模型简介
模型特点
模型能力
使用案例
🚀 Gemma 3 4B 指令调优 QAT AutoAWQ
Gemma 3 4B 指令调优 QAT AutoAWQ 模型是将 https://huggingface.co/google/gemma-3-4b-it-qat-q4_0-gguf 转换为 AutoAWQ 格式和 BF16 数据类型(因此并非无损)。其视觉塔移植自 https://huggingface.co/google/gemma-3-4b-it。
以下是原始模型卡片内容。
🚀 快速开始
模型信息
Gemma 是谷歌推出的一系列轻量级、先进的开源模型,基于与 Gemini 模型相同的研究和技术构建。Gemma 3 模型为多模态模型,能够处理文本和图像输入,并生成文本输出,其预训练版本和指令调优版本的权重均为开源。Gemma 3 拥有 128K 的大上下文窗口,支持超过 140 种语言,且提供比以往版本更多的尺寸选择。该模型非常适合各种文本生成和图像理解任务,包括问答、摘要生成和推理等。由于其相对较小的规模,Gemma 3 可以部署在资源有限的环境中,如笔记本电脑、台式机或个人云基础设施,从而使更多人能够使用先进的 AI 模型,促进创新发展。
输入与输出
- 输入:
- 文本字符串,例如问题、提示或待总结的文档。
- 图像,需归一化为 896 x 896 分辨率,并编码为每个 256 个令牌。
- 对于 4B、12B 和 27B 尺寸的模型,总输入上下文为 128K 个令牌;对于 1B 尺寸的模型,总输入上下文为 32K 个令牌。
- 输出:
- 针对输入生成的文本,例如问题的答案、图像内容的分析或文档的摘要。
- 总输出上下文为 8192 个令牌。
使用示例
以下是一些快速运行模型的代码片段。
基础用法
llama.cpp(仅文本)
./llama-cli -hf google/gemma-3-4b-it-qat-q4_0-gguf -p "Write a poem about the Kraken."
llama.cpp(图像输入)
wget https://github.com/bebechien/gemma/blob/main/surprise.png?raw=true -O ~/Downloads/surprise.png
./llama-gemma3-cli -hf google/gemma-3-4b-it-qat-q4_0-gguf -p "Describe this image." --image ~/Downloads/surprise.png
ollama(仅文本) 目前,通过 Hugging Face 使用 Ollama 运行 GGUF 文件时不支持图像输入。请查看 运行受限仓库的文档。
ollama run hf.co/google/gemma-3-4b-it-qat-q4_0-gguf
引用
@article{gemma_2025,
title={Gemma 3},
url={https://goo.gle/Gemma3Report},
publisher={Kaggle},
author={Gemma Team},
year={2025}
}
✨ 主要特性
- 多模态处理:能够处理文本和图像输入,生成文本输出,适用于多种任务。
- 大上下文窗口:拥有 128K 的上下文窗口,支持处理长文本。
- 多语言支持:支持超过 140 种语言,具有广泛的适用性。
- 轻量级设计:相对较小的规模,可部署在资源有限的环境中。
📦 安装指南
文档未提及安装步骤,暂不提供。
📚 详细文档
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 万亿个令牌进行训练,12B 模型使用 12 万亿个令牌,4B 模型使用 4 万亿个令牌,1B 模型使用 2 万亿个令牌。主要组成部分如下:
- 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其学习编程语言的语法和模式,提高生成代码和理解代码相关问题的能力。
- 数学内容:在数学文本上进行训练有助于模型学习逻辑推理、符号表示和处理数学查询。
- 图像:广泛的图像数据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主要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:作为确保 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 [我们的政策][safety-policies] 基于内容质量和安全性进行过滤。
实现信息
硬件
Gemma 使用 [张量处理单元 (TPU)][tpu] 硬件(TPUv4p、TPUv5p 和 TPUv5e)进行训练。训练视觉语言模型 (VLMS) 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,在该领域具有以下优势:
- 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日益增长的复杂性提供了可扩展的解决方案。可以将训练分布在多个 TPU 设备上,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][sustainability]。
软件
训练使用 [JAX][jax] 和 [ML Pathways][ml-pathways] 进行。
JAX 使研究人员能够利用最新一代的硬件(包括 TPU)来更快、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,包括此类大型语言模型。
