深入了解 Gemma 3n：创新的设备端 AI 模型

Google 2025-07-21 18:40 北京

Gemma 3n 全面发布！欢迎您阅读本文，了解如何发挥出 Gemma 3n 的全部潜能，更轻松地针对特定的设备端应用进行微调和部署。

作者 / 资深开发者关系工程师 Omar Sanseviero 和高级开发者关系工程师 Ian Ballantyne

从第一个 Gemma 模型于去年年初推出以来，已逐渐发展为生机勃勃的 Gemmaverse 生态系统，累计下载量突破 1.6 亿。这个生态系统包括十余款专业模型系列，涵盖从安全防护到医疗应用的各领域。其中，最令人振奋的是来自社区的无数创新。从像 Roboflow 这样的创新者构建的企业级计算机视觉，到东京科学研究所创建的高性能日语 Gemma 变体，各位的作品为我们指明了未来的发展路径。

🔗 Gemmaverse

https://deepmind.google/models/gemma/gemmaverse/

🔗 Roboflow

https://deepmind.google/models/gemma/gemmaverse/roboflow/

🔗 东京科学研究所

https://deepmind.google/models/gemma/gemmaverse/gemma-2-llama-swallow/

乘此发展势头，我们宣布 Gemma 3n 现已全面发布。虽然预览版已先行展示了一些功能，但这一移动设备优先的架构现在能够发挥出全部的潜能。Gemma 3n 为帮助塑造了 Gemma 的开发者社区而生。包括 Hugging Face Transformers、llama.cpp、Google AI Edge、Ollama 和 MLX 在内，您熟悉和惯用的多种工具都支持该模型，让您能轻松针对特定的设备端应用进行微调和部署。本篇文章将以开发者视角深入探索，介绍 Gemma 3n 背后的一些创新，分享新的基准测试结果，并向您展示如何立即开始构建。

Gemma 3n 的新功能

Gemma 3n 代表了设备端 AI 的重大进步，为边缘设备带来了强大的多模态功能；过去，这些性能仅在去年基于云端的一些前沿模型中有所展现。

多模态设计：Gemma 3n 原生支持图像、音频、视频和文本输入以及文本输出。

针对设备端优化：Gemma 3n 模型的设计以效率为重点，基于有效参数提供两种尺寸：E2B 和 E4B。虽然其原始参数数量分别为 5B 和 8B，但凭借架构创新，它们能够以媲美传统 2B 和 4B 模型的内存占用运行，E2B 仅需 2GB 内存、E4B 仅需 3GB 内存即可运行。

突破性架构：Gemma 3n 的核心特征包括新颖的组件，如用于计算灵活性的 MatFormer 架构、用于内存效率的逐层嵌入 (PLE)、用于架构效率的 LAuReL 和 AltUp，以及针对设备端用例优化的全新音频编码器和基于 MobileNet-v5 的视觉编码器。

改进的质量：Gemma 3n 在多语言 (支持 140 种语言的文本和 35 种语言的多模态理解)、数学、编码和推理方面的质量均有提升。E4B 版本的 LMArena 得分超过 1,300，是首个达到该基准且参数低于 100 亿的模型。

🔗 有效

https://developers.googleblog.com/zh-hans/introducing-gemma-3n-developer-guide/

要实现这种设备端性能的飞跃，需要从零开始，对模型进行颠覆性的重新构思和设计，其基础是 Gemma 3n 独特的移动设备优先架构，而这一切都源于 MatFormer。

MatFormer：一个模型，多种尺寸

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新型嵌套式 Transformer。您可以把它想象成俄罗斯套娃：一个更大的模型包含着更小、功能齐全的自身版本。这种方法将 Matryoshka 表征学习的概念从嵌入层扩展到所有 Transformer 组件。

🔗 MatFormer

https://arxiv.org/abs/2310.07707

🔗 Matryoshka 表征学习

https://huggingface.co/papers/2205.13147

如上图所示，在对 4B 有效参数 (E4B) 模型进行 MatFormer 训练期间，2B 有效参数 (E2B) 子模型在其内部同时得到优化。这在当下为开发者提供了两种强大的功能和用例：

