Gemma 4 技术报告
Gemma 4 是 Gemma 系列的新一代开源多模态语言模型,采用密集和混合专家架构,参数规模从 2.3B 到 31B。该模型集成了改进的视觉和音频编码器,其中 12B 模型采用统一的无编码器架构,可直接处理原始音频和图像块。此外,Gemma 4 引入了思考模式,能在响应前生成推理轨迹,并在推理速度、内存和计算效率以及长上下文能力方面有所提升。在 STEM、多模态和长上下文基准测试中表现优异,可与更大的前沿开放模型相媲美。
Gemma 4 是 Google 旗下 Gemma 系列的最新成员,代表新一代开源权重、原生多模态语言模型。该技术报告于 2026 年 7 月 2 日提交至 arXiv,由 Gemma 团队(包括 Sherif El Abd 等 300 位作者)完成,共 17 页、2 幅图。报告详细介绍了模型架构、训练策略和性能表现,展示了 Gemma 4 在计算效率和推理能力上的重大进步。
Gemma 4 模型套件涵盖了从 2.3B 到 31B 参数的不同规模,包括密集(dense)和混合专家(Mixture-of-Experts, MoE)两种架构。这种多样性旨在兼顾计算效率与推理能力,为不同应用场景提供灵活选择。所有尺寸的模型均配备了改进的视觉和音频编码器,能够更有效地处理多模态输入。特别值得注意的是,12B 参数模型采用了一种统一的无编码器架构,能够直接处理原始音频和图像块,无需单独的编码器模块。这种设计简化了模型结构,可能带来更高效的推理。
一个关键的创新是集成了“思考模式”(thinking mode)。该模式允许模型在生成最终响应之前,先产生一系列推理轨迹。这种机制有助于提高复杂问题的推理准确性,使模型能够进行更深入的思考,类似于人类在作答前的推理过程。
在工程优化方面,Gemma 4 通过关键设计选择提升了推理速度、内存占用和计算效率,同时扩展了长上下文处理能力。这些改进使得模型能够更高效地处理大规模数据,适用于需要长距离依赖的任务。具体来说,模型在推理时采用了更优的缓存机制和注意力算法,从而在保持性能的同时降低资源消耗。
性能上,Gemma 4 在 STEM(科学、技术、工程和数学)领域、多模态任务以及长上下文基准测试中均取得了显著进步。报告指出,该模型在人工评估任务中与更大的前沿开放模型不相上下,展现了其强大的竞争力。例如,在数学推理、代码生成和图像理解等任务上,Gemma 4 达到了与更大模型相当的水平,这表明其架构设计和训练策略的有效性。
这一技术报告的发布为开放模型社区提供了重要的技术参考,有望推动多模态 AI 研究的发展。Gemma 4 的多种尺寸和架构选择,加上其突出的性能,使其成为研究人员和工程师的有力工具。