Gemma 3 4b Pt

🚀 Gemma 3模型介绍

Gemma 3是谷歌推出的轻量级、最先进的多模态开源模型，它基于与Gemini模型相同的技术构建，能够处理文本和图像输入，并生成文本输出。该模型具有128K的大上下文窗口，支持140多种语言，适用于文本生成和图像理解等多种任务。

🚀 快速开始

安装依赖

Gemma 3从transformers 4.50.0版本开始提供支持，你可以使用以下命令安装transformers库：

$ pip install -U transformers

运行示例

使用pipeline API运行模型

from transformers import pipeline
import torch

pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3-4b-pt",
    device="cuda",
    torch_dtype=torch.bfloat16
)

output = pipe(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg",
    text="<start_of_image> in this image, there is"
)

print(output)
# [{'input_text': '<start_of_image> in this image, there is',
# 'generated_text': '<start_of_image> in this image, there is a bumblebee on a pink flower.\n\n'}]

在单GPU或多GPU上运行模型

# pip install accelerate

from transformers import AutoProcessor, Gemma3ForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/gemma-3-4b-pt"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model = Gemma3ForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

prompt = "<start_of_image> in this image, there is"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")

input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]

decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)

✨ 主要特性

• 多模态处理：支持文本和图像输入，生成文本输出。
• 大上下文窗口：拥有128K的上下文窗口，能够处理长文本。
• 多语言支持：支持超过140种语言。
• 轻量级设计：模型相对较小，适合在资源有限的环境中部署。

📦 安装指南

Gemma 3从transformers 4.50.0版本开始提供支持，你可以使用以下命令安装transformers库：

$ pip install -U transformers

💻 使用示例

基础用法

from transformers import pipeline
import torch

pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3-4b-pt",
    device="cuda",
    torch_dtype=torch.bfloat16
)

output = pipe(
    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg",
    text="<start_of_image> in this image, there is"
)

print(output)
# [{'input_text': '<start_of_image> in this image, there is',
# 'generated_text': '<start_of_image> in this image, there is a bumblebee on a pink flower.\n\n'}]

高级用法

# pip install accelerate

from transformers import AutoProcessor, Gemma3ForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/gemma-3-4b-pt"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model = Gemma3ForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

prompt = "<start_of_image> in this image, there is"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")

input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]

decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)

📚 详细文档

模型信息

描述

Gemma是谷歌推出的一系列轻量级、最先进的开源模型，它基于与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。该模型的预训练和指令调优变体均采用开放权重。Gemma 3具有128K的大上下文窗口，支持超过140种语言，并且提供了比以前版本更多的模型尺寸。Gemma 3模型适用于各种文本生成和图像理解任务，包括问答、摘要和推理。由于其相对较小的尺寸，它可以部署在资源有限的环境中，如笔记本电脑、台式机或你自己的云基础设施，使更多人能够使用最先进的AI模型，促进创新。

输入和输出

• 输入：
  • 文本字符串，如问题、提示或待摘要的文档。
  • 图像，归一化为896 x 896分辨率，并编码为256个标记。
  • 4B、12B和27B尺寸的模型总输入上下文为128K标记，1B尺寸的模型为32K标记。
• 输出：
  • 对输入的生成文本响应，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个标记。

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。主要组成部分包括：

• 网络文档：多样化的网络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、符号表示和解决数学查询。
• 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。

这些多样化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，它可以显著加速训练过程。
• 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不断增长的复杂性提供了可扩展的解决方案。你可以在多个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，尤其是考虑到由于更快的训练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JAX和ML Pathways进行。

JAX允许研究人员利用最新一代的硬件，包括TPU，以更快、更高效地训练大型模型。ML Pathways是谷歌最新的努力，旨在构建能够跨多个任务进行泛化的人工智能系统。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一起使用，如关于Gemini系列模型的论文中所述：“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

这些模型针对大量不同的数据集和指标进行了评估，以涵盖文本生成的不同方面：

基准测试	指标	Gemma 3 PT 1B	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
[HellaSwag][hellaswag]	10-shot	62.3	77.2	84.2	85.6
[BoolQ][boolq]	0-shot	63.2	72.3	78.8	82.4
[PIQA][piqa]	0-shot	73.8	79.6	81.8	83.3
[SocialIQA][socialiqa]	0-shot	48.9	51.9	53.4	54.9
[TriviaQA][triviaqa]	5-shot	39.8	65.8	78.2	85.5
[Natural Questions][naturalq]	5-shot	9.48	20.0	31.4	36.1
[ARC-c][arc]	25-shot	38.4	56.2	68.9	70.6
[ARC-e][arc]	0-shot	73.0	82.4	88.3	89.0
[WinoGrande][winogrande]	5-shot	58.2	64.7	74.3	78.8
[BIG-Bench Hard][bbh]	few-shot	28.4	50.9	72.6	77.7
[DROP][drop]	1-shot	42.4	60.1	72.2	77.2

