base_model:

• google/gemma-3-4b-it-qat-q4_0-unquantized license: gemma tags:
• gemma3
• unsloth
• gemma
• google pipeline_tag: image-text-to-text library_name: transformers 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

[!注意] 本仓库对应Gemma 3模型4B指令调优版本，采用量化感知训练(QAT)。

本仓库中的检查点未量化，请确保使用您喜欢的工具以Q4_0格式进行量化

得益于QAT技术，该模型在显著降低内存需求的同时，能保持与bfloat16相近的质量。

资源与技术文档:

• Gemma 3技术报告
• 负责任生成式AI工具包
• Kaggle上的Gemma
• Vertex Model Garden上的Gemma 3

使用条款: 条款

作者: Google DeepMind

模型信息

概述及输入输出的简要定义。

描述

Gemma是谷歌推出的一系列轻量级、前沿的开放模型，基于创建Gemini模型所用的相同研究和技术构建。Gemma 3是多模态模型，可处理文本和图像输入并生成文本输出，提供预训练变体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140多种语言，且提供比前代更多的尺寸选择。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。其相对较小的体积使其能够部署在资源有限的环境中，如笔记本电脑、台式机或自有云基础设施，从而普及前沿AI模型的访问，助力大众创新。

输入与输出

• 输入:

  • 文本字符串，如问题、提示或待摘要文档
  • 图像，归一化为896 x 896分辨率并编码为每张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

模型训练所用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集上训练。27B模型使用14万亿token训练，12B模型使用12万亿token，4B模型使用4万亿token，1B模型使用2万亿token。关键组成部分包括：

• 网络文档：多样化的网页文本确保模型接触广泛的文体、主题和词汇。训练数据集包含140多种语言的内容。
• 代码：让模型接触代码有助于学习编程语言的语法和模式，提升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、符号表示及解决数学查询。
• 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

训练数据应用了以下关键的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，使用自动化技术从训练集中过滤某些个人信息和其他敏感数据。
• 其他方法：根据我们的政策基于内容质量和安全性进行过滤。

实现信息

模型内部细节。

硬件

Gemma使用张量处理单元(TPU)硬件（TPUv4p、TPUv5p和TPUv5e）训练。训练视觉语言模型(VLM)需要大量计算能力。专为机器学习中常见矩阵运算设计的TPU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通常配备大容量高带宽内存，可处理训练期间的大模型和批量大小，从而提升模型质量。
• 可扩展性：TPU Pod（大型TPU集群）为处理大型基础模型日益增长的复杂性提供可扩展解决方案，可跨多个TPU设备分布训练以实现更高效处理。
• 成本效益：在许多场景中，考虑到因训练加速而节省的时间和资源，TPU相比基于CPU的基础设施能为大型模型训练提供更具成本效益的解决方案。
• 这些优势与谷歌的可持续运营承诺一致。

软件

训练使用JAX和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是谷歌最新构建能跨多任务泛化的人工智能系统的努力，特别适合包括此类大型语言模型在内的基础模型。

如关于Gemini模型家族的论文所述，JAX和ML Pathways共同使用；"Jax和Pathways的'单控制器'编程模型允许单个Python进程协调整个训练运行，极大简化了开发工作流程。"

评估

[!注意] 本节评估对应原始检查点，而非QAT检查点。

模型评估指标与结果。

基准测试结果

这些模型针对大量不同数据集和指标进行评估，涵盖文本生成的多个方面：

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。红队测试由多个团队执行，各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。
• 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、仇恨言论等。
• 表征性伤害：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、刻板印象及有害关联或不准确信息。

除开发级评估外，我们还进行"保证评估"，即我们为责任治理决策制定的'独立'内部评估。这些评估与模型开发团队分开进行，为发布决策提供信息。高层发现会反馈给模型团队，但提示集会被保留以防止过拟合并保持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，相比之前的Gemma模型，我们在儿童安全、内容安全和表征性伤害类别中看到了重大改进。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Gemma模型的表现有显著改进。我们评估的一个限制是仅包含英文提示。

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(VLM)在各行业和领域有广泛应用。以下潜在用途列表并不全面，旨在提供模型创建者在模型训练和开发过程中考虑的用例背景信息。

• 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用于文本沟通。
• 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，辅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能力。训练数据中的偏见或空白可能导致模型响应受限。
  • 训练数据集的范围决定了模型能有效处理的学科领域。
• 上下文与任务复杂性
  • 模型更擅长能用清晰提示和指令框定的任务。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，更长的上下文通常带来更好的输出）。
• 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差异、讽刺或比喻语言。
• 事实准确性
  • 模型基于训练数据集学习的信息生成响应，但它们不是知识库。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。在某些情况下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)的开发引发多项伦理问题。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，本卡中描述了输入数据预处理和后验评估。
• 错误信息与滥用
  • VLM可能被滥用于生成虚假、误导或有害的文本。
  • 随模型提供了负责任使用指南，参见负责任生成式AI工具包。
• 透明度与问责制：
  • 本模型卡总结了模型架构、能力、限制和评估流程的细节。
  • 负责任开发的开放模型通过使VLM技术对AI生态系统中的开发者和研究人员可访问，提供了分享创新的机会。

已识别的风险及缓解措施：

• 偏见的延续：鼓励持续监控（使用评估指标、人工审查）及在模型训练、微调和其他用例中探索去偏技术。
• 有害内容生成：内容安全机制和指南至关重要。鼓励开发者根据具体产品政策和应用场景谨慎行事并实施适当的内容安全防护措施。
• 恶意用途：技术限制及开发者和终端用户教育有助于缓解VLM的恶意应用。提供了教育资源及用户标记滥用的报告机制。Gemma禁止使用政策中概述了Gemma模型的禁止用途。
• 隐私侵犯：模型在过滤去除某些个人信息和其他敏感数据的数据上训练。鼓励开发者遵守隐私法规并采用隐私保护技术。

优势

在发布时，这一系列模型提供了高性能的开放视觉语言模型实现，相比同类尺寸模型，从设计之初就考虑了负责任AI开发。

使用本文档描述的基准评估指标，这些模型在性能上优于其他同类尺寸的开放模型替代方案。