Hugging Face | GitHub | 发布博客 | 文档
许可证: Apache 2.0 | 作者: Google DeepMind

Gemma 是由 Google DeepMind 打造的一系列开源模型。Gemma 4 模型具备多模态能力，可处理文本和图像输入（小型模型支持音频）并生成文本输出。此次发布的模型包括预训练和指令调优两种变体的开源权重模型。Gemma 4 的上下文窗口长度最高可达 256K tokens，并支持超过 140 种语言的多语言处理。

Gemma 4 采用密集型（Dense）和混合专家（Mixture-of-Experts, MoE）两种架构，非常适合文本生成、代码编写和推理等任务。该系列模型提供四种不同规模：E2B、E4B、26B A4B 和 31B。多样化的规模使其能够部署在从高端手机到笔记本电脑再到服务器的各种环境中，让前沿 AI 技术的获取更加普及。

Gemma 4 在能力与架构方面带来了多项重要进步：

• 推理能力——该系列所有模型均被设计为高性能推理器，具备可配置的思维模式。

• 扩展的多模态支持——可处理文本、图像（所有模型均支持可变宽高比和分辨率）、视频以及音频（E2B 和 E4B 模型原生支持）。

• 多样化且高效的架构——提供不同规模的密集型和混合专家（MoE）变体，以实现可扩展部署。

• 针对设备端优化——小型模型专为在笔记本电脑和移动设备上高效本地运行而设计。

• 增大的上下文窗口——小型模型的上下文窗口为 128K，中型模型则支持 256K。

• 增强的代码编写与智能体能力——在代码基准测试中取得显著提升，同时原生支持函数调用，为高性能自主智能体提供强大动力。

• 原生系统提示支持——Gemma 4 引入对 system 角色的原生支持，实现更结构化和可控的对话。

模型概述

Gemma 4 系列模型旨在为各尺寸模型提供前沿级性能，目标部署场景从移动和边缘设备（E2B、E4B）到消费级 GPU 和工作站（26B A4B、31B）。它们非常适合推理、智能体工作流、编码和多模态理解任务。

这些模型采用混合注意力机制，将局部滑动窗口注意力与全局注意力交织在一起，并确保最后一层始终为全局注意力。这种混合设计在保证轻量级模型处理速度和低内存占用的同时，不会牺牲复杂长上下文任务所需的深度感知能力。为优化长上下文的内存使用，全局层采用统一的 Keys 和 Values，并应用 Proportional RoPE（p-RoPE）。

密集型模型

E2B 和 E4B 中的“E”代表“有效”（effective）参数。较小的模型采用每层嵌入（Per-Layer Embeddings, PLE）以最大化设备端部署的参数效率。PLE 并非通过增加模型层数或参数，而是为每个解码器层中的每个 token 提供其自己的小型嵌入。这些嵌入表虽然较大，但仅用于快速查找，因此有效参数数量远小于总数。

混合专家（Mixture-of-Experts, MoE）模型

26B A4B 中的“A”代表“激活”（active）参数，与模型包含的总参数数量相对。通过在推理过程中仅激活 40 亿参数的子集，混合专家模型的运行速度比其 260 亿总参数所暗示的要快得多。这使其成为与 310 亿密集型模型相比进行快速推理的理想选择，因为它的运行速度几乎与 40 亿参数模型相当。

基准测试结果

这些模型通过大量不同的数据集和指标进行了评估，以全面覆盖文本生成的各个方面。表格中标注的评估结果均针对指令微调模型。

核心能力

Gemma 4 模型可处理文本、视觉和音频等广泛任务。主要能力包括：

• 思考能力——内置推理模式，使模型能够在回答前进行逐步思考。
• 长上下文——上下文窗口最高可达 128K tokens（E2B/E4B）和 256K tokens（26B A4B/31B）。
• 图像理解——目标检测、文档/PDF 解析、屏幕和 UI 理解、图表 comprehension、OCR（包括多语言）、手写识别以及指向功能。可处理不同纵横比和分辨率的图像。
• 视频理解——通过处理帧序列来分析视频。
• 交错多模态输入——在单个提示中自由混合文本和图像，顺序不限。
• 函数调用——原生支持结构化工具调用，支持智能体工作流。
• 编码能力——代码生成、补全和纠错。
• 多语言支持——开箱即支持 35 种以上语言，预训练涵盖 140 多种语言。
• 音频功能（仅限 E2B 和 E4B）——多语言自动语音识别（ASR）和语音到翻译文本的翻译。

