模型介绍
中文整理Gemma 4 模型卡片
许可证
Apache 2.0
作者
Google DeepMind
模型用途
Gemma是由Google DeepMind开发的开源模型系列。Gemma 4是多模态模型，支持文本和图像输入（E2B、E4B和12B版本还支持音频），输出文本。提供预训练和指令微调两种版本。上下文窗口最高支持256K tokens，支持超过140种语言。
主要能力
推理能力：全系列模型均具备可配置思考模式的高级推理能力。
多模态处理：支持文本、图像（支持可变宽高比和分辨率）、视频，以及E2B、E4B、12B版本的音频处理。
混合注意力机制：结合局部滑动窗口注意力与全局注意力，最后一层始终为全局注意力。
高效架构：提供Dense和MoE（混合专家）两种架构，适配从手机到服务器的多种部署环境。
长上下文：小型模型支持128K上下文，中大型模型支持256K。
编程能力：在编程基准测试中表现显著提升，支持原生函数调用。
多语言支持：开箱即用支持35种以上语言，预训练覆盖140种以上语言。
输入输出
输入：文本、图像、音频（仅E2B、E4B、12B）、视频
输出：文本
运行要求
模型规格：E2B（有效参数2.3B）、E4B（有效参数4.5B）、12B Unified（11.95B）、26B A4B MoE（活跃参数3.8B）、31B Dense（30.7B）
部署环境：从高端手机到笔记本电脑再到服务器均可部署
基本用法
采样配置：temperature=1.0，top_p=0.95，top_k=64
思考模式：在系统提示词开头添加触发思考的token可启用思考模式
多轮对话：历史输出仅保留最终回复，前一轮的思考内容不应添加到下一轮用户输入前
多模态输入顺序：图像内容置于文本之前，音频内容置于文本之后
图像分辨率：支持70、140、280、560、1120五种视觉token预算
音频长度：最长支持30秒
视频长度：最长支持60秒（每秒一帧）
限制
模型可能产生幻觉内容
知识截止日期为2025年1月，可能无法回答该日期之后的最新信息
音频处理能力仅限E2B、E4B、12B版本
视频理解不支持音频
所有安全测试均未使用安全过滤器进行，模型仍可能生成有害内容
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。