Gemma 3 12b Pt Unsloth Bnb 4bit

🚀 Gemma 3模型微调项目

本项目支持使用Unsloth对Gemma 3模型进行微调，提供免费的Google Colab笔记本，还能将微调后的模型导出到多种格式。同时，项目提供了Gemma 3模型的详细信息，包括模型描述、输入输出、训练数据、评估结果等，帮助用户更好地了解和使用该模型。

🚀 快速开始

• 点击此处，使用我们的Google Colab笔记本免费微调Gemma 3 (12B) 模型。
• 阅读我们关于Gemma 3支持的博客：unsloth.ai/blog/gemma3。
• 在文档中查看我们的其他笔记本。
• 将微调后的模型导出到GGUF、Ollama、llama.cpp或HF。

✨ 主要特性

• 多版本支持：查看我们的集合，获取包括GGUF、4位和16位格式在内的所有版本的Gemma 3。
• 动态量化：Unsloth的动态量化经过选择性量化，与标准4位量化相比，大大提高了准确性。
• 高效微调：提供免费的Google Colab笔记本，支持对Gemma 3 (12B) 进行微调。
• 多模型支持：除了Gemma 3，还支持Llama-3.2、Qwen2.5、Phi-4、Mistral等多种模型的微调。
• 性能提升：与其他类似规模的开放模型相比，在多个基准测试中表现更优。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 详细文档

模型信息

描述

Gemma是谷歌推出的一系列轻量级、最先进的开放模型，基于与创建Gemini模型相同的研究和技术构建。Gemma 3模型是多模态的，能够处理文本和图像输入，并生成文本输出。预训练变体和指令调优变体的权重均开放。Gemma 3具有128K的大上下文窗口，支持超过140种语言，并且比以前的版本有更多的尺寸可供选择。Gemma 3模型非常适合各种文本生成和图像理解任务，包括问答、摘要和推理。其相对较小的尺寸使其能够部署在资源有限的环境中，如笔记本电脑、台式机或自己的云基础设施，使每个人都能平等地使用最先进的AI模型，促进创新。

输入和输出

• 输入：
  • 文本字符串，如问题、提示或要总结的文档。
  • 图像，归一化为896 x 896分辨率，并编码为每个256个标记。
  • 对于4B、12B和27B尺寸，总输入上下文为128K标记；对于1B尺寸，为32K标记。
• 输出：
  • 针对输入生成的文本，如问题的答案、图像内容的分析或文档的摘要。
  • 总输出上下文为8192标记。

引用

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

模型数据

训练数据集

这些模型在包含多种来源的文本数据集上进行训练。27B模型使用14万亿个标记进行训练，12B模型使用12万亿个标记，4B模型使用4万亿个标记，1B模型使用2万亿个标记。关键组成部分如下：

• 网页文档：多样化的网页文本集合确保模型接触到广泛的语言风格、主题和词汇。训练数据集包含超过140种语言的内容。
• 代码：让模型接触代码有助于它学习编程语言的语法和模式，提高其生成代码和理解与代码相关问题的能力。
• 数学：在数学文本上进行训练有助于模型学习逻辑推理、符号表示，并解决数学查询。
• 图像：广泛的图像使模型能够执行图像分析和视觉数据提取任务。

这些不同数据源的组合对于训练一个强大的多模态模型至关重要，该模型能够处理各种不同的任务和数据格式。

数据预处理

以下是应用于训练数据的关键数据清理和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用了严格的CSAM（儿童性虐待材料）过滤，以确保排除有害和非法内容。
• 敏感数据过滤：作为使Gemma预训练模型安全可靠的一部分，使用自动化技术从训练集中过滤掉某些个人信息和其他敏感数据。
• 其他方法：根据内容质量和安全性进行过滤，符合我们的政策。

实现信息

硬件

Gemma使用张量处理单元 (TPU) 硬件（TPUv4p、TPUv5p和TPUv5e）进行训练。训练视觉语言模型（VLM）需要大量的计算能力。TPU专门为机器学习中常见的矩阵运算而设计，在这个领域具有以下优势：