开始使用

您可以通过最新版本的 Transformers 来使用所有 Gemma 4 模型。首先，请在您的环境中安装必要的依赖项：

pip install -U transformers torch accelerate

安装完成后，您可以使用以下代码加载模型：

from transformers import AutoProcessor, AutoModelForCausalLM

MODEL_ID = "google/gemma-4-E4B-it"

# Load model
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    dtype="auto",
    device_map="auto"
)

模型加载完成后，即可开始生成输出：

# Prompt
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Write a short joke about saving RAM."},
]

# Process input
text = processor.apply_chat_template(
    messages, 
    tokenize=False, 
    add_generation_prompt=True, 
    enable_thinking=False
)
inputs = processor(text=text, return_tensors="pt").to(model.device)
input_len = inputs["input_ids"].shape[-1]

# Generate output
outputs = model.generate(**inputs, max_new_tokens=1024)
response = processor.decode(outputs[0][input_len:], skip_special_tokens=False)

# Parse output
processor.parse_response(response)

若要启用推理功能，请将 enable_thinking 设置为 True，parse_response 函数会负责解析推理输出内容。

以下还提供了音频（仅限 E2B 和 E4B）、图像和视频与文本协同处理的代码片段：

from transformers import AutoProcessor, AutoModelForMultimodalLM

MODEL_ID = "google/gemma-4-E4B-it"

# Load model
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(
    MODEL_ID, 
    dtype="auto", 
    device_map="auto"
)

模型加载完成后，您可以通过在提示词中直接引用音频 URL 来开始生成输出：

# Prompt - add audio before text
messages = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "audio": "https://raw.githubusercontent.com/google-gemma/cookbook/refs/heads/main/Demos/sample-data/journal1.wav"},
            {"type": "text", "text": "Transcribe the following speech segment in its original language. Follow these specific instructions for formatting the answer:\n* Only output the transcription, with no newlines.\n* When transcribing numbers, write the digits, i.e. write 1.7 and not one point seven, and write 3 instead of three."},
        ]
    }
]

# Process input
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    add_generation_prompt=True,
).to(model.device)
input_len = inputs["input_ids"].shape[-1]

# Generate output
outputs = model.generate(**inputs, max_new_tokens=512)
response = processor.decode(outputs[0][input_len:], skip_special_tokens=False)

# Parse output
processor.parse_response(response)

from transformers import AutoProcessor, AutoModelForMultimodalLM

MODEL_ID = "google/gemma-4-E4B-it"

# Load model
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(
    MODEL_ID, 
    dtype="auto", 
    device_map="auto"
)

模型加载完成后，您可以通过在提示词中直接引用图片 URL 来开始生成输出：

# Prompt - add image before text
messages = [
    {
        "role": "user", "content": [
            {"type": "image", "url": "https://raw.githubusercontent.com/google-gemma/cookbook/refs/heads/main/Demos/sample-data/GoldenGate.png"},
            {"type": "text", "text": "What is shown in this image?"}
        ]
    }
]

# Process input
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    add_generation_prompt=True,
).to(model.device)
input_len = inputs["input_ids"].shape[-1]

# Generate output
outputs = model.generate(**inputs, max_new_tokens=512)
response = processor.decode(outputs[0][input_len:], skip_special_tokens=False)

# Parse output
processor.parse_response(response)

from transformers import AutoProcessor, AutoModelForMultimodalLM

MODEL_ID = "google/gemma-4-E4B-it"

# Load model
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(
    MODEL_ID, 
    dtype="auto", 
    device_map="auto"
)

模型加载完成后，您可以通过在提示词中直接引用视频 URL 来开始生成输出：

# Prompt - add video before text
messages = [
    {
        'role': 'user',
        'content': [
            {"type": "video", "video": "https://github.com/bebechien/gemma/raw/refs/heads/main/videos/ForBiggerBlazes.mp4"},
            {'type': 'text', 'text': 'Describe this video.'}
        ]
    }
]

# Process input
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    add_generation_prompt=True,
).to(model.device)
input_len = inputs["input_ids"].shape[-1]

# Generate output
outputs = model.generate(**inputs, max_new_tokens=512)
response = processor.decode(outputs[0][input_len:], skip_special_tokens=False)

