模型介绍
中文整理Gemma 4 模型卡片
许可证
Apache 2.0
作者
Google DeepMind
模型用途
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。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。主要适用于文本生成、编程和推理任务。
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（含可变宽高比和分辨率）、视频，以及E2B、E4B、12B版本的音频处理。
混合注意力机制：结合局部滑动窗口注意力与全局注意力，最终层始终使用全局注意力，兼顾处理速度与长上下文理解能力。
高效架构：提供Dense和混合专家（MoE）两种架构，适配从手机到服务器的不同部署环境。
长上下文：小型模型支持128K tokens上下文，中大型模型支持256K tokens。
编程能力：在编程基准测试中表现显著提升，支持原生函数调用功能。
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。
输入输出
输入：文本、图像、视频、音频（仅E2B、E4B、12B版本）
输出：文本
运行要求
模型规格：提供E2B（有效参数2.3B）、E4B（有效参数4.5B）、12B Unified（11.95B）、26B A4B MoE（活跃参数3.8B）、31B Dense（30.7B）五种规格。
量化版本：提供多种量化格式以降低内存需求，包括未量化QAT检查点、GGUF格式、移动端优化格式（wNa8o8）、压缩张量格式（w4a16）。
音频处理：音频最长支持30秒，视频最长支持60秒（每秒一帧）。
基本用法
推荐采样参数：temperature=1.0，top_p=0.95，top_k=64
思考模式：在系统提示词开头添加相应token启用思考模式，移除则禁用
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：支持可配置的视觉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
限制
音频输入最长30秒，视频输入最长60秒
多轮对话中，历史输出仅应包含最终回复，之前的思考内容不应添加到下一轮用户输入之前（工具调用轮次除外）
部分功能仅特定版本支持：音频功能仅E2B、E4B、12B版本可用
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。