license: gemma library_name: transformers pipeline_tag: text-generation extra_gated_heading: 访问Hugging Face上的Gemma extra_gated_prompt: >- 要访问Hugging Face上的Gemma，您需要审阅并同意Google的使用许可。为此，请确保您已登录Hugging Face并点击下方按钮。请求将立即处理。 extra_gated_button_content: 确认许可

Gemma 3模型卡

模型页面: Gemma

资源与技术文档:

• [Gemma 3技术报告][g3-tech-report]
• [负责任生成式AI工具包][rai-toolkit]
• [Kaggle上的Gemma][kaggle-gemma]
• [Vertex Model Garden上的Gemma][vertex-mg-gemma3]

使用条款: [条款][terms]

作者: Google DeepMind

模型信息

输入输出的简要说明和定义。

描述

Gemma是谷歌推出的一系列轻量级、先进的开放模型，基于与创建Gemini模型相同的研究和技术构建。Gemma 3模型是多模态的，能够处理文本和图像输入并生成文本输出，其预训练变体和指令调优变体的权重均为开放。Gemma 3拥有128K的大上下文窗口，支持超过140种语言的多语言处理，并且比之前的版本提供了更多尺寸选择。Gemma 3模型适用于多种文本生成和图像理解任务，包括问答、摘要和推理。其相对较小的体积使得它们可以在资源有限的环境中部署，如笔记本电脑、台式机或您自己的云基础设施，从而普及先进AI模型的访问，促进每个人的创新。

使用方式

以下是一些快速开始运行模型的代码片段。首先安装Transformers库。Gemma 3从transformers 4.50.0开始支持。

$ pip install -U transformers

然后，复制与您的用例相关的代码片段。

使用pipeline API运行

from transformers import pipeline
import torch

pipe = pipeline("text-generation", model="google/gemma-3-1b-pt", device="cuda", torch_dtype=torch.bfloat16)
output = pipe("埃菲尔铁塔位于", max_new_tokens=50)

在单/多GPU上运行模型

import torch
from transformers import AutoTokenizer, Gemma3ForCausalLM

ckpt = "google/gemma-3-1b-pt"
tokenizer = AutoTokenizer.from_pretrained(ckpt)
model = Gemma3ForCausalLM.from_pretrained(
    ckpt,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

prompt = "埃菲尔铁塔位于"
model_inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=50, do_sample=False)
    generation = generation[0][input_len:]

decoded = tokenizer.decode(generation, skip_special_tokens=True)
print(decoded)

输入和输出

• 输入:

  • 文本字符串，如问题、提示或待摘要的文档
  • 图像，归一化为896 x 896分辨率并编码为每个256个token
  • 4B、12B和27B尺寸的总输入上下文为128K token，1B尺寸为32K token

• 输出:

  • 根据输入生成的文本响应，如问题答案、图像内容分析或文档摘要
  • 总输出上下文为8192个token

引用

@article{gemma_2025,
    title={Gemma 3},
    url={https://goo.gle/Gemma3Report},
    publisher={Kaggle},
    author={Gemma Team},
    year={2025}
}

模型数据

用于模型训练的数据及数据处理方式。

训练数据集

这些模型在包含多种来源的文本数据上训练。27B模型训练使用了14万亿token，12B模型使用了12万亿token，4B模型使用了4万亿token，1B模型使用了2万亿token。关键组成部分包括：

• 网络文档：多样化的网络文本确保模型接触到广泛的语体、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学习编程语言的语法和模式，提高其生成代码和理解代码相关问题的能力。
• 数学：数学文本训练帮助模型学习逻辑推理、符号表示和解决数学查询。
• 图像：广泛的图像使模型能够执行图像分析和视觉数据提取任务。

这些多样数据源的组合对于训练一个强大的多模态模型至关重要，该模型能够处理各种不同的任务和数据格式。

数据预处理

以下是应用于训练数据的关键数据清理和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用严格的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：作为使Gemma预训练模型安全可靠的一部分，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][safety-policies]基于内容质量和安全性进行过滤。

实现信息

关于模型内部的详细信息。

硬件

Gemma使用[Tensor Processing Unit (TPU)][tpu]硬件（TPUv4p、TPUv5p和TPUv5e）训练。训练视觉语言模型(VLMs)需要大量计算能力。TPU专为机器学习中常见的矩阵运算设计，在此领域具有多项优势：

