作者 / 資深開發(fā)者關(guān)系工程師 Omar Sanseviero;開發(fā)者關(guān)系工程師 Philipp Schmid

自首次推出以來(lái)，Gemma 模型的下載量已超過(guò) 1 億次，社區(qū)為各種用例創(chuàng)建了超過(guò) 60,000 個(gè)變體1。我們很高興推出 Gemma 3，這是 Gemma 開放模型系列中最強(qiáng)大、最先進(jìn)的版本，建立在之前成功推出的 Gemma 版本之上。我們聽(tīng)取了社區(qū)反饋，并添加了最受歡迎的功能，例如更長(zhǎng)的上下文、多模態(tài)支持等等!

Gemma 有哪些新功能?

Gemma 3 中引入了多模態(tài)功能，支持視覺(jué)語(yǔ)言輸入和文本輸出。它處理的上下文窗口最多可達(dá) 128k tokens，理解超過(guò) 140 種語(yǔ)言，并提供經(jīng)過(guò)改進(jìn)的數(shù)學(xué)、推理和聊天能力，包括結(jié)構(gòu)化輸出和函數(shù)調(diào)用。Gemma 3 提供四種規(guī)格 (1B、4B、12B 和 27B)，既有可針對(duì)您自己的用例和領(lǐng)域進(jìn)行微調(diào)的預(yù)訓(xùn)練模型，也有通用指令調(diào)優(yōu)版本。

Gemma 是如何構(gòu)建的?

Gemma 組合運(yùn)用蒸餾、強(qiáng)化學(xué)習(xí)和模型合并等技術(shù)，優(yōu)化了預(yù)訓(xùn)練和后訓(xùn)練流程。這種方法提高了其在數(shù)學(xué)、編碼和指令遵循方面的性能。Gemma 3 使用了新的分詞器，以更好地支持 140 多種語(yǔ)言，并在 Google TPU 上使用 JAX 框架進(jìn)行了訓(xùn)練，數(shù)據(jù)量分別為：1B 模型 2T tokens，4B 模型 4T tokens，12B 模型 12T tokens，以及 27B 模型 14T tokens。

對(duì)于后訓(xùn)練流程，Gemma 3 使用 4 個(gè)組件：

從較大的 INSTRUCT 模型蒸餾到 Gemma 3 預(yù)訓(xùn)練檢查點(diǎn)。

從人類反饋 (RLHF) 中強(qiáng)化學(xué)習(xí)，以使模型預(yù)測(cè)與人類偏好保持一致。

從機(jī)器反饋 (RLMF) 中強(qiáng)化學(xué)習(xí)，以增強(qiáng)數(shù)學(xué)推理。

從執(zhí)行反饋 (RLEF) 中強(qiáng)化學(xué)習(xí)，以提升編碼能力。

這些更新顯著改善了模型的數(shù)學(xué)、編碼和指令遵循能力，使其成為 LMArena 中最優(yōu)秀的開源緊湊模型，得分為 1,338。

Gemma 3 的指令版本沿用與 Gemma 2 相同的對(duì)話格式，因此您無(wú)需更新工具即可更新到最新版本以進(jìn)行純文本輸入。對(duì)于圖像輸入，Gemma 3 允許指定與文本交錯(cuò)的圖像。

多輪文本示例

user
knock knock
model
who is there
user
Gemma
model
Gemma who?

交錯(cuò)圖像示例

user
Image A:
Image B:
Label A: water lily
Label B:
model
Desert rote

多模態(tài)性

Gemma 3 集成了基于 SigLIP 的視覺(jué)編碼器。Gemma 3 視覺(jué)模型在訓(xùn)練期間保持凍結(jié)狀態(tài)，并且在不同規(guī)格 (4B、12B 和 27B) 的模型中都是相同的。因此，Gemma 可以使用圖像和視頻作為輸入，從而分析圖像、回答有關(guān)圖像的問(wèn)題、比較圖像、識(shí)別物體，甚至回復(fù)圖像中的文本。雖然該模型最初是為處理 896x896 像素的圖像而創(chuàng)建的，但由于使用了一種新的自適應(yīng)窗口算法來(lái)分割輸入圖像，Gemma 3 現(xiàn)在能夠處理高分辨率和非方形圖像。

△ 輸出：根據(jù)圖像，可能會(huì)打開加熱功能的按鈕是暖房 (Danbou)。在日語(yǔ)中，"暖房" 意為 "加熱"。您可以按下該按鈕來(lái)激活空調(diào)/溫度控制系統(tǒng)的加熱功能。帶有加號(hào) (+) 的按鈕可能會(huì)在您選擇加熱模式后用來(lái)調(diào)節(jié)溫度。

ShieldGemma 2

ShieldGemma 2 是基于 Gemma 3 構(gòu)建的 4B 圖像安全分類器。它針對(duì)各個(gè)關(guān)鍵安全類別輸出標(biāo)簽，以安全審核合成圖像 (來(lái)自圖像生成模型) 和自然圖像 (可作為諸如 Gemma 3 等視覺(jué)語(yǔ)言模型的輸入過(guò)濾器)。了解有關(guān) ShieldGemma 2 的更多信息。

您要開發(fā)哪些應(yīng)用?

Gemma 社區(qū)的創(chuàng)造力和 Gemmaverse 的爆發(fā)式增長(zhǎng)，正不斷給我們帶來(lái)驚喜。從研究實(shí)驗(yàn)室探索創(chuàng)新微調(diào)技術(shù)的實(shí)踐，到開發(fā)者用全新模態(tài)訓(xùn)練 Gemma，我們熱切期待看到您的下一個(gè)突破。普林斯頓 NLP 開發(fā)的 SimPO 方法，該方法在沒(méi)有參考模型的情況下直接針對(duì)人類偏好進(jìn)行優(yōu)化，是實(shí)驗(yàn)室創(chuàng)新微調(diào)的典型案例;另一例子是 INSAIT 針對(duì)保加利亞語(yǔ)訓(xùn)練出最先進(jìn)的大語(yǔ)言模型。而 Nexa 在 OmniAudio 上的嘗試為開發(fā)者使用全新模態(tài)訓(xùn)練 Gemma 提供了典型案例。我們迫不及待地想看看您接下來(lái)會(huì)取得哪些突破。

Gemma 3 快速入門指南

準(zhǔn)備好探索 Gemma 3 的潛力了嗎?下面是操作步驟：

直接體驗(yàn)：只需點(diǎn)擊幾下，即可在 Google AI Studio 中試用 Gemma 3。

下載模型：在 Hugging Face 和 Kaggle 上查找模型權(quán)重。

學(xué)習(xí)并整合：深入了解我們的技術(shù)報(bào)告和全面的文檔，以快速將 Gemma 集成到您的項(xiàng)目中;您也可以從我們的推理指南開始體驗(yàn)，或嘗試使用自定義數(shù)據(jù)集進(jìn)行微調(diào)。

使用您喜歡的開發(fā)工具：運(yùn)用您偏好的工具和框架，包括 Hugging Face Transformers、Ollama、我們的新 Gemma JAX 庫(kù)、MaxText、LiteRTGemma.cpp、llama.cpp 和 Unsloth。

靈活部署：Gemma 3 提供多種部署選項(xiàng)，包括 Google GenAI API、Vertex AI、Cloud Run、Cloud TPU、Cloud GPU 以及跨平臺(tái)集成，讓您靈活選擇最適合自身用例的方案。