模型介绍
中文整理Gemma 4 模型卡片
模型概述
Gemma 是由 Google DeepMind 构建的开源模型系列。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），生成文本输出。该版本提供预训练和指令微调两种变体。Gemma 4 支持最长 256K tokens 的上下文窗口，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（支持可变宽高比和分辨率）、视频，以及 E2B、E4B、12B 原生支持的音频。模型架构：提供 Dense 和混合专家（MoE）两种架构，包含 E2B、E4B、12B、26B A4B、31B 五种规格。
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，支持原生函数调用，可驱动高度自主的代理。
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：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，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。推荐采样配置：temperature=1.0，top_p=0.95，top_k=64。
启用思考模式：在系统提示开头包含相应 token。禁用思考时移除该 token。
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 token 预算（70、140、280、560、1120），低预算适用于分类和视频理解，高预算适用于 OCR 和文档解析。
音频处理：最长支持 30 秒。视频最长支持 60 秒（每秒一帧）。
限制
模型存在以下已知限制：多模态模型的应用范围广泛，但用户应了解模型的固有局限性。内容创作和通信领域可用于文本生成、聊天机器人、文本摘要、图像数据提取、音频处理。研究和教育领域可用于 NLP 和 VLM 研究。
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。