最低仅需2G显存，谷歌开源端侧模型刷新竞技场纪录，原生支持图像视频

抖音推荐 2025年06月27日 22:34 1 admin

谷歌开源模型，又上新了。

今天凌晨，谷歌正式官宣了Gemma 3n，原生支持文本、图像和音视频等多种模态。

在大模型竞技场中，Gemma 3n取得了1303分，成为了第一个超过1300分的10B以下模型。

Gemma 3n一共有5B（E2B）和8B（E4B）两种型号，但通过架构创新，其VRAM占用与2B和4B相当，最低只要2GB。

有网友表示，Gemma 3n能够用低内存占用实现这样的表现，对端侧设备意义重大。

目前，Gemma 3n已在谷歌AI Studio或Ollama、llama.cpp等第三方工具中可用，模型权重也可在Hugging Face上下载。

同时谷歌也公开了Gemma 3n的一些技术细节，接下来就一起来了解。

套娃式Transformer架构

在Gemma 3n的两种型号——E2B和E4B中，谷歌提出了“有效参数”的概念，这里的“E”指的就是effective（有效的）。

Gemma 3n的核心是MatFormer（Matryoshka Transformer）架构，这是一种专为弹性推理而构建的嵌套式Transformer结构。

它的结构就如同它的名字一样，像俄罗斯套娃（Matryoshka）——一个较大的模型当中，包含了自身更小、功能齐全的版本。

MatFormer将“俄罗斯套娃表征学习”的概念从单纯的嵌入扩展到所有Transformer组件。

在这种结构下，MatFormer在训练E4B模型时，可以同时优化E2B子模型。

为了根据特定硬件限制进行更精细的控制，谷歌还提出了Mix-n-Match方法，通过调整每层的前馈网络隐藏层维度（从 8192 到 16384）并选择性地跳过某些层，可以实现对E4B模型参数的切片，从而在E2B和E4B之间创建一系列自定义尺寸的模型。

针对这一功能，谷歌还会发布工具MatFormer Lab，用于检索最佳的模型配置。

Gemma 3n的E2B和E4B两个型号的原始参数量，分别是5B和8B，但消耗与2B和4B相当。这种低内存消耗设计，目的就是能够更好地适配端侧设备。

为此，Gemma 3n模型采用了逐层嵌入（PLE）技术，可显著提高模型质量，而不会增加内存占用。

PLE允许很大一部分参数（与每层相关的嵌入）在CPU上加载并高效计算，这样就只有核心Transformer权重需要存储在加速器内存（VRAM）中。

此外，为了缩短首个Token生成时间，以便更好处理长序列输入，Gemma 3n引入了KV缓存共享。

具体来说，Gemma 3n优化了模型预填充的处理方式，将来自局部和全局注意力机制的中间层的Key和Value直接与所有顶层共享，与Gemma 3-4B相比，预填充性能提升了2倍。

Gemma 3n原生支持图像、音视频等多种输入模态。

语音部分，Gemma 3n采用基于USM的高级音频编码器，USM会将每160毫秒的音频转化成一个Token，然后将其作为语言模型的输入进行集成。

它支持自动语音识别（ASR）和自动语音翻译（AST），可以直接在设备上实现高质量的语音-文本转录，还可将口语翻译成另一种语言的文本。

Gemma 3n的音频编码器在发布时已支持处理30秒的音频片段，但底层音频编码器是一个流式编码器，能够通过额外的长音频训练处理任意长度的音频。

视觉方面，Gemma 3n则采用了全新的高效视觉编码器MobileNet-V5-300M。

它支持在端侧处理256x256、512x512和768x768像素的分辨率，在Google Pixel上的处理速度达到了每秒60帧，并且在各种图像和视频理解任务中表现出色。

MobileNet-V5以MobileNet-V4为基础，但架构显著扩大，并采用混合深度金字塔模型，比最大的MobileNet-V4变体大10倍，同时还引入了一种新颖的多尺度融合VLM适配器。

针对MobileNet-V5背后的技术细节，谷歌后续还会发布技术报告，介绍模型架构、数据扩展策略以及背后的数据蒸馏技术。

参考链接：

https://developers.googleblog.com/en/introducing-gemma-3n-developer-guide/HuggingFace：

https://huggingface.co/collections/google/gemma-3n-685065323f5984ef315c93f4

本文来自微信公众号“量子位”，作者：克雷西，36氪经授权发布。

发表评论