模型详情
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），生成文本输出。该系列提供预训练模型和指令微调模型两种版本。
## 主要能力
- *推理能力**：全系列模型均具备可配置思考模式的内置推理能力。
- *多模态处理**：支持文本、图像（含可变宽高比和分辨率支持）、视频，以及音频（E2B、E4B、12B 原生支持）。
- *长上下文**：小型模型支持 128K tokens 上下文窗口，中型模型支持 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（含多语言）、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使用，赋能智能体工作流。
- *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
- *上下文长度**：E2B/E4B 为 128K tokens，12B/26B A4B/31B 为 256K tokens
- *可变分辨率**：支持通过可配置视觉 token 预算调整图像分辨率，预算值包括 70、140、280、560 和 1120
运行要求
- *模型规格**：
- E2B：有效参数 2.3B（含嵌入 5.1B），35 层，滑动窗口 512 tokens
- E4B：有效参数 4.5B（含嵌入 8B），42 层，滑动窗口 512 tokens
- 12B Unified：参数 11.95B，48 层，滑动窗口 1024 tokens
- 31B Dense：参数 30.7B，60 层，滑动窗口 1024 tokens
- 26B A4B MoE：总参数 25.2B，活跃参数 3.8B，30 层，滑动窗口 1024 tokens
- *词汇表大小**：262K
- *音频支持时长**：最长 30 秒
- *视频支持时长**：最长 60 秒（按每秒一帧计算）
基本用法
使用 Transformers 最新版本加载模型。建议采样配置：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 token。
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。
限制
- *训练数据影响**：训练数据的质量和多样性显著影响模型能力，数据中的偏见或缺口可能导致模型响应存在局限。
- *任务复杂度**：模型在清晰提示和指令可框定的任务上表现良好，开放式或高度复杂的任务可能具有挑战性。
- *语言歧义**：自然语言本身复杂，模型可能难以理解细微差别、讽刺或比喻性语言。
- *事实准确性**：模型基于训练数据集学习的信息生成响应，并非知识库。
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
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
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。