预提取的模型：您可以直接下载并使用主 E4B 模型以获得最高级的功能，也可以使用我们已经为您提取的独立 E2B 子模型，获得主模型 2 倍的推理速度。

使用混合匹配 (Mix-n-Match) 自定义调整尺寸：为了更精细地控制以适应特定的硬件限制，您可以使用我们称之为 "混合匹配" 的方法，创建介于 E2B 和 E4B 之间的各种自定义尺寸模型。此技术允许您精确切分 E4B 模型的参数，主要是通过调整每层前馈网络隐藏维度 (从 8,192 到 16,384) 并选择性地跳过某些层来实现。我们即将发布 MatFormer Lab，该工具可演示如何检索这些最优模型，这些模型是在 MMLU 等基准测试中通过评估多种配置组合而筛选出来的。

△ 不同模型尺寸的预训练 Gemma 3n 检查点的 MMLU 分数 (使用混合匹配)

🔗 MatFormer Lab

https://goo.gle/gemma3n-matformer-lab

展望未来，MatFormer 架构也为弹性执行铺平了道路。虽然这项能力并非本次发布实现的一部分，但它允许单个部署的 E4B 模型在 E4B 和 E2B 推理路径之间动态切换，从而根据当前任务和设备负载，实时优化性能和内存用量。

逐层嵌入 (PLE)：解锁更高的内存效率

Gemma 3n 模型包含逐层嵌入 (PLE)。这项创新专为设备端部署量身定制，它在不增加设备加速器 (GPU/TPU) 所需的高速内存占用量的情况下，显著提升了模型质量。

虽然 Gemma 3n E2B 和 E4B 模型的总参数量分别为 5B 和 8B，但逐层嵌入 (PLE) 技术却能让这些参数中的很大一部分 (即与各层相关的嵌入)，在 CPU 上高效地加载和计算。这意味着通常在更为受限的加速器内存 (VRAM) 中，只需加载核心 Transformer 权重 (E2B 约为 2B，E4B 约为 4B)。

△ 使用逐层嵌入，您可以在加速器中仅加载约 2B 参数的情况下使用 Gemma 3n E2B

KV 缓存共享：更迅速的长上下文处理

对于诸多先进的设备端多模态应用而言，处理长输入 (例如源自音频和视频流的连续序列) 至关重要。Gemma 3n 引入了 KV 缓存共享功能，旨在极大缩短流式响应应用的首个 token 生成时间。

KV 缓存共享优化了模型处理初始输入阶段 (通常称为 "预填充" 阶段) 的方式。将局部注意力和全局注意力中间层的键 (Keys) 和值 (Values) 直接与所有顶层共享，与 Gemma 3 4B 相比，预填充性能显著提升了 2 倍。这意味着该模型可以比以前更快地注入和理解冗长的提示序列。

音频理解：语音转文本和翻译功能

Gemma 3n 使用基于通用语音模型 (USM) 的高级音频编码器。编码器为每 160ms 的音频生成一个 token (约每秒 6 个 tokens)，然后将其作为输入集成到语言模型中，从而为模型提供高度精细的声音上下文表征。

🔗 通用语音模型

https://arxiv.org/abs/2303.01037

这种集成的音频功能解锁了设备端开发的多种关键特性，包括：

自动语音识别 (ASR)：直接在设备端实现高质量的语音转文字。

自动语音翻译 (AST)：将口语翻译成另一种语言的文本。

我们观察到，对于英语和西班牙语、法语、意大利语及葡萄牙语之间的翻译，AST 的表现尤为出色，为针对这些语言的应用开发者提供了巨大潜力。对于语音翻译等任务，利用思维链提示可以显著改进结果。以下是一个示例：

<bos><start_of_turn>user
Transcribe the following speech segment in Spanish, then translate it into English: 
<start_of_audio><end_of_turn>
<start_of_turn>model

截至文章发布时，Gemma 3n 编码器可处理长达 30 秒的音频片段。然而，这并不是一个根本上的限制。底层的音频编码器是一种流式编码器，通过额外的长篇格式音频训练，编码器可以处理任意长度的音频。后续实现将解锁延迟更低、时间更长的流媒体应用。

