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。
主要能力
Gemma 4 具备以下核心能力：
推理能力：全系列模型均支持可配置的思考模式，能够逐步推理后给出答案。
多模态处理：支持文本、图像、可变长宽比和分辨率的图片处理（所有型号）、视频，以及音频（E2B、E4B、12B 型号原生支持）。
高效架构：提供 Dense 和混合专家（MoE）两种架构，适配从高端手机到笔记本电脑再到服务器的各种部署环境。
设备端优化：小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：小模型支持 128K tokens 上下文，中等模型支持 256K tokens。
增强的编码和代理能力：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应用。
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
支持交错多模态输入：可在单次提示中自由混合文本和图像。
运行要求
模型提供五种规格：E2B（有效参数 2.3B）、E4B（有效参数 4.5B）、12B（119.5B 参数）、26B A4B MoE（活跃参数 3.8B）、31B（30.7B 参数）。不同规格可部署在移动设备、消费级 GPU 到工作站等多种环境。
基本用法
使用 Transformers 库加载模型。建议采样配置：temperature=1.0，top_p=0.95，top_k=64。
启用思考模式：在系统提示开头添加相应控制 token 即可启用思考。要禁用思考，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：支持可变分辨率，通过视觉 token 预算控制（70、140、280、560、1120）。低预算适用于分类、字幕生成或视频理解；高预算适用于 OCR、文档解析或阅读小文本。
音频处理：音频最长支持 30 秒。视频最长支持 60 秒（假设每秒处理一帧）。
限制
模型存在以下已知限制：
内容安全限制：模型经过安全评估，但仍可能产生违反政策的内容。已针对儿童性虐待材料、危险内容、露骨内容、仇恨言论和骚扰等内容进行安全测试。
多语言能力：某些语言（特别是中文）的音频处理结果可能不如英语。
音频长度：音频输入最长 30 秒，超过此长度的音频将被截断。
使用场景
该模型适用于以下场景：
内容创作与通信：文本生成、聊天机器人、文本摘要、图像数据提取、音频处理与交互
研究与教育：自然语言处理和视觉语言模型研究
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。