license: gemma library_name: transformers pipeline_tag: image-text-to-text 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 base_model: google/gemma-3-27b-it

Gemma 3 27B 指令调优INT4版本

这是从Kaggle获取的QAT INT4 Flax检查点，已转换为HF+AWQ格式以便使用。AWQ未用于量化。您可以在本模型仓库中找到转换脚本convert_flax.py。

注意：这与官方发布的QAT INT4 GGUFs不同，官方版本见https://huggingface.co/collections/google/gemma-3-qat-67ee61ccacbf2be4195c265b

以下是来自https://huggingface.co/google/gemma-3-27b-it的原始模型卡片

Gemma 3 模型卡片

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

简要描述及输入输出的定义。

描述

Gemma是Google推出的一系列轻量级、先进的开放模型，基于创建Gemini模型的研究和技术构建。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，提供预训练和指令调优两种变体的开放权重。Gemma 3拥有128K的大上下文窗口，支持超过140种语言，且提供比之前版本更多的尺寸选择。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。其相对较小的尺寸使其能够在资源有限的环境中部署，如笔记本电脑、台式机或自有云基础设施，从而普及先进AI模型的访问，促进创新。

输入与输出

• 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分辨率并编码为每张256个token
  • 总输入上下文为128K token（4B、12B和27B尺寸），1B尺寸为32K token

• 输出:

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

使用方式

以下是一些快速运行模型的代码片段。首先，安装专为Gemma 3设计的Transformers库版本：

$ pip install git+https://github.com/huggingface/transformers@v4.49.0-Gemma-3

然后，根据您的用例复制相关代码段。

使用pipeline API运行

您可以通过pipeline初始化模型和处理器进行推理：

from transformers import pipeline
import torch

pipe = pipeline(
    "image-text-to-text",
    model="google/gemma-3-27b-it",
    device="cuda",
    torch_dtype=torch.bfloat16
)

对于指令调优模型，需要先使用聊天模板处理输入，然后传递给pipeline：

messages = [
    {
        "role": "system",
        "content": [{"type": "text", "text": "You are a helpful assistant."}]
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    }
]

output = pipe(text=messages, max_new_tokens=200)
print(output[0][0]["generated_text"][-1]["content"])
# Okay, let's take a look! 
# Based on the image, the animal on the candy is a **turtle**. 
# You can see the shell shape and the head and legs.

在单/多GPU上运行模型

# pip install accelerate

from transformers import AutoProcessor, Gemma3ForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/gemma-3-27b-it"

model = Gemma3ForConditionalGeneration.from_pretrained(
    model_id, device_map="auto"
).eval()

processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {
        "role": "system",
        "content": [{"type": "text", "text": "You are a helpful assistant."}]
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"},
            {"type": "text", "text": "Describe this image in detail."}
        ]
    }
]

inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

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

with torch.inference_mode():
    generation = model.generate(**inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]

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

# **Overall Impression:** The image is a close-up shot of a vibrant garden scene, 
# focusing on a cluster of pink cosmos flowers and a busy bumblebee. 
# It has a slightly soft, natural feel, likely captured in daylight.

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其处理方式。

训练数据集

这些模型在包含多种来源的文本数据集上训练。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。主要组成部分包括：

• 网络文档：多样化的网络文本确保模型接触广泛的语言风格、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学习编程语言的语法和模式，提高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。

这些多样化数据源的组合对于训练能够处理各种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某些个人信息和其他敏感数据。
• 其他方法：基于内容质量和安全性的过滤，符合[我们的政策][safety-policies]。

实现信息

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专为处理VLM训练中的大规模计算而设计，相比CPU可显著加速训练。
• 内存：TPU通常配备大量高带宽内存，可处理大型模型和批量训练，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的复杂性提供了可扩展的解决方案，可跨多个TPU设备分布训练以实现更高效的处理。
• 成本效益：在许多场景中，TPU相比基于CPU的基础设施提供了更具成本效益的解决方案，尤其是考虑到因训练速度加快而节省的时间和资源。
• 这些优势与[Google的可持续发展承诺][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Google最新构建能够跨多个任务泛化的人工智能系统的努力，特别适合包括这些大型语言模型在内的基础模型。

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：

推理与事实性

STEM与代码

多语言

多模态

伦理与安全

伦理和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。这些模型针对多个与伦理和安全相关的类别进行了评估，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、刻板印象和有害关联或不准确性。

除了开发级别的评估外，我们还进行“保证评估”，这是我们为责任治理决策进行的“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，与之前的Gemma模型相比，我们在儿童安全、内容安全和代表性危害类别中看到了重大改进。所有测试均在没有安全过滤器的情况下进行，以评估模型的能力和行为。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，并且在无根据推理方面表现出显著改进。我们评估的一个限制是仅包括英语提示。

使用与限制

这些模型存在一些用户应注意的限制。

预期用途

开放视觉语言模型（VLMs）在各行业和领域有广泛的应用。以下潜在用途列表