模型介绍
中文整理许可证
Apache 2.0
作者
Google DeepMind
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，可处理文本和图像输入（E2B、E4B和12B还支持音频），并生成文本输出。该版本包含预训练和指令微调两种形式的开源权重模型。Gemma 4支持最高256K tokens的上下文窗口，支持超过140种语言。该系列包含Dense和混合专家（MoE）两种架构，适用于文本生成、编码和推理等任务。模型提供五种规格：E2B、E4B、12B、26B A4B和31B，可部署在从高端手机到笔记本电脑和服务器的各种环境中。
主要能力
推理：全系列模型均设计为高能力推理者，支持可配置的思考模式。
多模态处理：支持文本、图像（所有型号支持可变宽高比和分辨率）、视频，以及E2B、E4B和12B型号原生支持音频。
长上下文：E2B/E4B支持128K tokens，12B、26B A4B和31B支持256K tokens。
图像理解：目标检测、文档和PDF解析、屏幕和UI理解、图表理解、OCR（支持多语言）、手写识别、指向功能。图像可处理可变宽高比和分辨率。
视频理解：通过处理帧序列来分析视频。
交错多模态输入：支持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，实现代理工作流。
编码：代码生成、补全和修正。
多语言：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（仅E2B、E4B和12B）：多语言自动语音识别（ASR）和语音到翻译文本的转换。
输入输出
输入：文本、图像、音频（特定型号）、视频
输出：文本
上下文窗口：128K至256K tokens
运行要求
模型提供五种规格：E2B（2.3B有效参数）、E4B（4.5B有效参数）、12B、26B A4B（3.8B活跃参数）和31B。不同规格适用于不同硬件环境：E2B和E4B适用于移动设备和边缘设备；12B、26B A4B和31B适用于消费级GPU和工作站。
基本用法
使用Transformers最新版本加载模型。通过设置enable_thinking=True启用推理模式。
限制
音频输入最长支持30秒。视频输入最长支持60秒（按每秒一帧处理图像）。
多轮对话中，历史模型输出应仅包含最终响应。之前轮次的思考内容不得添加到下一个用户轮次开始之前，但工具调用轮次除外，此时应保留思考内容。
启用思考模式需在系统提示开头包含相应token。禁用思考时，除E2B和E4B型号外，其他模型仍会输出标签但思考块为空。
对于多模态输入，图像内容应放在提示中文本之前，音频内容应放在文本之后。
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。