---

base_model:

• google/gemma-3-270m-it license: gemma tags:
• gemma3
• unsloth
• gemma
• google pipeline_tag: text-generation library_name: transformers

---

Gemma 3 模型卡片

模型页面：Gemma

资源与技术文档：

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

使用条款：条款

作者：Google DeepMind

模型信息

输入和输出的概要描述及简要定义。

描述

Gemma 是 Google 推出的一系列轻量级、最先进的开放模型，其构建所依据的研究和技术与创建 Gemini 模型时所用的相同。Gemma 3 模型具备多模态能力，可处理文本和图像输入并生成文本输出，同时提供预训练变体和指令微调变体的开放权重。Gemma 3 拥有 128K 的超大上下文窗口，支持超过 140 种语言的多语言能力，并且提供的尺寸比之前版本更多。Gemma 3 模型非常适合各种文本生成和图像理解任务，包括问答、摘要和推理。其相对较小的模型尺寸使其能够部署在资源有限的环境中，如笔记本电脑、台式机或您自己的云基础设施，从而普及对最先进 AI 模型的访问，助力为所有人推动创新。

输入和输出

• 输入：

  • 文本字符串，例如问题、提示词或需总结的文档
  • 图像，针对4B、12B和27B规格，需归一化至896 x 896分辨率并编码为256个token
  • 总输入上下文：4B、12B和27B规格为128K token，1B和270M规格为32K token

• 输出：

  • 针对输入生成的文本，例如问题答案、图像内容分析或文档摘要
  • 每次请求的总输出上下文：4B、12B和27B规格最高为128K token，1B和270M规格为32K token（需减去请求输入token数）

引用

@article{gemma_2025,
    title={Gemma 3},
    url={https://arxiv.org/abs/2503.19786},
    publisher={Google DeepMind},
    author={Gemma Team},
    year={2025}
}

模型数据

用于模型训练的数据以及数据的处理方式。

训练数据集

这些模型是在一个包含多种来源的文本数据集上进行训练的。27B模型的训练使用了14万亿个token，12B模型使用了12万亿个token，4B模型使用了4万亿个token，1B模型使用了2万亿个token，而270M模型则使用了6万亿个token。训练数据的知识截止日期为2024年8月。以下是关键组成部分：

• 网络文档：多样化的网络文本集合确保模型能够接触到广泛的语言风格、主题和词汇。训练数据集涵盖了超过140种语言的内容。
• 代码：让模型接触代码有助于其学习编程语言的语法和模式，从而提高其生成代码和理解代码相关问题的能力。
• 数学：在数学文本上进行训练有助于模型学习逻辑推理、符号表示，并能够处理数学查询。
• 图像：大量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一个能够处理各种不同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洗和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用了严格的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：为了使Gemma预训练模型安全可靠，我们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：根据我们的政策对内容质量和安全性进行过滤。

实现信息

模型内部的详细说明。

硬件

Gemma 是使用 Tensor Processing Unit (TPU) 硬件（TPUv4p、TPUv5p 和 TPUv5e）进行训练的。训练视觉语言模型（VLMS）需要强大的计算能力。TPU 专为机器学习中常见的矩阵运算而设计，在该领域具有多项优势：

• 性能：TPU 专为处理训练 VLM 时涉及的海量计算而设计。与 CPU 相比，它们可以显著加快训练速度。
• 内存：TPU 通常配备大量高带宽内存，能够在训练期间处理大型模型和批量大小。这有助于提升模型质量。
• 可扩展性：TPU Pods（大型 TPU 集群）为处理日益复杂的大型基础模型提供了可扩展的解决方案。您可以在多个 TPU 设备间分配训练任务，以实现更快、更高效的处理。
• 成本效益：在许多情况下，与基于 CPU 的基础设施相比，TPU 可以为大型模型训练提供更具成本效益的解决方案，尤其是考虑到更快的训练速度所节省的时间和资源时。
• 这些优势与 Google 对可持续运营的承诺 保持一致。

软件

训练使用了 JAX 和 ML Pathways。

JAX 使研究人员能够利用最新一代硬件（包括 TPU），更快、更高效地训练大型模型。ML Pathways 是 Google 为构建能够跨多个任务进行泛化的人工智能系统所做的最新努力。这特别适用于基础模型，包括此类大型语言模型。

正如 关于 Gemini 系列模型的论文 中所述，JAX 和 ML Pathways 协同工作：“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

模型评估指标与结果。

基准测试结果

为全面评估文本生成的各个方面，我们使用了大量不同的数据集和指标对这些模型进行了评估。标记为 IT 的评估结果对应指令微调模型，标记为 PT 的评估结果对应预训练模型。

