模型介绍
中文整理Gemma 4 模型卡片
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 版本额外支持音频），输出文本内容。该系列提供预训练版本和指令微调版本。
模型用途
Gemma 4 适用于文本生成、编程、推理以及多模态理解任务。可部署于移动设备、笔记本电脑和服务器等多种环境。
主要能力
推理能力：内置可配置的思考模式，支持逐步推理。
长上下文：E2B 和 E4B 支持 128K tokens 上下文窗口，12B、26B A4B 和 31B 支持 256K tokens。
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：支持按帧序列分析视频。
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调用。
编程能力：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、视频、音频（部分型号）
输出：文本
支持函数调用和思考模式输出
运行要求
硬件环境：从高端手机到笔记本电脑再到服务器均有对应型号可选
软件依赖：Transformers、PyTorch、Accelerate
音频处理额外需要：Librosa、Torchaudio
视频处理额外需要：Librosa
基本用法
使用 Transformers 加载模型进行推理。推荐采样参数：temperature=1.0，top_p=0.95，top_k=64。
启用思考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，思考内容不应保留。
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。
图像处理支持可变分辨率，通过配置视觉 token 预算控制（70、140、280、560、1120）。低预算适用于分类、字幕生成等任务；高预算适用于 OCR、文档解析等需要精细细节的任务。
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直接影响模型能力，训练数据中的偏见或缺陷可能导致模型响应受限。
训练数据集的范围决定了模型能有效处理的主题领域。
模型在清晰提示和指令的任务上表现较好，开放式或高度复杂的任务可能具有挑战性。
提供的上下文量会影响模型性能。
自然语言本身具有复杂性，模型可能难以理解细微差别、讽刺或比喻性语言。
模型根据训练数据集中的信息生成回复，并非知识库，可能存在事实性错误。
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。