Gemma 3n E2B It Unsloth Bnb 4bit

🚀 Gemma 3n-E2B-it 模型使用指南

Gemma 3n-E2B-it 是一款來自 Google 的輕量級、先進的開源模型，基於與 Gemini 模型相同的研究和技術構建。它專為在低資源設備上高效運行而設計，能夠處理多模態輸入，並生成文本輸出。

瞭解更多

• 運行與微調指南：閱讀我們的指南，學習如何正確運行和微調 Gemma 3n。
• 查看所有版本：查看我們的集合，獲取包括 GGUF、4 位和 16 位格式在內的所有 Gemma 3n 版本。
• Unsloth Dynamic 2.0：Unsloth Dynamic 2.0 在與其他量化方法的對比中實現了最優的準確率和性能。

社區鏈接

• Unsloth GitHub
• Unsloth Discord
• 文檔

✨ 主要特性

• 多模態輸入支持：能夠處理文本、圖像、視頻和音頻輸入，並生成文本輸出。
• 低資源設備友好：設計用於在低資源設備上高效運行。
• 開放權重：預訓練和指令調整變體的權重開放。
• 多語言支持：使用超過 140 種口語語言的數據進行訓練。

📦 安裝指南

Gemma 3n 從 transformers 4.53.0 版本開始支持。首先，安裝 Transformers 庫：

$ pip install -U transformers

💻 使用示例

基礎用法

使用 pipeline API 進行推理：

from transformers import pipeline
import torch
pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3n-e4b-it",
    device="cuda",
    torch_dtype=torch.bfloat16,
)

高級用法

使用指令調整模型時，需要先使用聊天模板處理輸入，然後將其傳遞給管道：

messages = [
    {
        "role": "system",
        "content": [{"type": "text", "text": "You are a helpful assistant."}]
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    }
]
output = pipe(text=messages, max_new_tokens=200)
print(output[0]["generated_text"][-1]["content"])
# Okay, let's take a look!
# Based on the image, the animal on the candy is a **turtle**.
# You can see the shell shape and the head and legs.

在單個 GPU 上運行模型

from transformers import AutoProcessor, Gemma3nForConditionalGeneration
from PIL import Image
import requests
import torch
model_id = "google/gemma-3n-e4b-it"
model = Gemma3nForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16,).eval()
processor = AutoProcessor.from_pretrained(model_id)
messages = [
    {
        "role": "system",
        "content": [{"type": "text", "text": "You are a helpful assistant."}]
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"},
            {"type": "text", "text": "Describe this image in detail."}
        ]
    }
]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
input_len = inputs["input_ids"].shape[-1]
with torch.inference_mode():
    generation = model.generate(**inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)
# **Overall Impression:** The image is a close-up shot of a vibrant garden scene,
# focusing on a cluster of pink cosmos flowers and a busy bumblebee.
# It has a slightly soft, natural feel, likely captured in daylight.

📚 詳細文檔

模型信息

描述

Gemma 是 Google 推出的一系列輕量級、先進的開源模型，基於與 Gemini 模型相同的研究和技術構建。Gemma 3n 模型旨在在低資源設備上高效運行，能夠處理多模態輸入，包括文本、圖像、視頻和音頻，並生成文本輸出。這些模型的預訓練和指令調整變體的權重開放，使用超過 140 種口語語言的數據進行訓練。

Gemma 3n 模型使用選擇性參數激活技術來降低資源需求，該技術允許模型以 2B 和 4B 參數的有效規模運行，低於其包含的總參數數量。有關 Gemma 3n 高效參數管理技術的更多信息，請參閱 Gemma 3n 頁面。

輸入和輸出

• 輸入：
  • 文本字符串，如問題、提示或要總結的文檔。
  • 圖像，歸一化為 256x256、512x512 或 768x768 分辨率，並編碼為每個 256 個令牌。
  • 音頻數據，從單聲道編碼為每秒 6.25 個令牌。
  • 總輸入上下文為 32K 令牌。
• 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總結。
  • 總輸出長度最多為 32K 令牌，減去請求輸入令牌。

模型數據

訓練數據集

這些模型在包含各種來源的數據集上進行訓練，總計約 11 萬億個令牌。訓練數據的知識截止日期為 2024 年 6 月。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。
• 音頻：多樣化的聲音樣本使模型能夠識別語音、從錄音中轉錄文本並識別音頻數據中的信息。

數據預處理

對訓練數據應用的關鍵數據清理和過濾方法如下：

• 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。訓練生成式模型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，在該領域具有以下優勢：

• 性能：TPU 專門用於處理訓練生成式模型涉及的大量計算，與 CPU 相比，可以顯著加速訓練。
• 內存：TPU 通常配備大量高帶寬內存，允許在訓練期間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，特別是考慮到更快的訓練節省的時間和資源。

軟件

使用 JAX 和 ML Pathways 進行訓練。JAX 允許研究人員利用最新一代的硬件（包括 TPU）進行更快、更高效的大型模型訓練。ML Pathways 是 Google 構建能夠跨多個任務進行泛化的人工智能系統的最新努力，特別適用於基礎模型，包括此類大型語言模型。

評估

基準測試結果

這些模型在全精度（float32）下針對大量不同的數據集和指標進行評估，以涵蓋內容生成的不同方面。標記為 IT 的評估結果是針對指令調整模型的，標記為 PT 的評估結果是針對預訓練模型的。

推理和事實性

多語言

STEM 和代碼

其他基準測試

倫理和安全

評估方法

評估方法包括結構化評估和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評估，包括：

• 兒童安全：評估文本到文本和圖像到文本提示，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外，還進行“保證評估”，這是為責任治理決策進行的“獨立”內部評估，與模型開發團隊分開進行，為發佈決策提供信息。

🔧 技術細節

硬件

使用 張量處理單元 (TPU) 硬件（TPUv4p、TPUv5p 和 TPUv5e）進行訓練，TPU 專為機器學習中常見的矩陣運算設計，具有高性能、大內存、可擴展性和成本效益等優勢。

軟件

使用 JAX 和 ML Pathways 進行訓練，JAX 允許利用最新硬件進行高效訓練，ML Pathways 適用於構建跨多個任務進行泛化的人工智能系統。

📄 許可證

本模型使用 gemma 許可證。

引用

@article{gemma_3n_2025,
    title={Gemma 3n},
    url={https://ai.google.dev/gemma/docs/gemma-3n},
    publisher={Google DeepMind},
    author={Gemma Team},
    year={2025}
}