Gemma 3 270M

基准测试	n-shot	Gemma 3 PT 270M
HellaSwag	10-shot	40.9
BoolQ	0-shot	61.4
PIQA	0-shot	67.7
TriviaQA	5-shot	15.4
ARC-c	25-shot	29.0
ARC-e	0-shot	57.7
WinoGrande	5-shot	52.0

基准测试	n-shot	Gemma 3 IT 270m
HellaSwag	0-shot	37.7
PIQA	0-shot	66.2
ARC-c	0-shot	28.2
WinoGrande	0-shot	52.3
BIG-Bench Hard	few-shot	26.7
IF Eval	0-shot	51.2

Gemma 3 1B、4B、12B 和 27B

推理与事实性

基准测试	n-shot	Gemma 3 IT 1B	Gemma 3 IT 4B	Gemma 3 IT 12B	Gemma 3 IT 27B
GPQA Diamond	0-shot	19.2	30.8	40.9	42.4
SimpleQA	0-shot	2.2	4.0	6.3	10.0
FACTS Grounding	-	36.4	70.1	75.8	74.9
BIG-Bench Hard	0-shot	39.1	72.2	85.7	87.6
BIG-Bench Extra Hard	0-shot	7.2	11.0	16.3	19.3
IFEval	0-shot	80.2	90.2	88.9	90.4

基准测试	n-shot	Gemma 3 PT 1B	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
HellaSwag	10-shot	62.3	77.2	84.2	85.6
BoolQ	0-shot	63.2	72.3	78.8	82.4
PIQA	0-shot	73.8	79.6	81.8	83.3
SocialIQA	0-shot	48.9	51.9	53.4	54.9
TriviaQA	5-shot	39.8	65.8	78.2	85.5
Natural Questions	5-shot	9.48	20.0	31.4	36.1
ARC-c	25-shot	38.4	56.2	68.9	70.6
ARC-e	0-shot	73.0	82.4	88.3	89.0
WinoGrande	5-shot	58.2	64.7	74.3	78.8
BIG-Bench Hard	few-shot	28.4	50.9	72.6	77.7
DROP	1-shot	42.4	60.1	72.2	77.2

科学、技术、工程、数学（STEM）与代码

基准测试	n-shot	Gemma 3 IT 1B	Gemma 3 IT 4B	Gemma 3 IT 12B	Gemma 3 IT 27B
MMLU (Pro)	0-shot	14.7	43.6	60.6	67.5
LiveCodeBench	0-shot	1.9	12.6	24.6	29.7
Bird-SQL (dev)	-	6.4	36.3	47.9	54.4
Math	0-shot	48.0	75.6	83.8	89.0
HiddenMath	0-shot	15.8	43.0	54.5	60.3
MBPP	3-shot	35.2	63.2	73.0	74.4
HumanEval	0-shot	41.5	71.3	85.4	87.8
Natural2Code	0-shot	56.0	70.3	80.7	84.5
GSM8K	0-shot	62.8	89.2	94.4	95.9

基准测试	n-shot	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
MMLU	5-shot	59.6	74.5	78.6
MMLU (Pro COT)	5-shot	29.2	45.3	52.2
AGIEval	3-5-shot	42.1	57.4	66.2
MATH	4-shot	24.2	43.3	50.0
GSM8K	8-shot	38.4	71.0	82.6
GPQA	5-shot	15.0	25.4	24.3
MBPP	3-shot	46.0	60.4	65.6
HumanEval	0-shot	36.0	45.7	48.8

多语言能力

基准测试	n-shot	Gemma 3 IT 1B	Gemma 3 IT 4B	Gemma 3 IT 12B	Gemma 3 IT 27B
Global-MMLU-Lite	0-shot	34.2	54.5	69.5	75.1
ECLeKTic	0-shot	1.4	4.6	10.3	16.7
WMT24++	0-shot	35.9	46.8	51.6	53.4

基准测试	Gemma 3 PT 1B	Gemma 3 PT 4B	Gemma 3 PT 12B	Gemma 3 PT 27B
MGSM	2.04	34.7	64.3	74.3
Global-MMLU-Lite	24.9	57.0	69.4	75.7
WMT24++ (ChrF)	36.7	48.4	53.9	55.7
FloRes	29.5	39.2	46.0	48.8
XQuAD (all)	43.9	68.0	74.5	76.8
ECLeKTic	4.69	11.0	17.2	24.4
IndicGenBench	41.4	57.2	61.7	63.4

多模态能力

基准测试	Gemma 3 IT 4B	Gemma 3 IT 12B	Gemma 3 IT 27B
[MMMU][mmmu] (val)	48.8	59.6	64.9
[DocVQA][docvqa]	75.8

