Gemma 3 27b It Qat Autoawq

🚀 Gemma 3 27B指令微調QAT AutoAWQ

Gemma 3 27B指令微調QAT AutoAWQ模型是將特定版本轉換為AutoAWQ格式和BF16數據類型，可用於圖像文本到文本的任務。它基於Google的Gemma 3模型，具有多模態處理能力，能處理文本和圖像輸入並生成文本輸出。

🚀 快速開始

此檢查點是從 https://huggingface.co/google/gemma-3-27b-it-qat-q4_0-gguf 轉換為AutoAWQ格式和BF16數據類型（因此並非無損）。視覺塔移植自 https://huggingface.co/google/gemma-3-27b-it。

以下是原始模型卡片內容。

✨ 主要特性

• 多模態處理：能夠處理文本和圖像輸入，並生成文本輸出。
• 大規模上下文窗口：擁有128K的大上下文窗口，支持超過140種語言。
• 多種尺寸可選：提供不同大小的模型版本，以滿足不同場景的需求。
• 高質量表現：在多種基準測試中表現出色，在推理、事實性、STEM和代碼、多語言以及多模態等方面都有良好的性能。
• 安全性提升：在兒童安全、內容安全和代表性危害等方面相對於之前的Gemma模型有顯著改進。

📦 安裝指南

文檔未提及具體安裝步驟，暫無法提供。

💻 使用示例

基礎用法

llama.cpp（僅文本）

./llama-cli -hf google/gemma-3-27b-it-qat-q4_0-gguf -p "Write a poem about the Kraken."

llama.cpp（圖像輸入）

wget https://github.com/bebechien/gemma/blob/main/surprise.png?raw=true -O ~/Downloads/surprise.png
./llama-gemma3-cli -hf google/gemma-3-27b-it-qat-q4_0-gguf -p "Describe this image." --image ~/Downloads/surprise.png

ollama（僅文本）

使用Ollama通過Hugging Face使用GGUFs目前不支持圖像輸入。請查看 運行受限倉庫的文檔。

ollama run hf.co/google/gemma-3-27b-it-qat-q4_0-gguf

📚 詳細文檔

模型信息

描述

Gemma是Google推出的一系列輕量級、先進的開放模型，基於與創建Gemini模型相同的研究和技術構建。Gemma 3模型是多模態的，能夠處理文本和圖像輸入，並生成文本輸出，其預訓練變體和指令微調變體的權重都是開放的。Gemma 3具有128K的大上下文窗口，支持超過140種語言，並且比之前的版本有更多的尺寸可供選擇。該模型非常適合各種文本生成和圖像理解任務，包括問答、摘要和推理等。由於其相對較小的尺寸，它可以部署在資源有限的環境中，如筆記本電腦、臺式機或自己的雲基礎設施，使更多人能夠使用先進的AI模型，促進創新。

輸入和輸出

模型數據

訓練數據集

這些模型在包含多種來源的文本數據集上進行訓練。27B模型使用14萬億個標記進行訓練，12B模型使用12萬億個標記，4B模型使用4萬億個標記，1B模型使用2萬億個標記。主要組成部分如下：

• 網頁文檔：多樣化的網頁文本集合，確保模型接觸到廣泛的語言風格、主題和詞彙。訓練數據集包含超過140種語言的內容。
• 代碼：讓模型接觸代碼有助於學習編程語言的語法和模式，提高生成代碼和理解與代碼相關問題的能力。
• 數學：在數學文本上進行訓練有助於模型學習邏輯推理、符號表示和解決數學查詢。
• 圖像：廣泛的圖像使模型能夠執行圖像分析和視覺數據提取任務。

這些不同數據源的組合對於訓練一個強大的多模態模型至關重要，該模型能夠處理各種不同的任務和數據格式。

數據預處理

對訓練數據應用了以下關鍵的數據清理和過濾方法：

• CSAM過濾：在數據準備過程的多個階段應用了嚴格的CSAM（兒童性虐待材料）過濾，以確保排除有害和非法內容。
• 敏感數據過濾：作為使Gemma預訓練模型安全可靠的一部分，使用自動化技術從訓練集中過濾出某些個人信息和其他敏感數據。
• 其他方法：根據 我們的政策 進行基於內容質量和安全性的過濾。

實現信息

硬件

Gemma使用 張量處理單元（TPU） 硬件（TPUv4p、TPUv5p和TPUv5e）進行訓練。訓練視覺語言模型（VLM）需要大量的計算能力。TPU專門為機器學習中常見的矩陣運算而設計，在這個領域具有以下優勢：