JAX 和 ML Pathways 结合使用,如 [关于 Gemini 系列模型的论文][gemini-2-paper] 所述:“Jax 和 Pathways 的‘单控制器’编程模型允许单个 Python 进程协调整个训练过程,大大简化了开发工作流程。”
评估
⚠️ 重要提示
本节中的评估对应于原始检查点,而非 QAT 检查点。
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评估,以涵盖文本生成的不同方面:
推理和事实性
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 次射击 | 62.3 | 77.2 | 84.2 | 85.6 |
[BoolQ][boolq] | 0 次射击 | 63.2 | 72.3 | 78.8 | 82.4 |
[PIQA][piqa] | 0 次射击 | 73.8 | 79.6 | 81.8 | 83.3 |
[SocialIQA][socialiqa] | 0 次射击 | 48.9 | 51.9 | 53.4 | 54.9 |
[TriviaQA][triviaqa] | 5 次射击 | 39.8 | 65.8 | 78.2 | 85.5 |
[Natural Questions][naturalq] | 5 次射击 | 9.48 | 20.0 | 31.4 | 36.1 |
[ARC-c][arc] | 25 次射击 | 38.4 | 56.2 | 68.9 | 70.6 |
[ARC-e][arc] | 0 次射击 | 73.0 | 82.4 | 88.3 | 89.0 |
[WinoGrande][winogrande] | 5 次射击 | 58.2 | 64.7 | 74.3 | 78.8 |
[BIG-Bench Hard][bbh] | 少次射击 | 28.4 | 50.9 | 72.6 | 77.7 |
[DROP][drop] | 1 次射击 | 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 次射击 | 59.6 | 74.5 | 78.6 |
[MMLU][mmlu] (Pro COT) | 5 次射击 | 29.2 | 45.3 | 52.2 |
[AGIEval][agieval] | 3 - 5 次射击 | 42.1 | 57.4 | 66.2 |
[MATH][math] | 4 次射击 | 24.2 | 43.3 | 50.0 |
[GSM8K][gsm8k] | 8 次射击 | 38.4 | 71.0 | 82.6 |
[GPQA][gpqa] | 5 次射击 | 15.0 | 25.4 | 24.3 |
[MBPP][mbpp] | 3 次射击 | 46.0 | 60.4 | 65.6 |
[HumanEval][humaneval] | 0 次射击 | 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工评估指标。这些模型针对与伦理和安全相关的多个不同类别进行评估,包括:
- 儿童安全:评估文本到文本和图像到文本的提示,涵盖儿童安全政策,包括儿童性虐待和剥削。
- 内容安全:评估文本到文本和图像到文本的提示,涵盖安全政策,包括骚扰、暴力和血腥内容以及仇恨言论。
- 代表性伤害:评估文本到文本和图像到文本的提示,涵盖安全政策,包括偏见、刻板印象和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”,这是我们用于责任治理决策的“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,以防止过拟合并确保结果能够为决策提供有效信息。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等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极少,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。
使用和局限性
预期用途
开源视觉语言模型 (VLMs) 在各个行业和领域有广泛的应用。以下潜在用途列表并非详尽无遗。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:这些模型可以作为研究人员试验 VLM 和 NLP 技术、开发算法和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: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。
局限性
- 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。它们可能会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。它们可能缺乏应用常识推理的能力。
🔧 技术细节
模型相关信息
属性 | 详情 |
---|---|
基础模型 | google/gemma-3-4b-it |
许可证 | gemma |
标签 | gemma3、gemma、google |
任务类型 | image-text-to-text |
模型页面
资源和技术文档
- [Gemma 3 技术报告][g3-tech-report]
- [负责任的生成式 AI 工具包][rai-toolkit]
- [Kaggle 上的 Gemma][kaggle-gemma]
- [Vertex 模型花园中的 Gemma][vertex-mg-gemma3]
使用条款
[条款][terms]
作者
Google DeepMind
📄 许可证
文档提及许可证为 gemma
,但未提供更多详细信息。