• 性能：TPU专门用于处理训练VLM涉及的大量计算。与CPU相比，它们可以大大加快训练速度。
• 内存：TPU通常配备大量的高带宽内存，允许在训练过程中处理大型模型和批量大小。这有助于提高模型质量。
• 可扩展性：TPU Pod（大型TPU集群）为处理大型基础模型日益增长的复杂性提供了可扩展的解决方案。可以在多个TPU设备上分布训练，以实现更快、更高效的处理。
• 成本效益：在许多情况下，与基于CPU的基础设施相比，TPU可以为训练大型模型提供更具成本效益的解决方案，特别是考虑到由于训练速度加快而节省的时间和资源。
• 这些优势符合谷歌对可持续运营的承诺。

软件

训练使用了JAX和ML Pathways。

JAX使研究人员能够利用最新一代的硬件（包括TPU），更快、更高效地训练大型模型。ML Pathways是谷歌为构建能够跨多个任务进行泛化的人工智能系统所做的最新努力。这特别适用于基础模型，包括像这样的大型语言模型。

JAX和ML Pathways的结合使用在关于Gemini系列模型的论文中有描述：“Jax和Pathways的‘单控制器’编程模型允许单个Python进程编排整个训练过程，大大简化了开发工作流程。”

评估

基准测试结果

这些模型在大量不同的数据集和指标上进行了评估，以涵盖文本生成的不同方面：

推理和事实性

STEM和代码

多语言

多模态

伦理与安全

评估方法

我们的评估方法包括结构化评估和对相关内容政策的内部红队测试。红队测试由多个不同的团队进行，每个团队有不同的目标和人工评估指标。这些模型在与伦理和安全相关的多个不同类别上进行了评估，包括：

• 儿童安全：评估涵盖儿童安全政策的文本到文本和图像到文本提示，包括儿童性虐待和剥削。
• 内容安全：评估涵盖安全政策的文本到文本和图像到文本提示，包括骚扰、暴力和血腥内容以及仇恨言论。
• 代表性危害：评估涵盖安全政策的文本到文本和图像到文本提示，包括偏见、刻板印象以及有害关联或不准确信息。

除了开发阶段的评估，我们还进行“保证评估”，这是我们为责任治理决策进行的“独立”内部评估。这些评估与模型开发团队分开进行，为发布决策提供信息。高层级的发现会反馈给模型团队，但提示集不会公开，以防止过拟合并保持结果为决策提供信息的能力。保证评估结果作为发布审查的一部分报告给我们的责任与安全委员会。

评估结果

在所有安全测试领域，与之前的Gemma模型相比，我们在儿童安全、内容安全和代表性危害类别中看到了重大改进。所有测试均在没有安全过滤器的情况下进行，以评估模型的能力和行为。对于文本到文本和图像到文本，以及所有模型尺寸，模型产生的政策违规最少，并且在无根据推断方面比之前的Gemma模型表现出显著改进。我们评估的一个局限性是只包括了英语提示。

使用和限制

预期用途

开放视觉语言模型（VLM）在各个行业和领域有广泛的应用。以下潜在用途列表并不全面。此列表的目的是提供有关模型创建者在模型训练和开发过程中考虑的可能用例的上下文信息。

• 内容创作和通信：
  • 文本生成：这些模型可用于生成创意文本格式，如诗歌、脚本、代码、营销文案和电子邮件草稿。
  • 聊天机器人和对话式AI：为客户服务、虚拟助手或交互式应用程序提供对话界面。
  • 文本摘要：生成文本语料库、研究论文或报告的简洁摘要。
  • 图像数据提取：这些模型可用于提取、解释和总结视觉数据，用于文本通信。
• 研究和教育：
  • 自然语言处理（NLP）和VLM研究：这些模型可以为研究人员提供基础，用于实验VLM和NLP技术、开发算法，并推动该领域的发展。
  • 语言学习工具：支持交互式语言学习体验，帮助进行语法纠正或提供写作练习。
  • 知识探索：通过生成摘要或回答特定主题的问题，帮助研究人员探索大量文本。