MobileNet-V5：

最先进的全新视觉编码器

除了集成的音频功能外，Gemma 3n 还配备了全新的高效视觉编码器 MobileNet-V5-300M，可为边缘设备上的多模态任务提供最先进的性能。

MobileNet-V5 旨在为受限的硬件赋予灵活性和强大功能，为开发者提供：

支持多种输入分辨率：原生支持 256x256、512x512 和 768x768 像素的分辨率，让您可以根据特定应用需求平衡性能和细节。

广泛的视觉理解力：该功能采用海量的多模态数据集协同训练，擅长各种图像和视频理解任务。

高吞吐量：在 Google Pixel 上每秒处理帧数高达 60 帧，实现设备端实时视频分析和交互式体验。

这种性能水平是通过多项架构创新实现的，包括：

MobileNet-V4 模块的先进基础 (包括通用倒置瓶颈和移动 MQA)。

显著扩展的架构，采用混合深度金字塔模型，其规模是最大的 MobileNet-V4 变体的 10 倍。

一种新型的多尺度融合 VLM 适配器，可优化 token 质量，以提高准确性和效率。

得益于新颖的架构设计和先进的蒸馏技术，MobileNet-V5-300M 在 Gemma 3 中的性能大大优于基准 SoViT (使用 SigLip 训练，无蒸馏)。在 Google Pixel Edge TPU 上，该编码器在有量化情况下提速 13 倍 (无量化时为 6.5 倍)，所需参数减少 46％，内存占用减少为原来的 1/4，同时在视觉-语言任务上的准确性显著提升。

我们很期待与大家分享该模型的更多研发工作，后续即将发布的 MobileNet-V5 技术报告将深入探讨模型架构、数据扩展策略和先进的蒸馏技术。

与社区共建

我们始终将 Gemma 3n 的易用性放在首位，也非常荣幸能与众多杰出的开源开发者合作，确保模型能在多个热门工具和平台得到广泛支持，其中包括来自 AMD、Axolotl、Docker、Hugging Face、llama.cpp、LMStudio、MLX、NVIDIA、Ollama、RedHat、SGLang、Unsloth 和 vLLM 等团队的贡献。

🔗 Docker

https://hub.docker.com/r/ai/gemma3n

🔗 NVIDIA

https://developer.nvidia.com/blog/run-google-deepminds-gemma-3n-on-nvidia-jetson-and-rtx/

这个生态系统仅仅是开始，这项技术的真正价值在于用它构建的成果。正因如此，我们推出了 "Gemma 3n 挑战赛"，使用 Gemma 3n 独特的 On-Device、离线和多模态能力，打造一款造福世界的产品。即刻参与挑战赛，提交引人注目的视频介绍，并通过精妙的演示展现产品的现实影响力，就有机会赢取 15 万美元的奖金和精美礼品！欢迎加入挑战，共创美好未来。

🔗 加入挑战

https://link.gevents.cn/Gemma-3n-Impact-Challenge

开始使用 Gemma 3n

准备好即刻探索 Gemma 3n 的潜力了吗？请查收以下攻略：

直接体验：只需点击几下，即可使用 Google AI Studio 试用 Gemma 3n。Gemma 模型也可以直接从 AI Studio 部署到 Cloud Run。

下载模型：在 Hugging Face 和 Kaggle 上查找模型权重。

学习&集成：深入了解我们的综合文档，快速将 Gemma 集成到您的项目中，或从我们的推理和微调指南开始入门。

使用您青睐的设备端 AI 工具构建，包括 Google AI Edge Gallery/LiteRT-LLM、Ollama、MLX、llama.cpp、Docker 和 transformers.js 等。

使用您喜爱的开发工具：利用您偏好的工具和框架，包括 Hugging Face Transformers 和 TRL、NVIDIA NeMo Framework、Unsloth 和 LMStudio。

随心部署：Gemma 3n 提供多种部署选项，包括 Google GenAI API、Vertex AI、SGLang、vLLM 和 NVIDIA API Catalog。

🔗 Google AI Studio

https://aistudio.google.com/prompts/new_chat?model=gemma-3n-e4b-it