプト、要約するドキュメントなどのテキスト文字列
  • 896 x 896解像度に正規化され、それぞれ256トークンにエンコードされた画像
  • 4B、12B、27Bサイズでは128Kトークン、1Bサイズでは32Kトークンの総入力コンテキスト

• 出力:

  • 入力に対する応答として生成されたテキスト。質問への回答、画像内容の分析、ドキュメントの要約など
  • 8192トークンの総出力コンテキスト

使用方法

以下に、モデルをすぐに実行するためのいくつかのコードスニペットを示します。

llama.cpp（テキストのみ）

./llama-cli -hf google/gemma-3-12b-it-qat-q4_0-gguf -p "クラーケンについての詩を書いてください。"

llama.cpp（画像入力）

wget https://github.com/bebechien/gemma/blob/main/surprise.png?raw=true -O ~/Downloads/surprise.png
./llama-gemma3-cli -hf google/gemma-3-12b-it-qat-q4_0-gguf -p "この画像を説明してください。" --image ~/Downloads/surprise.png

ollama（テキストのみ）

現時点では、OllamaでGGUFをHugging Face経由で使用する場合、画像入力はサポートされていません。ゲート付きリポジトリの実行に関するドキュメントを確認してください。

ollama run hf.co/google/gemma-3-12b-it-qat-q4_0-gguf

引用

@article{gemma_2025,
    title={Gemma 3},
    url={https://goo.gle/Gemma3Report},
    publisher={Kaggle},
    author={Gemma Team},
    year={2025}
}

モデルデータ

モデルトレーニングに使用されたデータとデータの処理方法。

トレーニングデータセット

これらのモデルは、さまざまなソースを含むテキストデータのデータセットでトレーニングされました。 27Bモデルは14兆トークン、12Bモデルは12兆トークン、4Bモデルは4兆トークン、 1Bモデルは2兆トークンでトレーニングされました。主な構成要素は以下の通りです：

• ウェブドキュメント：多様なウェブテキストのコレクションにより、モデルは幅広い言語スタイル、トピック、語彙にさらされます。トレーニングデータセットには140以上の言語のコンテンツが含まれています。
• コード：モデルをコードにさらすことで、プログラミング言語の構文とパターンを学習し、コード生成とコード関連の質問の理解能力が向上します。
• 数学：数学的なテキストでトレーニングすることで、論理的推論、記号表現、数学的クエリに対処する能力が向上します。
• 画像：幅広い画像により、モデルは画像分析と視覚データ抽出タスクを実行できます。

これらの多様なデータソースの組み合わせは、さまざまなタスクとデータ形式を処理できる強力なマルチモーダルモデルをトレーニングするために重要です。

データ前処理

トレーニングデータに適用された主なデータクリーニングとフィルタリング方法は以下の通りです：

• CSAMフィルタリング：有害で違法なコンテンツを除外するために、データ準備プロセスの複数の段階で厳格なCSAM（児童性的虐待素材）フィルタリングが適用されました。
• 機密データフィルタリング：Gemma事前トレーニング済みモデルを安全で信頼性の高いものにするために、トレーニングセットから特定の個人情報やその他の機密データをフィルタリングする自動技術が使用されました。
• その他の方法：ポリシーに沿ったコンテンツ品質と安全性に基づくフィルタリング。

実装情報

モデルの内部に関する詳細。

ハードウェア

GemmaはTensor Processing Unit (TPU)ハードウェア（TPUv4p、TPUv5p、TPUv5e）を使用してトレーニングされました。視覚言語モデル（VLM）のトレーニングには、かなりの計算能力が必要です。TPUは、機械学習で一般的な行列演算に特化して設計されており、この領域でいくつかの利点を提供します：

• パフォーマンス：TPUは、VLMのトレーニングに関連する大規模な計算を処理するように特別に設計されています。CPUと比較してトレーニングを大幅に高速化できます。
• メモリ：TPUには多くの場合、大容量の高帯域幅メモリが搭載されており、トレーニング中に大規模なモデルとバッチサイズを処理できます。これにより、モデルの品質が向上します。
• スケーラビリティ：TPU Pod（大規模なTPUクラスター）は、大規模な基盤モデルの複雑さに対処するためのスケーラブルなソリューションを提供します。複数のTPUデバイスにトレーニングを分散させ、より高速で効率的な処理を実現できます。
• コスト効率：多くのシナリオで、TPUはCPUベースのインフラストラクチャと比較して、特にトレーニング時間とリソースの節約を考慮すると、大規模なモデルのトレーニングによりコスト効率の高いソリューションを提供できます。
• これらの利点は、Googleの持続可能な運用への取り組みと一致しています。

