Gemma 3 27b Pt Bnb 4bit

🚀 Gemma 3模型微調項目

本項目旨在藉助Unsloth平臺對Gemma 3模型進行微調，為用戶提供免費且高效的模型微調方案。用戶可通過Google Colab notebook輕鬆上手，同時支持將微調後的模型導出至多種格式。Gemma 3模型具有多模態處理能力、大上下文窗口和多語言支持等特性，適用於多種文本生成和圖像理解任務。

🚀 快速開始

• 免費使用我們的Google Colab notebook 對Gemma 3 (12B) 進行微調。
• 閱讀我們關於Gemma 3支持的博客：unsloth.ai/blog/gemma3。
• 在我們的 文檔 中查看其餘的notebook。
• 將微調後的模型導出至GGUF、Ollama、llama.cpp或HF。

查看我們的 集合，獲取包括GGUF、4位和16位格式在內的所有版本的Gemma 3。

Unsloth的 動態量化 經過選擇性量化，與標準4位量化相比，顯著提高了準確性。

✨ 主要特性

• 多模態處理：支持文本和圖像輸入，生成文本輸出。
• 大上下文窗口：擁有128K的大上下文窗口，支持超過140種語言。
• 資源友好：相對較小的模型尺寸，適合在資源有限的環境中部署。
• 性能提升：與前代版本相比，在多種任務上表現更優。

📦 模型信息

模型頁面

Gemma

資源和技術文檔

• Gemma 3技術報告
• 負責任的生成式AI工具包
• Kaggle上的Gemma
• Vertex模型庫中的Gemma 3

使用條款

條款

作者

Google DeepMind

描述

Gemma是谷歌推出的一系列輕量級、最先進的開放模型，基於與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。預訓練和指令調優變體的權重均開放。Gemma 3具有128K的大上下文窗口，支持超過140種語言，並且比以前的版本有更多的尺寸可供選擇。Gemma 3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。其相對較小的尺寸使其能夠在資源有限的環境中部署，如筆記本電腦、臺式機或用戶自己的雲基礎設施，從而使更多人能夠使用最先進的AI模型，促進創新。

輸入和輸出

• 輸入：
  • 文本字符串，如問題、提示或待總結的文檔。
  • 圖像，歸一化為896 x 896分辨率，每個圖像編碼為256個標記。
  • 4B、12B和27B尺寸的總輸入上下文為128K標記，1B尺寸為32K標記。
• 輸出：
  • 針對輸入生成的文本，如問題的答案、圖像內容的分析或文檔的摘要。
  • 總輸出上下文為8192個標記。

引用

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

📦 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。關鍵組成部分如下：

• 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、符號表示和處理數學查詢。
• 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。

這些多樣化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

以下是應用於訓練數據的關鍵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掉某些個人信息和其他敏感數據。
• 其他方法：根據內容質量和安全性進行過濾，符合 我們的政策。

🔧 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專門設計用於處理訓練VLM涉及的大量計算。與CPU相比，它們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，允許在訓練過程中處理大型模型和批量大小。這有助於提高模型質量。
• 可擴展性：TPU Pod（大型TPU集群）為處理大型基礎模型不斷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，特別是考慮到節省的時間和資源。
• 這些優勢符合 谷歌對可持續運營的承諾。

軟件

訓練使用 JAX 和 ML Pathways 進行。

JAX允許研究人員利用最新一代的硬件（包括TPU），以更快、更高效地訓練大型模型。ML Pathways是谷歌構建能夠跨多個任務進行泛化的人工智能系統的最新成果。這特別適用於基礎模型，包括此類大型語言模型。

JAX和ML Pathways的結合使用在 關於Gemini系列模型的論文 中有描述：“Jax和Pathways的‘單控制器’編程模型允許單個Python進程編排整個訓練過程，極大地簡化了開發工作流程。”

📊 評估

基準測試結果

這些模型在大量不同的數據集和指標上進行評估，以涵蓋文本生成的各個方面。

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

我們的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工評估指標。這些模型在與倫理和安全相關的多個不同類別上進行評估，包括：

• 兒童安全：評估涉及兒童安全政策的文本到文本和圖像到文本提示，包括兒童性虐待和剝削。
• 內容安全：評估涉及安全政策的文本到文本和圖像到文本提示，包括騷擾、暴力和血腥內容以及仇恨言論。
• 代表性傷害：評估涉及安全政策的文本到文本和圖像到文本提示，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，我們還進行“保證評估”，這是我們為責任治理決策進行的“獨立”內部評估。這些評估與模型開發團隊分開進行，以提供有關發佈決策的信息。高級別的評估結果會反饋給模型團隊，但提示集不會公開，以防止過擬合併確保結果能夠為決策提供信息。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，與之前的Gemma模型相比，我們在兒童安全、內容安全和代表性傷害類別中看到了重大改進。所有測試均在不使用安全過濾器的情況下進行，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比之前的Gemma模型表現出顯著改進。我們評估的一個侷限性是隻包括英語提示。

📄 使用與限制

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。此列表的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：這些模型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：這些模型可用於提取、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：這些模型可以作為研究人員試驗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建議。

許可證

gemma