Google Gemma 3 27b It

🚀 Gemma 3模型卡片

Gemma 3是Google推出的轻量级、最先进的开放模型家族，基于与Gemini模型相同的研究和技术构建。它是多模态模型，能处理文本和图像输入并生成文本输出，适用于多种文本生成和图像理解任务。

🚀 快速开始

安装

首先，安装Transformers库。Gemma 3从transformers 4.50.0版本开始支持。

$ pip install -U transformers

运行示例

使用pipeline API运行

from transformers import pipeline
import torch

pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3-27b-it",
    device="cuda",
    torch_dtype=torch.bfloat16
)

对于经过指令微调的模型，需要先使用聊天模板处理输入，然后将其传递给管道。

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-3-27b-it"

model = Gemma3ForConditionalGeneration.from_pretrained(
    model_id, device_map="auto"
).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, dtype=torch.bfloat16)

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.

✨ 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。
• 多语言支持：支持超过140种语言。
• 多种规模可选：提供不同规模的模型，以适应不同的应用场景。
• 资源需求低：相对较小的模型规模，使其能够在资源有限的环境中部署。

📦 安装指南

要使用Gemma 3模型，首先需要安装Transformers库。Gemma 3从transformers 4.50.0版本开始支持。

$ pip install -U transformers

💻 使用示例

基础用法

使用pipeline API进行推理：

from transformers import pipeline
import torch

pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3-27b-it",
    device="cuda",
    torch_dtype=torch.bfloat16
)

高级用法

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-3-27b-it"

model = Gemma3ForConditionalGeneration.from_pretrained(
    model_id, device_map="auto"
).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, dtype=torch.bfloat16)

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.

📚 详细文档

模型信息

描述

Gemma是Google推出的一系列轻量级、最先进的开放模型，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。预训练和指令微调的变体都具有开放的权重。Gemma 3拥有128K的大上下文窗口，支持超过140种语言，并且比以前的版本提供更多的规模选择。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。其相对较小的规模使其能够在资源有限的环境中部署，如笔记本电脑、台式机或用户自己的云基础设施，从而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、提示或要摘要的文档。
  • 图像，归一化为896 x 896分辨率，并编码为每个256个标记。
  • 4B、12B和27B规模的模型总输入上下文为128K标记，1B规模的模型为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标记。

模型数据

训练数据集

这些模型在包含各种来源的文本数据集上进行训练。27B模型使用14万亿标记进行训练，12B模型使用12万亿标记，4B模型使用4万亿标记，1B模型使用2万亿标记。主要组成部分包括：

• 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，从而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。

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，按照我们的政策进行过滤。

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专门设计用于处理训练VLM涉及的大量计算。与CPU相比，它们可以显著加速训练。
• 内存：TPU通常配备大量的高带宽内存，允许在训练期间处理大型模型和批量大小。这可以提高模型质量。
• 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。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，特别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[Google对可持续运营的承诺][sustainability]。

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Google构建能够跨多个任务进行泛化的人工智能系统的最新努力。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的结合使用在关于Gemini模型家族的论文中有描述：“Jax和Pathways的‘单控制器’编程模型允许单个Python进程编排整个训练运行，极大地简化了开发工作流程。”

评估

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

STEM和代码

多语言

多模态

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。这些模型在与伦理和安全相关的多个不同类别上进行评估，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、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，以提供有关发布的决策信息。高层结果反馈给模型团队，但提示集被保留，以防止过拟合并保持结果为决策提供信息的能力。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，与以前的Gemma模型相比，我们在儿童安全、内容安全和代表性危害类别中看到了重大改进。所有测试都在没有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，以及所有模型规模，模型产生的政策违规最少，并且在无根据的推理方面比以前的Gemma模型有显著改进。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

开放视觉语言模型（VLM）在各个行业和领域有广泛的应用。以下列出的潜在用途并非详尽无遗。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：帮助语言学习者提高语言技能，如语法、词汇和阅读理解。

🔧 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专门设计用于处理训练VLM涉及的大量计算。与CPU相比，它们可以显著加速训练。
• 内存：TPU通常配备大量的高带宽内存，允许在训练期间处理大型模型和批量大小。这可以提高模型质量。
• 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。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，特别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[Google对可持续运营的承诺][sustainability]。

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Google构建能够跨多个任务进行泛化的人工智能系统的最新努力。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的结合使用在关于Gemini模型家族的论文中有描述：“Jax和Pathways的‘单控制器’编程模型允许单个Python进程编排整个训练运行，极大地简化了开发工作流程。”

📄 许可证

Gemma模型的许可证为gemma。要在Hugging Face上访问Gemma，您需要审查并同意Google的使用许可。为此，请确保您已登录Hugging Face并点击下面的按钮。请求将立即处理。 确认许可证

📚 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

资源和技术文档：

• Gemma 3技术报告
• 负责任的生成式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