ソフトウェア

トレーニングはJAXとML Pathwaysを使用して行われました。

JAXにより、研究者はTPUを含む最新のハードウェアを活用し、大規模なモデルのより高速で効率的なトレーニングが可能になります。ML Pathwaysは、Googleの最新の取り組みで、複数のタスクにわたって一般化できる人工知能システムを構築することを目的としています。これは、これらのような大規模言語モデルを含む基盤モデルに特に適しています。

JAXとML Pathwaysは、Geminiファミリーモデルに関する論文で説明されているように使用されます。「JaxとPathwaysの『単一コントローラー』プログラミングモデルにより、単一のPythonプロセスでトレーニング実行全体を調整でき、開発ワークフローが大幅に簡素化されます。」

評価

モデル評価指標と結果。

ベンチマーク結果

これらのモデルは、テキスト生成のさまざまな側面をカバーするために、多くの異なるデータセットと指標に対して評価されました。

推論と事実性

STEMとコード

多言語

マルチモーダル

倫理と安全性

倫理と安全性の評価アプローチと結果。

評価アプローチ

私たちの評価方法には、構造化された評価と関連するコンテンツポリシーの内部レッドチーミングテストが含まれます。レッドチーミングは、異なる目標と人間の評価指標を持つさまざまなチームによって行われました。これらのモデルは、倫理と安全性に関連する多くの異なるカテゴリに対して評価されました：

• 児童の安全: 児童の安全ポリシー（児童性的虐待や搾取を含む）をカバーするテキストからテキスト、および画像からテキストのプロンプトの評価。
• コンテンツの安全性: ハラスメント、暴力と流血、ヘイトスピーチなどの安全ポリシーをカバーするテキストからテキスト、および画像からテキストのプロンプトの評価。
• 表現的害: 偏見、ステレオタイプ、有害な関連付けや不正確さなどの安全ポリシーをカバーするテキストからテキスト、および画像からテキストのプロンプトの評価。

開発レベルの評価に加えて、「保証評価」を実施しています。これは、リリースに関する責任あるガバナンスの意思決定を通知するための「独立した」内部評価です。これらはモデル開発チームとは別に行われ、モデルチームに高レベルの結果がフィードバックされますが、プロンプトセットは保持され、過剰適合を防ぎ、意思決定を通知する能力を維持します。保証評価の結果は、リリースレビューの一環として責任と安全評議会に報告されます。

評価結果

すべての安全テストの領域で、児童の安全、コンテンツの安全性、表現的害のカテゴリにおいて、以前のGemmaモデルと比較して大幅な改善が見られました。すべてのテストは、モデルの能力と動作を評価するために安全フィルターなしで実施されました。テキストからテキスト、画像からテキストの両方で、すべてのモデルサイズにおいて、モデルは最小限のポリシー違反しか生成せず、根拠のない推論に関して以前のGemmaモデルのパフォーマンスと比較して大幅な改善を示しました。私たちの評価の制限は、英語のプロンプトのみを含んでいたことです。

使用と制限

これらのモデルには、ユーザーが認識すべき特定の制限があります。

意図された使用法

オープンな視覚言語モデル（VLM）は、さまざまな業界やドメインで幅広い用途があります。以下の潜在的な使用例のリストは包括的なものではありません。このリストの目的は、モデル作成者がモデルのトレーニングと開発の一環として考慮した可能な使用例に関する文脈情報を提供することです。