STEM和代码

基准测试	指标	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
[MMLU][mmlu]	5-shot	59.6	74.5	78.6
[MMLU][mmlu] (Pro COT)	5-shot	29.2	45.3	52.2
[AGIEval][agieval]	3 - 5-shot	42.1	57.4	66.2
[MATH][math]	4-shot	24.2	43.3	50.0
[GSM8K][gsm8k]	8-shot	38.4	71.0	82.6
[GPQA][gpqa]	5-shot	15.0	25.4	24.3
[MBPP][mbpp]	3-shot	46.0	60.4	65.6
[HumanEval][humaneval]	0-shot	36.0	45.7	48.8

多语言

基准测试	Gemma 3 PT 1B	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
[MGSM][mgsm]	2.04	34.7	64.3	74.3
[Global-MMLU-Lite][global-mmlu-lite]	24.9	57.0	69.4	75.7
[WMT24++][wmt24pp] (ChrF)	36.7	48.4	53.9	55.7
[FloRes][flores]	29.5	39.2	46.0	48.8
[XQuAD][xquad] (all)	43.9	68.0	74.5	76.8
[ECLeKTic][eclektic]	4.69	11.0	17.2	24.4
[IndicGenBench][indicgenbench]	41.4	57.2	61.7	63.4

多模态

基准测试	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
[COCOcap][coco-cap]	102	111	116
[DocVQA][docvqa] (val)	72.8	82.3	85.6
[InfoVQA][info-vqa] (val)	44.1	54.8	59.4
[MMMU][mmmu] (pt)	39.2	50.3	56.1
[TextVQA][textvqa] (val)	58.9	66.5	68.6
[RealWorldQA][realworldqa]	45.5	52.2	53.9
[ReMI][remi]	27.3	38.5	44.8
[AI2D][ai2d]	63.2	75.2	79.0
[ChartQA][chartqa]	63.6	74.7	76.3
[VQAv2][vqav2]	63.9	71.2	72.9
[BLINK][blinkvqa]	38.0	35.9	39.6
[OKVQA][okvqa]	51.0	58.7	60.2
[TallyQA][tallyqa]	42.5	51.8	54.3
[SpatialSense VQA][ss-vqa]	50.9	60.0	59.4
[CountBenchQA][countbenchqa]	26.1	17.8	68.0

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类评估指标。这些模型针对与伦理和安全相关的多个不同类别进行了评估，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。
• 代表性伤害：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”，这是我们独立的内部评估，用于责任治理决策。这些评估与模型开发团队分开进行，为发布决策提供信息。高级别发现会反馈给模型团队，但提示集不会公开，以防止过拟合并保留结果对决策的参考价值。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、内容安全和代表性伤害类别中看到了重大改进。所有测试均在不使用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，并且在无根据推理方面比之前的Gemma模型表现出显著改进。我们评估的一个局限性是只包括英语提示。

使用与限制

预期用途

开源视觉语言模型（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。该列表的目的是提供关于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。

• 内容创作与沟通：
  • 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。
• 研究与教育：
  • 自然语言处理（NLP）和VLM研究：这些模型可以作为研究人员实验VLM和NLP技术、开发算法以及推动该领域发展的基础。
  • 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：帮助研究人员通过生成摘要或回答特定主题的问题来探索大量文本。

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指令描述的任务。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（在一定范围内，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。

伦理考虑与风险

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

• 偏差与公平性：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、输入数据预处理，并在本卡片中报告了后续评估结果。
• 错误信息与滥用：
  • 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，见负责任生成式AI工具包。
• 透明度与问责制：
  • 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。
  • 负责任开发的开源模型为跨AI生态系统的开发者和研究人员提供了分享创新的机会，使VLM技术更易于获取。

风险识别与缓解措施

• 偏差的延续：鼓励在模型训练、微调及其他用例中进行持续监测（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。
• 恶意使用：技术限制以及对开发者和最终用户的教育有助于减轻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模型的禁止使用情况在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集上进行训练。鼓励开发者遵守隐私法规，采用保护隐私的技术。

优势

在发布时，与同等规模的模型相比，这一系列模型提供了高性能的开源视觉语言模型实现，从底层设计就考虑了负责任的AI开发。

使用本文档中描述的基准评估指标，这些模型已显示出比其他同等规模的开源模型替代品更优越的性能。

🔧 技术细节

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，它可以显著加速训练过程。
• 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不断增长的复杂性提供了可扩展的解决方案。你可以在多个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，尤其是考虑到由于更快的训练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JAX和ML Pathways进行。

JAX允许研究人员利用最新一代的硬件，包括TPU，以更快、更高效地训练大型模型。ML Pathways是谷歌最新的努力，旨在构建能够跨多个任务进行泛化的人工智能系统。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一起使用，如关于Gemini系列模型的论文中所述：“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。”

📄 许可证

该模型采用Gemma许可证。要在Hugging Face上访问Gemma，你需要审查并同意Google的使用许可。为此，请确保你已登录Hugging Face并点击下方按钮。请求将立即处理。 点击确认许可

引用

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

模型页面

Gemma

资源与技术文档

• Gemma 3技术报告
• 负责任生成式AI工具包
• Kaggle上的Gemma
• Vertex模型花园中的Gemma 3

使用条款

条款

作者

Google DeepMind