模型介绍
中文整理模型名称：Gemma 4 12B Unified
许可证：Apache 2.0
作者：Google DeepMind
用途
Gemma 4 12B Unified 是 Gemma 4 系列开放模型的一部分。该模型为多模态模型，支持文本、图像、音频（E2B、E4B、12B）和视频输入，生成文本输出。适用于推理、编码、智能体工作流和多模态理解任务。
主要能力
推理能力：内置推理模式，支持分步思考。
长上下文：支持最高 256K tokens 上下文窗口。
图像理解：支持目标检测、文档/PDF 解析、屏幕和 UI 理解、图表理解、OCR（多语言）、手写识别、指向功能。支持可变宽高比和分辨率。
视频理解：通过处理帧序列分析视频。
多模态混合输入：可在单次提示中自由混合文本和图像。
函数调用：原生支持结构化工具使用。
编码能力：代码生成、补全和修正。
多语言支持：开箱即用支持 35 种以上语言，预训练覆盖 140 种以上语言。
音频处理（仅 E2B、E4B、12B）：自动语音识别和多语言语音翻译。
输入输出
输入：文本、图像、音频（E2B、E4B、12B）、视频
输出：文本
运行要求
架构：无需编码器的统一架构，采用混合注意力机制（局部滑动窗口注意力与全局注意力交替）
参数量：11.95B
滑动窗口：1024 tokens
上下文长度：256K tokens
词表大小：262K
视觉编码器参数量：约 550M
音频编码器参数量：无
基本用法
模型可通过 Transformers 库加载使用。建议采样配置：temperature=1.0，top_p=0.95，top_k=64。
启用推理模式需在系统提示开头包含相应控制 token。禁用推理时，模型仍会输出标签但思考块为空。
多轮对话中，历史输出应仅包含最终回复，不得将之前轮次的思考内容添加到下一轮用户输入之前。
多模态输入优化：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视觉 token 预算：70、140、280、560、1120。较低预算适用于分类、描述或视频理解；较高预算适用于 OCR、文档解析或阅读小文本。
音频最长支持 30 秒，视频最长支持 60 秒（每秒一帧）。
限制
训练数据质量与多样性显著影响模型能力，训练数据中的偏见或缺陷可能导致模型响应存在局限。
训练数据集的范围决定了模型能有效处理的主题领域。
模型在能够通过清晰提示和指令框定的任务上表现良好，开放性任务的处理能力有限。
知识截止日期为 2025 年 1 月，可能无法回答该日期之后的最新信息。
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。