模型介绍
中文整理Gemma 4 模型卡片
模型用途
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），输出文本。该系列包含预训练模型和指令微调模型两种形式。Gemma 4 适用于文本生成、编程和推理任务，提供五种规格：E2B、E4B、12B、26B A4B 和 31B。
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（支持可变宽高比和分辨率）、视频，以及 E2B、E4B、12B 版本原生支持的音频。
架构多样性：提供 Dense（密集）和 MoE（混合专家）两种架构，可根据部署场景灵活选择。
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。
超长上下文：小型模型支持 128K token 上下文窗口，中型模型支持 256K token。
编程与智能体能力：在编程基准测试中表现显著提升，原生支持函数调用，可驱动高度自主的智能体。
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（仅 E2B、E4B、12B）、视频
输出格式：文本
运行要求
模型参数规模从 2.3B 有效参数（E2B）到 30.7B（31B Dense）不等。26B A4B MoE 模型总参数 25.2B，推理时激活 3.8B。QAT（量化感知训练）版本可在保持接近 bfloat16 质量的同时大幅降低内存需求。
Dense 模型规格
E2B：2.3B 有效参数，上下文 128K，滑动窗口 512 token，支持文本、图像、音频
E4B：4.5B 有效参数，上下文 128K，滑动窗口 512 token，支持文本、图像、音频
12B：11.95B 参数，上下文 256K，滑动窗口 1024 token，支持文本、图像、音频
31B：30.7B 参数，上下文 256K，滑动窗口 1024 token，支持文本、图像
MoE 模型规格
26B A4B：总参数 25.2B，激活参数 3.8B，上下文 256K，滑动窗口 1024 token，支持文本、图像
基本用法
使用 Transformers 库加载模型。推荐采样参数：temperature=1.0，top_p=0.95，top_k=64。
思考模式：可通过在系统提示开头添加特定 token 启用思考模式，移除该 token 则禁用。
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。视频处理：最长支持 60 秒（按每秒一帧处理）。
限制
音频输入最长 30 秒，视频输入最长 60 秒。模型存在其他已知局限性，用户应予以了解。
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。