• コンテンツ作成とコミュニケーション
  • テキスト生成：これらのモデルは、詩、スクリプト、コード、マーケティングコピー、メールの下書きなどの創造的なテキスト形式を生成するために使用できます。
  • チャットボットと会話型AI：カスタマーサービス、仮想アシスタント、またはインタラクティブアプリケーションのための会話型インターフェースを強化します。
  • テキスト要約：テキストコーパス、研究論文、またはレポートの簡潔な要約を生成します。
  • 画像データ抽出：これらのモデルは、視覚データを抽出、解釈、要約し、テキストコミュニケーションに使用できます。
• 研究と教育
  • 自然言語処理（NLP）とVLM研究：これらのモデルは、研究者がVLMとNLP技術を実験し、アルゴリズムを開発し、分野の進歩に貢献するための基盤として機能します。
  • 言語学習ツール：文法修正やライティング練習を支援するインタラクティブな言語学習体験をサポートします。
  • 知識探索：研究者が特定のトピックに関する要約を生成したり、質問に答えたりすることで、大規模なテキストを探索するのを支援します。

制限

• トレーニングデータ
  • トレーニングデータの品質と多様性は、モデルの能力に大きな影響を与えます。トレーニングデータの偏りやギャップは、モデルの応答に制限をもたらす可能性があります。
  • トレーニングデータセットの範囲は、モデルが効果的に扱える主題領域を決定します。
• コンテキストとタスクの複雑さ
  • モデルは、明確なプロンプトと指示でフレーム化できるタスクの方が得意です。オープンエンドまたは非常に複雑なタスクは難しい場合があります。
  • モデルのパフォーマンスは、提供されるコンテキストの量（ある程度までは、長いコンテキストがより良い出力につながる）に影響される可能性があります。
• 言語の曖昧さとニュアンス
  • 自然言語は本質的に複雑です。モデルは微妙なニュアンス、皮肉、比喩的な言語を理解するのに苦労する可能性があります。
• 事実の正確性
  • モデルはトレーニングデータセットから学んだ情報に基づいて応答を生成しますが、知識ベースではありません。不正確または時代遅れの事実を生成する可能性があります。
• 常識
  • モデルは言語の統計的パターンに依存しています。特定の状況で常識的な推論を適用できない場合があります。

倫理的考慮事項とリスク

視覚言語モデル（VLM）の開発は、いくつかの倫理的懸念を引き起こします。オープンモデルを作成するにあたり、私たちは以下の点を慎重に考慮しました：

• 偏りと公平性
  • 大規模な実世界のテキストと画像データでトレーニングされたVLMは、トレーニング素材に埋め込まれた社会文化的な偏りを反映する可能性があります。これらのモデルは、このカードで説明されている入力データの前処理と事後評価を通じて、慎重な審査を受けました。
• 誤情報と悪用
  • VLMは、虚偽、誤解を招く、または有害なテキストを生成するために悪用される可能性があります。
  • モデルの責任ある使用のためのガイドラインが提供されています。責任ある生成AIツールキットを参照してください。
• 透明性と説明責任：
  • このモデルカードは、モデルのアーキテクチャ、能力、制限、評価プロセスに関する詳細を要約しています。
  • 責任を持って開発されたオープンモデルは、AIエコシステム全体の開発者や研究者にVLM技術をアクセス可能にすることで、イノベーションを共有する機会を提供します。

特定されたリスクと緩和策：

• 偏りの永続化: 評価指標、人間のレビューを使用した継続的な監視と、モデルのトレーニング、ファインチューニング、その他の使用例における偏り除去技術の探索が推奨されます。
• 有害なコンテンツの生成: コンテンツの安全性のためのメカニズムとガイドラインが不可欠です。開発者は、特定の製品ポリシーとアプリケーションの使用例に基づいて、適切なコンテンツ安全対策を実施するよう注意を払うことが推奨されます。
• 悪意のある目的での悪用: 技術的な制限と開発者およびエンドユーザー教育は、VLMの悪意のあるアプリケーションに対抗するのに役立ちます。教育リソースとユーザーが悪用を報告するためのメカニズムが提供されています。Gemmaモデルの禁止された使用は、Gemma禁止使用ポリシーで概説されています。
• プライバシー侵害: モデルは、特定の個人情報やその他の機密データを除去するためにフィルタリングされたデータでトレーニングされました。開発者は、プライバシー保護技術を使用してプライバシー規制に準拠することが推奨されます。

利点

リリース時点で、このファミリーモデルは、責任あるAI開発のために最初から設計された高性能なオープン視覚言語モデルの実装を提供し、同サイズのモデルと比較して優れています。

このドキュメントで説明されているベンチマーク評価指標を使用すると、これらのモデルは、同サイズの他のオープンモデル代替品と比較して優れたパフォーマンスを提供することが示されています。