Gemma-3-4B-it

3 · 4B · Instruct · Rodzina: Gemma

Otwarty, dostrojony instrukcyjnie model multimodalny 4B od Google DeepMind. Wejście tekst+obraz, kontekst 128K, ponad 140 języków. Działa na laptopie. Licencja Gemma.

✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel multimodalnyLLM📁 Gemma

Okno kontekstowe

128K

tokenów

Parametry

parametrów

Max output

8192

tokenów

Data premiery

12 marca 2025

🏢Google DeepMindProducent 🏢GoogleProducent

Dostęp:DownloadHostedWdrożenie:💻 Lokalnie☁ Cloud📱 Na urządzeniu

Przegląd

Gemma-3-4B-it to dostrojony instrukcyjnie, multimodalny model wizyjno-językowy o 4 mld parametrów, opracowany przez Google DeepMind. Przyjmuje tekst oraz obrazy (normalizowane do 896×896 i kodowane jako 256 tokenów każdy) i generuje odpowiedzi tekstowe do 8192 tokenów.

Model obsługuje okno kontekstowe 128K tokenów oraz ponad 140 języków. Wytrenowano go na 4 bln tokenów (dokumenty webowe, kod, matematyka, obrazy) z rygorystycznym filtrowaniem danych wrażliwych, przy użyciu JAX i ML Pathways na sprzęcie TPU (TPUv4p/v5p/v5e).

Gemma-3-4B-it dobrze radzi sobie z odpowiadaniem na pytania, streszczaniem, rozumowaniem i rozumieniem obrazów; przykładowe wyniki to MMLU 59,6% (5-shot) i HumanEval 36,0% (0-shot). Zaprojektowano go do wdrożeń w środowiskach o ograniczonych zasobach (laptopy, prywatna chmura). Udostępniony na licencji Gemma (wymaga akceptacji warunków Google).

Klasyfikacja

Model multimodalnyLLM

Rodzina: Gemma

Dostęp i wdrożenie

PobieranieHostowane

LokalnieChmuraNa urządzeniu

Wagi: Open weights

Kluczowe parametry

📏 Kontekst: 128K

🧩 Parametry: 4B

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz

Specyfikacja techniczna

Okno kontekstowe

128K

tokenów

Parametry

parametrów

Max output tokens

8192

tokenów na odpowiedź

Licencja

Gemma

Wymagania sprzętowe

Zaprojektowany pod urządzenia o ograniczonych zasobach (laptop, prywatna chmura). Wejście obrazowe 896×896 → 256 tokenów.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

textimage

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Rozumienie multimodalne

Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.

Kategoria: multimodal

Rozumienie obrazu

Analiza i interpretacja treści obrazów.

Kategoria: vision

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Przestrzeganie instrukcji

Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.

Kategoria: language

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding