base_model: google/gemma-3-27b-it-qat-q4_0-unquantized language:

• en library_name: transformers license: gemma tags:
• unsloth
• transformers
• gemma3
• gemma
• google

查看我们的合集获取Gemma 3所有版本，包括GGUF、4位和16位格式。

阅读指南了解如何正确运行Gemma 3。

✨ 使用Unsloth微调Gemma 3！

• 免费使用我们的Google Colab笔记本微调Gemma 3（12B）！
• 阅读我们关于Gemma 3支持的博客：unsloth.ai/blog/gemma3
• 在我们的文档中查看其他笔记本。
• 将微调后的模型导出为GGUF、Ollama、llama.cpp或🤗HF格式。

Gemma 3 27B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AI工具包][rai-toolkit]
• [Kaggle上的Gemma][kaggle-gemma]
• [Vertex Model Garden上的Gemma 3][vertex-mg-gemma3]

使用条款: [条款][terms]

作者: Google DeepMind

模型信息

简要描述和输入输出的定义。

描述

Gemma是Google基于创建Gemini模型的研究和技术构建的一系列轻量级、先进的开放模型。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，并且比之前的版本提供更多尺寸选择。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。其相对较小的尺寸使得可以在资源有限的环境中部署，如笔记本电脑、台式机或自己的云基础设施，普及先进AI模型的访问，促进每个人的创新。

输入和输出

• 输入:

  • 文本字符串，如问题、提示或需要总结的文档
  • 图像，归一化为896 x 896分辨率并编码为每个256个token
  • 总输入上下文为128K tokens（4B、12B和27B尺寸），1B尺寸为32K tokens

• 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 tokens

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tokens，12B模型使用了12万亿tokens，4B模型使用了4万亿tokens，1B模型使用了2万亿tokens。以下是关键组成部分：

• 网络文档：多样化的网络文本确保模型接触到广泛的风格、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。

这些多样数据源的组合对于训练一个能够处理多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，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，在此领域具有以下优势：

• 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可以显著加速训练。
• 内存：TPU通常配备大量高带宽内存，可以处理大模型和训练批次大小，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解决方案。可以跨多个TPU设备分发训练以实现更快更高效的处理。
• 成本效益：在许多情况下，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，特别是考虑到由于更快训练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构建能够跨多个任务泛化的人工智能系统的最新努力，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系列模型的论文][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进程编排整个训练运行，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，涵盖文本生成的不同方面：

推理和事实性

STEM和代码