• 性能：TPU专门设计用于处理训练VLM涉及的大规模计算，相比CPU可显著加快训练速度。
• 内存：TPU通常配备大量高带宽内存，可在训练期间处理大模型和批量大小，从而提高模型质量。
• 可扩展性：TPU Pods（大型TPU集群）为处理大型基础模型日益增长的复杂性提供了可扩展的解决方案。您可以跨多个TPU设备分配训练以实现更快更高效的处理。
• 成本效益：在许多场景中，考虑到因更快训练而节省的时间和资源，TPU相比基于CPU的基础设施可以为训练大型模型提供更具成本效益的解决方案。
• 这些优势与[Google的可持续运营承诺][sustainability]一致。

软件

训练使用[JAX][jax]和[ML Pathways][ml-pathways]完成。

JAX允许研究人员利用包括TPU在内的最新硬件，更快更高效地训练大型模型。ML Pathways是谷歌最新努力构建能够跨多个任务泛化的人工智能系统。这特别适合基础模型，包括这些大型语言模型。

如[关于Gemini模型家族的论文][gemini-2-paper]所述，JAX和ML Pathways一起使用；"Jax和Pathways的'单一控制器'编程模型允许单个Python进程协调整个训练运行，极大地简化了开发工作流程。"

评估

模型评估指标和结果。

基准测试结果

这些模型针对大量不同的数据集和指标进行了评估，涵盖文本生成的各个方面：

推理和事实性

STEM和代码

多语言

多模态

伦理与安全

伦理与安全评估方法及结果。

评估方法

我们的评估方法包括结构化评估和相关内容政策的内部红队测试。红队测试由多个不同团队进行，每个团队有不同的目标和人工评估指标。这些模型针对与伦理和安全相关的多个类别进行了评估，包括：

• 儿童安全：评估涵盖儿童安全政策的文本到文本和图像到文本提示，包括儿童性虐待和剥削。
• 内容安全：评估涵盖安全政策的文本到文本和图像到文本提示，包括骚扰、暴力和血腥内容以及仇恨言论。
• 代表性危害：评估涵盖安全政策的文本到文本和图像到文本提示，包括偏见、刻板印象以及有害关联或不准确信息。

除了开发层面的评估外，我们还进行“保证评估”，这是我们为责任治理决策制定的“独立”内部评估。它们与模型开发团队分开进行，以告知发布决策。高级别发现反馈给模型团队，但提示集被保留以防止过拟合并保留结果为决策提供信息的能力。保证评估结果作为发布审查的一部分报告给我们的责任与安全委员会。

评估结果

在所有安全测试领域，我们看到在儿童安全、内容安全和代表性危害方面相比之前的Gemma模型有重大改进。所有测试均在无安全过滤器的情况下进行，以评估模型能力和行为。对于文本到文本和图像到文本，以及所有模型尺寸，模型产生的政策违规极少，并且在无根据推断方面相比之前的Gemma模型性能有显著改进。我们评估的一个限制是仅包括英语提示。

使用与限制

这些模型存在用户应注意的某些限制。

预期用途

开放视觉语言模型(VLMs)在各行业和领域有广泛应用。以下潜在用途列表并不全面。此列表的目的是提供模型创建者在模型训练和开发过程中考虑的可能的用例的背景信息。

• 内容创作与沟通
  • 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。
  • 聊天机器人和对话AI：为客服、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进行文本沟通。
• 研究与教育
  • 自然语言处理(NLP)和VLM研究：这些模型可作为研究人员实验VLM和NLP技术、开发算法并推动该领域进步的基础。
  • 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。

限制

• 训练数据
  • 训练数据的质量和多样性显著影响模型的能力。训练数据中的偏见或空白可能导致模型响应的限制。
  • 训练数据集的范围决定了模型可以有效处理的学科领域。
• 上下文与任务复杂性
  • 模型更擅长可以明确提示和指令框架的任务。开放式或高度复杂的任务可能具有挑战性。
  • 模型性能可能受提供的上下文量影响（在一定范围内，更长的上下文通常导致更好的输出）。
• 语言歧义与细微差别
  • 自然语言本质复杂。模型可能难以把握微妙的细微差别、讽刺或比喻语言。
• 事实准确性
  • 模型基于从训练数据集中学习的信息生成响应，但它们不是知识库。它们可能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。它们可能缺乏在某些情况下应用常识推理的能力。

伦理考虑与风险

视觉语言模型(VLMs)的开发引发了几项伦理问题。在创建开放模型时，我们仔细考虑了以下方面：

• 偏见与公平性
  • 在大规模真实世界文本和图像数据上训练的VLM可能反映训练材料中嵌入的社会文化偏见。这些模型经过仔细审查，输入数据预处理如本卡所述，并报告了后验评估。
• 错误信息与滥用
  • VLM可能被滥用以生成虚假、误导性或有害的文本。
  • 提供了负责任使用的指南