专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和应用落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！
昨晚，谷歌CEO Sundar Pichai宣布，开源最新多模态大模型Gemma-3，主打低成本高性能。
Gemma-3共有10亿、40亿、120亿和270亿四种参数。但即便最大的270亿参数，只需要一张H100就能高效推理，同类模型要达到这个效果最少要提升10倍算力，也是目前最强小参数模型。
根据盲测LMSYS ChatbotArena数据显示，Gemma-3仅次于DeepSeek的R1-671B，高于OpenAI的o3-mini，Llama3-405B等知名模型。
DeepSeek的R1是相当有排面，国内外发布高性能低成本模型时都得和它比较一下。其实，前几天阿里也开源了一个比肩R1，参数大降20倍的QwQ-32B模型。现在谷歌也要开始卷低成本模型了。
开源地址：https://huggingface.co/collections/google/gemma-3-release-67c6c6f89c4f76621268bb6d
Gemma-3架构与技术亮点
在架构设计上，Gemma-3采用了与前两代一样的通用解码器Transformer架构，但进行了众多创新和优化。
为了应对长上下文带来的内存爆炸难题，Gemma-3采用了局部和全局自注意力层交错的架构，每5个局部层之间插入1个全局层，局部层的跨度仅为1024个token。因为只有全局层负责处理长上下文，局部层仅关注1024个token的小跨度，从而降低了内存占用。
为了支持长上下文，Gemma-3模型将上下文长度扩展到了128Ktoken（10亿参数模型为32K）。模型提高了全局自注意力层的RoPE基础频率，从10k提升到1M，而局部层频率保持在10k。
同时，采用了类似位置插值的方法来扩展全局自注意力层的跨度，使模型在长上下文场景下能够更好地捕捉信息提升性能。
多模态能力是Gemma-3的一大技术亮点，能够同时处理文本和图像。还集成了定制版的SigLIP视觉编码器，这是一个基于VisionTransformer的编码器，通过CLIP损失的变体进行训练。
为了降低图像处理的推理成本，Gemma-3采用了创新的图像嵌入压缩技术，将视觉嵌入压缩为固定大小的256个向量，从而在不损失关键信息的前提下，显著减少了计算资源的消耗。
Gemma-3还引入了Pan&Scan方法，允许模型灵活处理不同分辨率和宽高比的图像。在实际应用中，Pan&Scan通过将图像分割成多个固定大小的区域，并将这些区域调整到统一的分辨率后输入编码器，从而避免了因图像尺寸不一致而导致的信息丢失或变形问题。这种灵活的图像处理方式不仅提高了模型对图像内容的理解能力，还使其在处理复杂图像场景时表现得更加出色。
高效训练过程
在预训练阶段，Gemma-3采用了与Gemma 2相似的方法并融入新的改进。为适应图像和文本混合数据的训练需求，模型使用了比Gemma 2更大的token预算。
270亿参数的模型训练使用14Ttoken，120亿参数模型使用12T，40亿参数模型使用4T，10亿参数模型使用2T。
同时，增加了多语言数据，包括单语和并行数据，并借鉴特定策略处理语言表示不平衡的问题，以此提升模型的语言覆盖范围和多语言处理能力。所以，Gemma-3支持140种语言，其中35种语言开箱即用。
Gemma-3使用与Gemini2.0相同的SentencePiece分词器，具备分割数字、保留空格和字节级编码的特性，生成的词汇表包含262k个条目，使得模型在处理非英语语言时更加平衡。
在训练优化上，Gemma-3运用知识蒸馏技术。每个token采样256个logits，按照教师概率进行加权，学生模型通过交叉熵损失来学习教师模型在这些样本中的分布。在这个过程中，对于未采样的logits，教师模型的目标分布被设为零概率并重新归一化，从而引导学生模型学习到更优的分布，提升模型的性能。
完成预训练后，Gemma-3进入后训练阶段，该阶段聚焦于提升模型的特定能力并整合新特性。后训练采用了改进版的知识蒸馏技术，从大型指令微调教师模型中获取知识，同时结合基于改进版BOND、WARM和WARP的强化学习微调阶段。
通过多种奖励函数来优化模型，这些奖励函数旨在提升模型的帮助性、数学能力、编码能力、推理能力、指令遵循能力和多语言能力，同时最小化模型产生有害输出的可能性。奖励来源包括从人类反馈数据训练的加权平均奖励模型、代码执行反馈以及解决数学问题的真实奖励等。
测试数据
为了测试Gemma-3的性能，谷歌在MGSM、Global-MMLU-Lite、WMT24++、RULER、MRCR等众多主流平台进行了评估。
结果显示，Gemma-3在多模态任务中表现出色，例如在DocVQA、InfoVQA和TextVQA等任务中，其性能显著优于前代模型。在长文本处理方面，Gemma-3的27B模型在RULER128K上达到了66.0%的准确率，展现了强大的长文本处理能力。
在多语言支持上，Gemma-3在MGSM和Global-MMLU-Lite等任务中也取得了优异成绩。在对话能力评估中，Gemma-3的27B指令调优版本在ChatbotArena中的Elo分数为1338，排名进入前10，接近DeepSeek-R1等大型模型。
（文：AIGC开放社区）