Gemma 3n E4B

Name: Gemma 3n E4B
Author: Google

Мультимодальная

Google

Gemma 3n — это мультимодальная модель, предназначенная для локального запуска на аппаратном обеспечении, поддерживающая входные данные в виде изображений, текста, аудио и видео. Она включает языковой декодер, аудио-кодировщик и визуальный кодировщик, и доступна в двух размерах: E2B и E4B. Модель оптимизирована для эффективного использования памяти, что позволяет запускать её на устройствах с ограниченным объёмом GPU-памяти. Gemma представляет семейство легковесных, современных открытых моделей от Google, созданных на основе тех же исследований и технологий, которые использовались для создания моделей Gemini. Модели Gemma хорошо подходят для различных задач понимания контента, включая ответы на вопросы, суммаризацию и логические рассуждения. Их относительно небольшой размер позволяет развёртывать их в условиях ограниченных ресурсов, таких как ноутбуки, настольные компьютеры или собственная облачная инфраструктура, демократизируя доступ к современным моделям ИИ и способствуя инновациям для всех. Модели Gemma 3n разработаны для эффективного выполнения на устройствах с низкими ресурсами. Они способны обрабатывать мультимодальные входные данные, работая с текстовыми, изображениями, видео и аудио входами, и генерировать текстовые выходы, с открытыми весами для вариантов, настроенных на инструкции. Эти модели были обучены на данных более чем на 140 разговорных языках.

Сравните Gemma 3n E4B с GPT-6 и Claude вживую

Бесплатная ИИ-Арена: две нейросети отвечают вслепую

Основные характеристики

Параметры

8.0B

Контекст

Дата выпуска

26 июня 2025 г.

Индекс

-6.6

API документация Веса модели Блог с результатами

Временная шкала

Ключевые даты в истории модели

Анонс

26 июня 2025 г.

Последнее обновление

19 июля 2025 г.

Сегодня

4 ноября 2026 г.

Технические характеристики

Параметры

8.0B

Токены обучения

11.0T токенов

Граница знаний

1 июня 2024 г.

Семейство

Возможности

МультимодальностьZeroEval

Результаты бенчмарков

Показатели производительности модели на различных тестах и бенчмарках

Общие знания

Тесты на общие знания и понимание

HellaSwag

10-shot AI: ИИ показывает впечатляющие результаты при решении сложных математических задач с использованием n-shot примеров. Однако n-shot отбирает у ИИ возможность продемонстрировать способность решать совершенно новые задачи, поскольку обеспечивает его подсказками. Наш метод оценки использует 10-shot подход, чтобы продемонстрировать полный потенциал ИИ, при этом гарантируя, что примеры существенно отличаются от тестовых задач, так что прямое копирование невозможно. Примеры иллюстрируют форматирование и процесс решения, но не раскрывают конкретные тестовые концепции. Мы структурируем промпт так: 1. Инструкции для решения математических задач 2. 10 примеров задач и решений из различных областей 3. Тестовая задача Это позволяет модели видеть разнообразные подходы к решению, сохраняя при этом новизну и сложность тестовой задачи. • данные разработчика

78.6%

Winogrande

Пятиэкземплярная задача (5-shot) - это тип предоставления примера для языковой модели, при котором вы даете пять примеров требуемой задачи, прежде чем попросить модель выполнить её самостоятельно. Это расширение методологии "few-shot" (малоэкземплярного обучения), где количество примеров специфично - ровно пять. Демонстрация пяти примеров помогает модели лучше понять шаблон или формат ожидаемого вывода, особенно для сложных или нестандартных задач. Подход 5-shot даёт модели больше контекста по сравнению с 0-shot (без примеров) или 1-shot (один пример) стратегиями, что обычно приводит к более качественным и согласованным результатам. Когда следует использовать 5-shot подход: • Для задач, требующих определенного формата или структуры • Когда необходимо продемонстрировать особенности рассуждения • Для задач, где требуется соблюдение определенного стиля или тона • Когда нужно показать конкретную методологию решения проблемы 5-shot подход является золотой серединой между предоставлением слишком малого количества примеров (что может привести к неточностям) и слишком большого количества (что может перегрузить контекстное окно модели и отнять место у основного запроса). • данные разработчика

71.7%

Рассуждения

Логические рассуждения и анализ

BIG-Bench Hard

few-shot • данные разработчика

52.9%

DROP

Token F1 score. 1-shot. • данные разработчика

60.8%

Другие тесты

Специализированные бенчмарки

ARC-C

25-shot • данные разработчика

61.6%

ARC-E

## 0-shot Модель тестируется напрямую на тестовых примерах без дополнительных инструкций или обучающих примеров. • данные разработчика

81.6%

BoolQ

0-shot (нулевой пример) В модели GPT, запрос "0-shot" означает, что модели не предоставлены примеры выполнения задачи. Модель должна полагаться исключительно на свои предварительно полученные знания и понимание инструкций для формирования ответа. Например, в контексте математических задач или задач на рассуждение, модели просто предоставляется задача без демонстрации процесса решения аналогичных задач. Это противоположно методам k-shot, где модели предоставляются примеры (k примеров) перед тем, как она попытается решить задачу самостоятельно. Тестирование производительности модели в условиях 0-shot является строгой оценкой её базовых способностей. • данные разработчика

81.6%

Natural Questions

5-shot • данные разработчика

20.9%

PIQA

0-shot AI: используется без дополнительных инструкций, подсказок или примеров того, как выполнить задачу. Для задач 0-shot система запускается с инструкцией вопроса. Пример (в GPQA): Q: Какое значение выражения (8^67 + 27^41) mod 35? AI: Чтобы найти значение (8^67 + 27^41) mod 35, я буду использовать модульную арифметику... Преимущества: - Самый простой для настройки - Используется только инструкция задачи - Минимум вычислительных ресурсов - Оценивает базовые способности модели Недостатки: - Не дает модели примеров для обучения формату или методу решения - Может потребоваться больше итераций в решении - Иногда приводит к неоптимальным подходам к решению • данные разработчика

81.0%

Social IQa

Нулевой шот Оцените возможности модели выполнять задачи без предоставления примеров. Дополнительно, вы можете оценить, насколько модель: • Способна следовать инструкциям • Умеет определять намерения пользователя • Запрашивает дополнительную информацию при неоднозначных или нечётких запросах Например, если модель должна отвечать только на запросы о математике, а пользователь задаёт вопрос о химии, проверьте, отклонит ли модель запрос. Или если пользователь спрашивает, как решить уравнение, но не предоставляет его, проверьте, запросит ли модель уравнение. • данные разработчика

50.0%

TriviaQA

5-shot • данные разработчика

70.2%

Лицензия и метаданные

Лицензия

Проприетарная

Дата анонса

26 июня 2025 г.

Последнее обновление

19 июля 2025 г.

Gemma 3n E4B: плюсы и минусы

Плюсы

Понимает изображения, не только текст
Сильнее всего в тесте ARC-E — 81.6%

Минусы

Слабее в тесте Natural Questions — 20.9%
Нет данных о доступе по API

Gemma 3n E4B

Основные характеристики

Временная шкала

Технические характеристики

Результаты бенчмарков

Общие знания

Рассуждения

Другие тесты

Лицензия и метаданные

Gemma 3n E4B: плюсы и минусы

Плюсы

Минусы

Похожие модели

Gemma 3n E4B Instructed LiteRT Preview

Gemma 4 E4B

MedGemma 4B IT

Gemma 4 E2B

Gemini 1.5 Flash 8B

Gemma 3n E2B Instructed

Gemma 3 4B

Gemma 3n E4B Instructed