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针对相关内容政策的内部红队测试。红队测试由多个不同团队执行，每个团队都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、暴力与血腥内容以及仇恨言论。
• 代表性伤害：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、刻板印象以及有害关联或不准确信息。

除了开发阶段的评估外，我们还进行“保证性评估”，这是我们用于责任治理决策的“独立”内部评估。此类评估由模型开发团队以外的人员单独进行，为发布决策提供信息。评估的主要发现会反馈给模型团队，但提示集将被保留，以防止过度拟合并确保评估结果能够有效支持决策制定。保证性评估结果会报告给我们的责任与安全委员会，作为发布审查的一部分。

评估结果

在所有安全测试领域，我们观察到与之前的Gemma模型相比，在儿童安全、内容安全和代表性伤害等类别上有显著改进。所有测试均在未启用安全过滤器的情况下进行，以评估模型的能力和行为。无论是文本到文本还是图像到文本任务，以及在所有模型尺寸上，该模型产生的政策违规行为极少，并且在无根据推断方面比之前的Gemma模型表现出显著改进。我们评估的一个局限性是仅包含了英语提示。

使用方式与局限性

这些模型存在一些用户需要注意的局限性。

预期用途

开放式视觉语言模型（VLMs）在各个行业和领域都有着广泛的应用。以下潜在用途列表并非全部内容。此列表旨在提供模型创建者在模型训练和开发过程中所考虑的可能用例的背景信息。

• 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，例如诗歌、剧本、代码、营销文案和电子邮件草稿。
  • 聊天机器人与对话式AI：为客户服务、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：这些模型可用于为文本通信提取、解释和总结视觉数据。
• 研究与教育
  • 自然语言处理（NLP）和VLM研究：这些模型可以作为研究人员实验VLM和NLP技术、开发算法并为该领域发展做出贡献的基础。
  • 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的问题，协助研究人员探索大量文本。

局限性

• 训练数据
  • 训练数据的质量和多样性显著影响模型的能力。训练数据中的偏差或缺口可能导致模型响应存在局限性。
  • 训练数据集的范围决定了模型能够有效处理的主题领域。
• 上下文与任务复杂性
  • 模型更擅长处理那些可以通过清晰提示和指令来构建的任务。开放式或高度复杂的任务可能具有挑战性。
  • 模型的性能可能会受到所提供上下文数量的影响（通常，上下文越长，输出效果越好，但会达到一个临界点）。
• 语言歧义与细微差别
  • 自然语言本质上是复杂的。模型可能难以把握微妙的细微差别、讽刺或比喻性语言。
• 事实准确性
  • 模型基于从训练数据集中学到的信息生成响应，但它们并非知识库。它们可能会生成不正确或过时的事实陈述。
• 常识
  • 模型依赖于语言中的统计模式。在某些情况下，它们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）的发展引发了若干伦理方面的担忧。在开发开放模型的过程中，我们仔细考量了以下几点：

• 偏见与公平性
  • 基于大规模真实世界文本和图像数据训练的VLM可能会反映出训练材料中蕴含的社会文化偏见。这些模型经过了仔细审查，本卡片中描述了输入数据的预处理过程，并报告了后续评估结果。
• 虚假信息与滥用
  • VLM可能被滥用来生成虚假、误导性或有害的文本。
  • 本模型提供了负责任使用的指南，详见负责任生成式AI工具包。
• 透明度与可问责性
  • 本模型卡片总结了模型架构、能力、局限性和评估流程等方面的详细信息。
  • 一个负责任开发的开放模型通过向AI生态系统中的开发者和研究人员开放VLM技术，为分享创新成果提供了机会。

已识别的风险及缓解措施：

• 偏见的持续存在：建议在模型训练、微调及其他使用场景中进行持续监控（使用评估指标、人工审核）并探索去偏技术。
• 有害内容的生成：内容安全机制和指南至关重要。鼓励开发者保持谨慎，并根据其具体产品政策和应用使用场景，实施适当的内容安全防护措施。
• 用于恶意目的的滥用：技术限制以及对开发者和最终用户的教育有助于减轻VLM的恶意应用。我们提供了教育资源和供用户举报滥用行为的报告机制。Gemma模型的禁止使用情形在Gemma禁止使用政策中列出。
• 隐私侵犯：模型训练数据经过筛选，已移除某些个人信息和其他敏感数据。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，与同等规模的模型相比，该系列模型提供了高性能的开放式视觉语言模型实现，这些实现从设计之初就致力于负责任的AI开发。

通过本文档中描述的基准评估指标，这些模型已展现出相较于其他同等规模开放式替代模型的卓越性能。