模型介绍
中文整理Gemma 4 模型卡片
许可证：Apache 2.0
开发方：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。主要适用于文本生成、编程和推理任务。
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。
多模态支持：支持文本、图像、可变长宽比和分辨率的图片（所有型号）、视频，以及音频（仅E2B、E4B和12B）。
模型架构：提供Dense和混合专家（MoE）两种架构，涵盖E2B、E4B、12B、26B A4B和31B五种规模。
设备端优化：小规模模型专为笔记本电脑和移动设备的高效本地运行而设计。
长上下文：小模型支持128K上下文，中等模型支持256K。
编程与代理能力：编程基准测试表现显著提升，支持原生函数调用，可驱动自主代理。
原生系统提示支持：支持系统角色，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（部分型号）、视频
输出格式：文本
音频输入最长30秒，视频输入最长60秒（每秒一帧）
运行要求
E2B：有效参数2.3B，上下文128K，支持文本、图像、音频
E4B：有效参数4.5B，上下文128K，支持文本、图像、音频
12B：参数11.95B，上下文256K，支持文本、图像、音频
26B A4B MoE：总参数25.2B，活跃参数3.8B，上下文256K，支持文本、图像
31B：参数30.7B，上下文256K，支持文本、图像
基本用法
使用Transformers库加载模型。通过设置enable_thinking=True启用推理模式。处理多模态输入时，图像内容应放在文本之前，音频内容应放在文本之后。
限制
音频输入仅支持最长30秒。
视频输入仅支持最长60秒。
多轮对话中，历史输出应仅包含最终回复，之前的思考内容不应添加到下一轮用户输入之前（工具调用轮次除外）。
使用思考模式时，除E2B和E4B外，其他型号禁用思考后仍会生成标签但思考块为空。
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。