模型简介
模型特点
模型能力
使用案例
🚀 Gemma 3模型卡片
Gemma 3是谷歌推出的轻量级多模态模型,能够处理文本和图像输入并生成文本输出。该模型具有128K大上下文窗口和超140种语言的多语言支持,适用于文本生成和图像理解等多种任务。
🚀 快速开始
要在Hugging Face上访问Gemma,你需要查看并同意Google的使用许可。请确保你已登录Hugging Face,然后点击下方按钮,请求将立即处理。
- 基础模型:google/gemma-3-1b-it-qat-q4_0-unquantized
- 许可证:gemma
- 标签:gemma3、unsloth、gemma、google
- 任务类型:image-text-to-text
- 库名称:transformers
点击此处查看模型页面。
⚠️ 重要提示
此仓库对应Gemma 3模型使用量化感知训练(QAT)的4B 指令微调版本。此仓库中的检查点未量化,请使用你喜欢的工具将其量化为Q4_0。由于采用了QAT,该模型在显著降低加载内存需求的同时,能够保持与
bfloat16
相近的质量。
资源与技术文档:
- [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 3][vertex-mg-gemma3]
使用条款:[条款][terms]
作者:Google DeepMind
✨ 主要特性
- 多模态处理:能够处理文本和图像输入,并生成文本输出。
- 大上下文窗口:拥有128K的大上下文窗口,支持处理长文本。
- 多语言支持:支持超过140种语言,具备广泛的语言处理能力。
- 轻量级设计:相对较小的模型尺寸,适合在资源有限的环境中部署。
📚 详细文档
模型信息
描述
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模型是多模态的,能够处理文本和图像输入,并生成文本输出。其预训练和指令微调变体的权重均开源。Gemma 3具有128K的大上下文窗口,支持超过140种语言,并且提供比之前版本更多的模型尺寸选择。该模型适用于各种文本生成和图像理解任务,包括问答、摘要和推理等。由于其相对较小的尺寸,它可以部署在笔记本电脑、台式机或自有云基础设施等资源有限的环境中,使更多人能够使用先进的AI模型,促进创新。
输入与输出
属性 | 详情 |
---|---|
输入 | - 文本字符串,如问题、提示或待总结的文档 - 图像,归一化为896 x 896分辨率,每个图像编码为256个令牌 - 4B、12B和27B尺寸的模型总输入上下文为128K个令牌,1B尺寸的模型为32K个令牌 |
输出 | - 针对输入生成的文本,如问题的答案、图像内容分析或文档摘要 - 总输出上下文为8192个令牌 |
引用
@article{gemma_2025,
title={Gemma 3},
url={https://goo.gle/Gemma3Report},
publisher={Kaggle},
author={Gemma Team},
year={2025}
}
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: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能够处理各种不同任务和数据格式的强大多模态模型至关重要。
数据预处理
对训练数据应用了以下关键的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]进行基于内容质量和安全性的过滤。
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(VLM)需要强大的计算能力。TPU专门为机器学习中常见的矩阵运算而设计,在这方面具有以下优势:
- 性能:专门设计用于处理训练VLM涉及的大量计算,与CPU相比,可显著加速训练过程。
- 内存:通常配备大量高带宽内存,允许在训练期间处理大型模型和批量大小,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。可以在多个TPU设备上分布训练,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,尤其是考虑到更快的训练速度节省的时间和资源。
- 这些优势符合[谷歌关于可持续运营的承诺][sustainability]。
软件
使用[JAX][jax]和[ML Pathways][ml-pathways]进行训练。 JAX使研究人员能够利用包括TPU在内的最新一代硬件,更快、更高效地训练大型模型。ML Pathways是谷歌构建能够跨多个任务进行泛化的人工智能系统的最新成果,特别适用于基础模型,包括此类大型语言模型。 正如[关于Gemini系列模型的论文][gemini-2-paper]中所述,JAX和ML Pathways结合使用:“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,极大地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
这些模型针对大量不同的数据集和指标进行评估,以涵盖文本生成的各个方面:
推理与事实性
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-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与代码
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。
- 代表性危害: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”,这是我们为责任治理决策进行的“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。高层级的评估结果会反馈给模型团队,但提示集不会公开,以防止过拟合并保持评估结果对决策的指导作用。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、内容安全和代表性危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,并且在无根据推断方面比之前的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,旨在提供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: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: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:可作为研究人员试验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,辅助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会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(在一定程度上,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。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。在某些情况下,它们可能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,输入数据的预处理和后续评估在本卡片中有所描述。
- 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。
- 提供了模型负责任使用的指南,请参阅[负责任的生成式AI工具包][rai-toolkit]。