• 性能：TPU專門用於處理訓練VLM涉及的大量計算，與CPU相比，可以顯著加速訓練過程。
• 內存：TPU通常配備大量的高帶寬內存，允許在訓練期間處理大型模型和批量大小，從而提高模型質量。
• 可擴展性：TPU Pod（大型TPU集群）為處理大型基礎模型日益增長的複雜性提供了可擴展的解決方案。可以在多個TPU設備上分佈訓練，以實現更快、更高效的處理。
• 成本效益：在許多情況下，與基於CPU的基礎設施相比，TPU可以為訓練大型模型提供更具成本效益的解決方案，特別是考慮到由於更快的訓練節省的時間和資源。
• 這些優勢符合 Google對可持續運營的承諾。

軟件

訓練使用 JAX 和 ML Pathways 進行。

JAX使研究人員能夠利用最新一代的硬件（包括TPU）來更快、更高效地訓練大型模型。ML Pathways是Google最新的努力，旨在構建能夠跨多個任務進行泛化的人工智能系統，特別適用於基礎模型，包括像這樣的大型語言模型。

JAX和ML Pathways一起使用，正如 關於Gemini系列模型的論文 中所描述的那樣：“Jax和Pathways的‘單控制器’編程模型允許單個Python進程編排整個訓練運行，大大簡化了開發工作流程。”

評估

基準測試結果

這些模型針對大量不同的數據集和指標進行了評估，以涵蓋文本生成的不同方面：

推理和事實性

STEM和代碼

多語言

多模態

倫理與安全

評估方法

評估方法包括結構化評估和對相關內容政策的內部紅隊測試。紅隊測試由多個不同的團隊進行，每個團隊有不同的目標和人類評估指標。這些模型針對與倫理和安全相關的多個不同類別進行了評估，包括：

• 兒童安全：評估文本到文本和圖像到文本的提示，涵蓋兒童安全政策，包括兒童性虐待和剝削。
• 內容安全：評估文本到文本和圖像到文本的提示，涵蓋安全政策，包括騷擾、暴力和血腥內容以及仇恨言論。
• 代表性危害：評估文本到文本和圖像到文本的提示，涵蓋安全政策，包括偏見、刻板印象和有害關聯或不準確信息。

除了開發階段的評估，還進行“保證評估”，這是獨立於模型開發團隊的內部評估，用於責任治理決策。評估結果反饋給模型團隊，但提示集被保留以防止過擬合，並保持結果為決策提供信息的能力。保證評估結果作為發佈審查的一部分報告給我們的責任與安全委員會。

評估結果

在所有安全測試領域，相對於之前的Gemma模型，在兒童安全、內容安全和代表性危害等類別中都有重大改進。所有測試都是在沒有安全過濾器的情況下進行的，以評估模型的能力和行為。對於文本到文本和圖像到文本，以及所有模型尺寸，模型產生的政策違規最少，並且在無根據推斷方面相對於之前的Gemma模型表現有顯著改善。評估的一個侷限性是隻包括英語提示。

使用和限制

預期用途

開放視覺語言模型（VLM）在各個行業和領域有廣泛的應用。以下潛在用途列表並不全面，目的是提供有關模型創建者在模型訓練和開發過程中考慮的可能用例的上下文信息。

• 內容創作和通信
  • 文本生成：可用於生成創意文本格式，如詩歌、腳本、代碼、營銷文案和電子郵件草稿。
  • 聊天機器人和對話式AI：為客戶服務、虛擬助手或交互式應用程序提供對話界面。
  • 文本摘要：生成文本語料庫、研究論文或報告的簡潔摘要。
  • 圖像數據提取：用於提取、解釋和總結視覺數據，用於文本通信。
• 研究和教育
  • 自然語言處理（NLP）和VLM研究：可作為研究人員試驗VLM和NLP技術、開發算法和推動該領域發展的基礎。
  • 語言學習工具：支持交互式語言學習體驗，幫助進行語法糾正或提供寫作練習。
  • 知識探索：協助研究人員探索大量文本，通過生成摘要或回答關於特定主題的問題。

