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版本还支持音频），输出文本内容。该系列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。适用于文本生成、编程和推理等任务。
主要能力
推理能力：全系列模型均具备高度推理能力，支持可配置的思考模式。
多模态支持：支持文本、图像（含可变宽高比和分辨率）、视频，以及E2B、E4B、12B版本的音频处理。
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和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而设计。
长上下文：小型模型支持128K tokens上下文，中型模型支持256K tokens。
编程与代理能力：在编程基准测试中表现显著提升，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，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：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
音频输入最长30秒，视频输入最长60秒（按每秒一帧计算）。
基本用法
采样配置：建议使用temperature=1.0、top p=0.95、top k=64的配置。
思考模式：在系统提示开头添加相应token启用思考功能。启用后，模型会先输出内部推理过程，再给出最终答案。关闭思考时，模型仍会输出标签但思考块为空。
多轮对话：历史消息中仅应包含最终回复，之前的思考内容不应添加到下一轮用户消息之前（工具调用轮次除外）。
多模态输入顺序：图像内容应放在文本之前，音频内容应放在文本之后。
图像分辨率：支持可变的视觉token预算（70、140、280、560、1120），低预算适用于分类、字幕生成等任务，高预算适用于OCR、文档解析等需要精细细节的任务。
限制
音频处理最长支持30秒，视频处理最长支持60秒。
多模态模型存在一定局限性，用户应知悉模型在特定场景下的能力边界。
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。