模型介绍
中文整理Gemma 4 12B Unified 模型卡片
模型用途
Gemma 4 12B Unified 是 Google DeepMind 开发的 Gemma 4 系列开放模型之一。该模型采用多模态架构，支持文本、图像、音频（E2B、E4B、12B型号）和视频输入，输出文本内容。模型提供预训练和指令微调两种版本。
主要能力
推理能力：内置推理模式，支持分步思考。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（包括多语言）、手写识别和指向功能。视频理解：通过处理帧序列分析视频。交错多模态输入：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调用。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
输入格式：文本、图像、音频（特定型号）、视频。输出格式：文本。
运行要求
使用 Transformers 库加载模型。基础依赖：transformers、torch、accelerate。处理音频需额外安装：torchvision、librosa。处理图像和视频需额外安装：torchvision。
基本用法
采样参数建议：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令牌。多轮对话中，历史输出仅应包含最终回复，前一轮的思考内容不应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。图像支持可变分辨率，可配置视觉令牌预算（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空白会导致模型响应存在局限。训练数据范围决定了模型能有效处理的主题领域。模型在能够用清晰提示和指令表述的任务上表现较好。
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。