侷限性

• 訓練數據
  • 訓練數據的質量和多樣性顯著影響模型的能力。訓練數據中的偏差或差距可能導致模型響應的侷限性。
  • 訓練數據集的範圍決定了模型能夠有效處理的主題領域。
• 上下文和任務複雜性
  • 模型更擅長可以用清晰提示和指令描述的任務。開放式或高度複雜的任務可能具有挑戰性。
  • 模型的性能可能受到提供的上下文量的影響（在一定程度上，更長的上下文通常會導致更好的輸出）。
• 語言歧義與細微差別
  • 自然語言本質上是複雜的。模型可能難以理解微妙的細微差別、諷刺或比喻語言。
• 事實準確性
  • 模型根據從訓練數據集中學習到的信息生成響應，但它們不是知識庫。可能會生成不正確或過時的事實陳述。
• 常識
  • 模型依賴於語言中的統計模式。在某些情況下可能缺乏應用常識推理的能力。

倫理考慮和風險

視覺語言模型（VLM）的開發引發了一些倫理問題。在創建開放模型時，我們仔細考慮了以下方面：

• 偏差和公平性：在大規模真實世界文本和圖像數據上訓練的VLM可能反映訓練材料中嵌入的社會文化偏差。這些模型經過了仔細審查，輸入數據進行了預處理，並在本卡片中報告了後續評估結果。
• 錯誤信息和濫用：VLM可能被濫用來生成虛假、誤導或有害的文本。提供了負責任使用模型的指南，見 負責任生成AI工具包。
• 透明度和問責制：本模型卡片總結了模型的架構、能力、侷限性和評估過程的詳細信息。負責任開發的開放模型為AI生態系統中的開發者和研究人員提供了共享創新的機會，使VLM技術更易於獲取。

識別的風險和緩解措施：

• 偏差的延續：鼓勵在模型訓練、微調等使用案例中進行持續監測（使用評估指標、人工審查）並探索去偏技術。
• 有害內容的生成：內容安全機制和指南至關重要。鼓勵開發者根據其特定的產品政策和應用用例謹慎行事，並實施適當的內容安全保障措施。
• 惡意用途：技術限制以及對開發者和最終用戶的教育有助於減輕VLM的惡意應用。提供教育資源和用戶舉報濫用的機制。Gemma模型的禁止使用情況在 Gemma禁止使用政策 中列出。
• 隱私侵犯：模型在經過過濾以去除某些個人信息和其他敏感數據的數據上進行訓練。鼓勵開發者遵守隱私法規並採用隱私保護技術。

優勢

在發佈時，與類似規模的模型相比，這個系列的模型提供了高性能的開放視覺語言模型實現，從一開始就為負責任的AI開發而設計。

使用本文檔中描述的基準評估指標，這些模型顯示出比其他類似規模的開放模型替代方案具有更優越的性能。

引用

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

🔧 技術細節

硬件

Gemma使用 張量處理單元（TPU） 硬件（TPUv4p、TPUv5p和TPUv5e）進行訓練。訓練視覺語言模型（VLM）需要大量的計算能力。TPU專門為機器學習中常見的矩陣運算而設計，在這個領域具有以下優勢：

• 性能：TPU專門用於處理訓練VLM涉及的大量計算，與CPU相比，可以顯著加速訓練過程。
• 內存：TPU通常配備大量的高帶寬內存，允許在訓練期間處理大型模型和批量大小，從而提高模型質量。
• 可擴展性：TPU Pod（大型TPU集群）為處理大型基礎模型日益增長的複雜性提供了可擴展的解決方案。可以在多個TPU設備上分佈訓練，以實現更快、更高效的處理。
• 成本效益：在許多情況下，與基於CPU的基礎設施相比，TPU可以為訓練大型模型提供更具成本效益的解決方案，特別是考慮到由於更快的訓練節省的時間和資源。
• 這些優勢符合 Google對可持續運營的承諾。

軟件

訓練使用 JAX 和 ML Pathways 進行。

JAX使研究人員能夠利用最新一代的硬件（包括TPU）來更快、更高效地訓練大型模型。ML Pathways是Google最新的努力，旨在構建能夠跨多個任務進行泛化的人工智能系統，特別適用於基礎模型，包括像這樣的大型語言模型。

JAX和ML Pathways一起使用，正如 關於Gemini系列模型的論文 中所描述的那樣：“Jax和Pathways的‘單控制器’編程模型允許單個Python進程編排整個訓練運行，大大簡化了開發工作流程。”

📄 許可證

本模型使用Gemma許可證，如需在Hugging Face上訪問Gemma，您需要審查並同意Google的使用許可。請確保您已登錄Hugging Face並點擊下方按鈕，請求將立即處理。 [確認許可](Acknowledge license)