模型介绍
中文整理Gemma 4 模型卡片
模型概述
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 版本额外支持音频），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：全系列模型均具备强大的推理能力，支持可配置的思考模式。
多模态处理：支持文本、图像（含可变宽高比和分辨率）、视频，以及 E2B、E4B、12B 版本原生支持音频。
模型架构：提供 Dense 和混合专家（MoE）两种架构，五个规格分别为 E2B、E4B、12B、26B A4B、31B。
设备端优化：小规格模型专为笔记本电脑和移动设备的高效本地运行设计。
长上下文：小型模型支持 128K tokens 上下文，中型模型支持 256K tokens。
编码与代理能力：在编码基准测试中表现显著提升，原生支持函数调用，可驱动自主代理。
系统提示支持：原生支持 system 角色，实现更结构化、可控的对话。
输入输出
输入格式：文本、图像、音频（仅 E2B、E4B、12B）、视频
输出格式：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（119.5B）、26B A4B（活跃参数 3.8B）、31B
部署环境：从高端手机、笔记本电脑到服务器均可部署
基本用法
采样配置：建议使用 temperature=1.0、top p=0.95、top k=64
思考模式：在系统提示开头添加相应 token 启用思考，移除则禁用
多轮对话：历史消息仅保留最终回复，之前的思考内容不应添加到下一轮用户消息之前（工具调用除外）
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：支持可变分辨率，通过视觉 token 预算控制（70、140、280、560、1120），低预算适用于分类、字幕生成，高预算适用于 OCR、文档解析
音频处理：最长支持 30 秒；视频最长支持 60 秒（每秒一帧）
限制
安全限制：模型可能生成有害内容，包括儿童性虐待材料、危险内容、露骨内容、仇恨言论和骚扰内容。已进行安全评估但仍需注意使用场景。
数据截止：预训练数据截止日期为 2025 年 1 月
许可证
Apache 2.0
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。