限制

• 训练数据：
  • 训练数据的质量和多样性显著影响模型的能力。训练数据中的偏差或差距可能导致模型响应的局限性。
  • 训练数据集的范围决定了模型能够有效处理的主题领域。
• 上下文和任务复杂性：
  • 模型更擅长可以用清晰提示和说明表述的任务。开放式或高度复杂的任务可能具有挑战性。
  • 模型的性能可能受到提供的上下文量的影响（在一定程度上，更长的上下文通常会导致更好的输出）。
• 语言歧义与细微差别：
  • 自然语言本质上是复杂的。模型可能难以理解微妙的细微差别、讽刺或比喻语言。
• 事实准确性：
  • 模型根据从训练数据集中学到的信息生成响应，但它们不是知识库。它们可能生成不正确或过时的事实陈述。
• 常识：
  • 模型依赖于语言中的统计模式。它们可能在某些情况下缺乏应用常识推理的能力。

伦理考虑和风险

视觉语言模型（VLM）的开发引发了一些伦理问题。在创建开放模型时，我们仔细考虑了以下方面：

• 偏差和公平性：在大规模真实世界文本和图像数据上训练的VLM可能反映训练材料中嵌入的社会文化偏差。这些模型经过了仔细审查，输入数据进行了预处理，并在本卡片中报告了后续评估结果。
• 错误信息和滥用：
  • VLM可能被滥用来生成虚假、误导或有害的文本。
  • 提供了负责任使用模型的指南，请参阅负责任生成式AI工具包。
• 透明度和问责制：
  • 本模型卡片总结了模型的架构、能力、限制和评估过程的详细信息。
  • 负责任开发的开放模型为在整个AI生态系统中与开发者和研究人员分享创新提供了机会，使VLM技术更易于获取。

已识别的风险和缓解措施：

• 偏差的延续：鼓励在模型训练、微调和其他用例中进行持续监控（使用评估指标、人工审查）并探索去偏技术。
• 有害内容的生成：内容安全机制和指南至关重要。鼓励开发者谨慎行事，并根据其特定的产品政策和应用用例实施适当的内容安全保障措施。
• 恶意用途：技术限制以及对开发者和最终用户的教育可以帮助减轻VLM的恶意应用。提供了教育资源和用户举报滥用行为的机制。Gemma模型的禁止用途在Gemma禁止使用政策中列出。
• 隐私侵犯：模型在经过过滤以去除某些个人信息和其他敏感数据的数据上进行训练。鼓励开发者遵守隐私法规并采用隐私保护技术。

优势

在发布时，与类似规模的模型相比，这个系列的模型提供了高性能的开放视觉语言模型实现，从一开始就为负责任的AI开发而设计。

使用本文档中描述的基准评估指标，这些模型在性能上优于其他类似规模的开放模型替代方案。

🔧 技术细节

文档中关于模型的技术细节描述较为分散，整合如下： Gemma 3模型基于谷歌的研究和技术构建，与Gemini模型同源。它是多模态的，能处理文本和图像输入并生成文本输出。模型使用TPU硬件（TPUv4p、TPUv5p和TPUv5e）进行训练，利用JAX和ML Pathways软件。TPU在性能、内存、可扩展性和成本效益方面具有优势，符合谷歌对可持续运营的承诺。JAX和ML Pathways的结合简化了开发工作流程。训练数据包括网页文档、代码、数学和图像，经过严格的CSAM过滤、敏感数据过滤和其他基于内容质量和安全性的过滤。模型在多个基准测试中表现良好，在儿童安全、内容安全和代表性危害方面有显著改进，但评估仅使用了英语提示。

📄 许可证

本项目使用Gemma许可证。

模型相关链接

提示信息

⚠️ 重要提示

本项目评估仅使用了英语提示，存在一定局限性。

💡 使用建议

• 鼓励在模型训练、微调等过程中进行持续监控并探索去偏技术，以减少偏差的延续。
• 开发者应根据特定产品政策和应用用例实施适当的内容安全保障措施，防止有害内容的生成。
• 遵守隐私法规并采用隐私保护技术，避免隐私侵犯。