# Parse output
processor.parse_response(response)

最佳实践

为获得最佳性能，请使用以下配置和最佳实践：

1. 采样参数

在所有使用场景中采用以下标准化采样配置：

• temperature=1.0
• top_p=0.95
• top_k=64

2. 思维模式配置

与 Gemma 3 相比，模型采用标准的 system、assistant 和 user 角色。为妥善管理思维过程，请使用以下控制令牌：

• 触发思维：在系统提示的开头包含 <|think|> 令牌即可启用思维模式。若要禁用思维模式，移除该令牌即可。
• 标准生成：启用思维模式后，模型将先输出内部推理过程，随后给出最终答案，结构如下：
  <|channel>thought\n[内部推理内容]<channel|>
• 禁用思维时的行为：对于除 E2B 和 E4B 变体之外的所有模型，若禁用思维模式，模型仍会生成标签，但思维块为空：
  <|channel>thought\n<channel|>[最终答案]

[!Note] 请注意，许多库（如 Transformers 和 llama.cpp）会为您处理聊天模板的复杂细节。

3. 多轮对话

• 历史记录中不包含思维内容：在多轮对话中，历史模型输出应仅包含最终响应。前序模型轮次中的思维内容不得添加到下一轮用户输入之前。

4. 模态顺序

• 对于多模态输入，为获得最佳性能，请将图像和/或音频内容置于文本之前。

5. 可变图像分辨率

除了可变宽高比外，Gemma 4 通过可配置的视觉令牌预算支持可变图像分辨率，该预算控制用于表示图像的令牌数量。较高的令牌预算能保留更多视觉细节，但会增加计算成本；而较低的预算则可加快推理速度，适用于不需要细粒度理解的任务。

• 支持的令牌预算为：70、140、280、560 和 1120。
  • 对于分类、 captioning 或视频理解等任务，若更快的推理速度和处理多帧的需求超过对细粒度细节的要求，可使用较低预算。
  • 对于 OCR、文档解析或读取小文本等任务，建议使用较高预算。

6. 音频

使用以下提示结构进行音频处理：

• 音频语音识别（ASR）

Transcribe the following speech segment in {LANGUAGE} into {LANGUAGE} text.

Follow these specific instructions for formatting the answer:
* Only output the transcription, with no newlines.
* When transcribing numbers, write the digits, i.e. write 1.7 and not one point seven, and write 3 instead of three.

• 自动语音翻译（AST）

Transcribe the following speech segment in {SOURCE_LANGUAGE}, then translate it into {TARGET_LANGUAGE}.
When formatting the answer, first output the transcription in {SOURCE_LANGUAGE}, then one newline, then output the string '{TARGET_LANGUAGE}: ', then the translation in {TARGET_LANGUAGE}.

7. 音频和视频时长

所有模型均支持图像输入，并能将视频按帧处理，而E2B和E4B模型还支持音频输入。音频支持的最大时长为30秒。假设图像按每秒一帧处理，视频支持的最大时长为60秒。

模型数据

用于模型训练的数据及其处理方式。

训练数据集

我们的预训练数据集是一个大规模、多样化的数据集集合，涵盖广泛的领域和模态，包括网络文档、代码、图像、音频，数据截止日期为2025年1月。以下是主要组成部分：

• 网络文档：多样化的网络文本集合确保模型能够接触到广泛的语言风格、主题和词汇。训练数据集包含超过140种语言的内容。
• 代码：让模型接触代码有助于其学习编程语言的语法和模式，从而提高生成代码和理解代码相关问题的能力。
• 数学：对数学文本的训练帮助模型学习逻辑推理、符号表示以及解答数学问题。
• 图像：广泛的图像范围使模型能够执行图像分析和视觉数据提取任务。

这些多样化数据源的组合对于训练一个能够处理各种不同任务和数据格式的强大多模态模型至关重要。

数据预处理

以下是应用于训练数据的关键数据清洗和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用了严格的CSAM（儿童性虐待材料）过滤，以确保排除有害和非法内容。
• 敏感数据过滤：为了使Gemma预训练模型安全可靠，我们使用自动化技术从训练集中过滤掉某些个人信息和其他敏感数据。
• 其他方法：根据我们的政策对内容质量和安全性进行过滤。

伦理与安全

随着开放模型成为企业基础设施的核心，溯源性和安全性变得至关重要。Gemma 4 由 Google DeepMind 开发，与我们的专有 Gemini 模型一样，经过了严格的安全评估。

评估方法

Gemma 4 模型是与内部安全和负责任 AI 团队合作开发的。我们进行了一系列自动化和人工评估，以帮助提升模型安全性。这些评估符合Google AI 原则以及安全政策，旨在防止我们的生成式 AI 模型生成有害内容，包括：

• 与儿童性虐待材料和剥削相关的内容
• 危险内容（例如，宣扬自杀，或指导可能造成现实世界伤害的活动）
• 露骨色情内容
• 仇恨言论（例如，对受保护群体成员进行非人化描述）
• 骚扰行为（例如，鼓励对他人实施暴力）

评估结果

在所有安全测试领域，我们看到所有类别的内容安全相较于之前的 Gemma 模型都有重大改进。总体而言，Gemma 4 模型在提升安全性方面显著优于 Gemma 3 和 3n 模型，同时保持较低的不当拒绝率。所有测试均在无安全过滤器的情况下进行，以评估模型的能力和行为。无论是文本到文本还是图像到文本，在所有模型尺寸上，该模型产生的政策违规行为都极少，并且相较于之前的 Gemma 模型表现出显著改进。

使用与限制

这些模型存在某些用户应注意的限制。

预期用途

多模态模型（能够处理视觉、语言和/或音频）在各个行业和领域都有广泛的应用。以下潜在用途列表并不全面。此列表旨在提供模型创建者在模型训练和开发过程中考虑的可能用例的背景信息。

• 内容创作与通信
  • 文本生成：这些模型可用于生成创意文本格式，如诗歌、剧本、代码、营销文案和电子邮件草稿。
  • 聊天机器人与对话式 AI：为客户服务、虚拟助手或交互式应用程序提供对话界面支持。
  • 文本摘要：生成文本语料库、研究论文或报告的简明摘要。
  • 图像数据提取：这些模型可用于提取、解释和总结视觉数据，以用于文本通信。
  • 音频处理与交互：较小的模型（E2B 和 E4B）能够分析和解释音频输入，实现语音驱动的交互和转录。
• 研究与教育
  • 自然语言处理（NLP）和视觉语言模型（VLM）研究：这些模型可以作为研究人员实验 VLM 和 NLP 技术、开发算法并为该领域发展做出贡献的基础。
  • 语言学习工具：支持交互式语言学习体验，帮助语法纠正或提供写作练习。
  • 知识探索：通过生成摘要或回答特定主题的问题，协助研究人员探索大量文本。

局限性

• 训练数据
  • 训练数据的质量和多样性对模型能力有显著影响。训练数据中的偏差或缺口可能会导致模型响应存在局限。
  • 训练数据集的范围决定了模型能够有效处理的主题领域。
• 上下文与任务复杂度
  • 模型在能够通过清晰提示和指令构建的任务上表现较好。开放式或高度复杂的任务可能具有挑战性。
  • 模型的性能会受到提供的上下文量的影响（通常上下文越长，输出效果越好，但存在一定限度）。
• 语言歧义与细微差别
  • 自然语言本质上具有复杂性。模型可能难以理解细微的语气差别、讽刺或比喻性语言。
• 事实准确性
  • 模型基于从训练数据集中学到的信息生成响应，但它们并非知识库。模型可能会生成不正确或过时的事实陈述。
• 常识
  • 模型依赖语言中的统计模式。在某些情况下，它们可能缺乏应用常识推理的能力。

伦理考量与风险

视觉语言模型（VLM）的发展引发了若干伦理问题。在开发开放模型时，我们仔细考虑了以下方面：

• 偏差与公平性
  • 在大规模真实世界文本和图像数据上训练的VLM可能会反映出训练材料中蕴含的社会文化偏差。Gemma 4模型经过了仔细审查、输入数据预处理和本卡片中报告的训练后评估，以帮助降低这些偏差带来的风险。
• 虚假信息与滥用
  • VLM可能被滥用来生成虚假、误导或有害的文本。
  • 本模型提供了负责任使用的指南，请参见负责任生成式AI工具包。
• 透明度与问责制
  • 本模型卡片总结了模型的架构、能力、局限性和评估流程等详细信息。
  • 负责任开发的开放模型通过向整个AI生态系统的开发者和研究人员开放VLM技术，提供了分享创新的机会。

已识别的风险及缓解措施：

• 有害内容生成：内容安全机制和指南至关重要。鼓励开发者谨慎行事，并根据其特定产品政策和应用用例实施适当的内容安全防护措施。
• 恶意目的滥用：技术限制以及对开发者和终端用户的教育有助于减轻VLM的恶意应用风险。我们提供了教育资源和供用户举报滥用行为的机制。
• 隐私侵犯：模型训练所用数据经过筛选，已移除某些个人信息和其他敏感数据。鼓励开发者采用隐私保护技术，遵守隐私法规。
• 偏差的持续存在：建议在模型训练、微调及其他使用场景中进行持续监控（使用评估指标、人工审核）并探索去偏差技术。

优势

在发布之时，与同等规模的模型相比，该系列模型提供了高性能的开放式视觉语言模型实现，这些实现是为负责任的 AI 开发从头设计的。