模型
别名：gemma3、gemma4
Google开发的系列大语言模型
已跟踪 20 条高相关材料
最近变化
2026-07-14 · Gemma26B模型本地运行成本0.12欧元/百万令牌，低于多数云API
为什么值得关注
Gemma 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
How Trustpilot built a real-time architecture for data enrichment using Gemma
Google Cloud Blog · 9.2 分
Trustpilot 使用微调的 Gemma 模型构建了实时数据增强架构，处理百万级评论，延迟低、成本可控，性能接近教师模型且独立可控。
How the community trained Gemma to "Think" with Tunix and TPUs
Google Developers Blog · 9.2 分
社区通过 Tunix 和 TPU 成功训练 Gemma 模型生成推理能力，提供可复现的训练方法。
How Much Does It Actually Cost to Run a Local LLM? (Euros per Million Tokens, Measured)
Towards Data Science · 8.5 分
本地运行LLM成本可能低于云服务，Gemma26B模型每百万令牌仅需0.12欧元，但大模型能耗差异显著。
已收录 20 条与 Gemma 相关的内容，按评分排序。
Trustpilot built a real-time data enrichment pipeline using fine-tuned Gemma models to process millions of reviews under strict latency and cost constraints, achieving near-teacher-model accuracy with full control.
入选理由：采用 google/gemma-2-9b 基础模型，通过共识标注生成高质量训练集，微调后准确率仅比教师模型低几个百分点。
社区通过 Tunix 和 TPU 成功训练 Gemma 模型生成推理能力，提供可复现的训练方法。
入选理由：G-RaR 方法结合 SFT 和 GRPO，使用 Gemma-3-12B 作为评估模型，显著提升推理能力。
本地运行LLM成本可能低于云服务，Gemma26B模型每百万令牌仅需0.12欧元，但大模型能耗差异显著。
入选理由：Gemma26B模型本地运行成本0.12欧元/百万令牌，低于多数云API
Ornith-1.0是DeepReinforce发布的开源大模型，基于Gemma和Qwen，支持多种参数规模，在编码任务中表现优异。
入选理由：Ornith-1.0提供9B到397B参数版本，兼容Apache 2.0许可证
Google 推出 OpenRL，一个用于 LLM 微调的自托管 API，旨在简化强化学习流程并提升 GPU 利用率。
入选理由：OpenRL 允许在 Kubernetes 集群上运行多个 RL 任务，提升 GPU 利用率。
Hugging Face 使用本地模型 Gemma 和 Qwen 实现 OpenClaw 仓库的自动化分类，无需依赖云端模型。
入选理由：使用本地模型 Gemma 和 Qwen 可实现 OpenClaw 仓库的实时分类任务。
Gemma 4 QAT模型在Ollama和Hugging Face上线，显著降低内存需求并保持模型质量。
入选理由：Gemma 4 QAT模型在Ollama和Hugging Face上线，支持多种模型大小。
This article shows how to use locally hosted open‑source LLMs (Llama 3, Mistral, Gemma) via Ollama together with Scikit‑LLM to perform zero‑shot text classification, all for free.
入选理由：通过 `ollama run <model>` 可在本地拉取并运行 Llama 3、Mistral 或 Gemma，端口默认 11434。
Sam Witteveen探讨了在AMD硬件上运行本地AI的可能性，强调了本地AI在隐私和成本控制方面的优势。
入选理由：本地AI模型如Qwen 3.6和Gemma在实际工作中表现出色。
China's open-source models lag behind the US frontier models by 3-7 months according to CAISI evaluations.
入选理由：CAISI评估显示中国开源模型在多个基准测试中落后于美国模型，差距达3-7个月。
Philipp Schmid宣布为Gemma 4模型推出多令牌预测（Multi-Token Prediction）drafters技术，实测推理速度提升最高达3倍，且输出质量零损失。
入选理由：Multi-Token Prediction drafters使Gemma 4推理速度最高提升3倍
Google DeepMind 推出 Gemma 模型家族，强调其在开放模型与企业定制需求之间的平衡。
入选理由：Gemma 模型家族包含四种尺寸，适合不同应用场景。
Google announces its model weights are compatible with major open-source ecosystems and can be directly downloaded from Hugging Face and Kaggle, lowering deployment barriers.
入选理由：Gemma 4 权重与 llama.cpp、vLLM、Ollama 等生态兼容，便于本地部署与推理。
The article introduces Google's Gemma-Skills skill library, designed to enhance Gemma model capabilities in agent interactions, supporting multimodal tasks and tool calling, but lacks detailed technical specifications or performance data.
入选理由：Google 发布了 Gemma-Skills 项目，用于增强 Gemma 模型的代理交互能力。
Google邀请开发者举办Gemma模型赞助的hackathon，旨在推动社区创新。
入选理由：Google赞助1-day hackathons on Kaggle，帮助开发者使用Gemma模型。
Patrick Loeber宣布Gemma功能已集成到@geminicli中，用户可通过`gemini gemma setup`和`gemini gemma start`命令体验。此更新伴随Gemini CLI v0.40.0发布，重点改进包括分层内存、本地Gemma路由及简化UI。
入选理由：Gemma功能集成进Gemini CLI，简化模型路由操作。
The Gemma-4 series of open models ranks #13 (31b) and #17 (26b-a4b) in code performance, marking strong efficiency and local deployability on devices like MBP.
入选理由：Gemma-4-31b在开源代码模型中排名全球第13。
文章内容为社交媒体上的简短公告，未提供技术细节或深度分析。
入选理由：文章未提供具体技术内容或深度分析。
Google AI Devs built real AI products within a weekend after Google I/O, but the post lacks technical depth or reusable methodology, focusing only on community energy.
入选理由：社区成员在Google I/O后48小时内基于Gemini+Gemma构建多模态代理和语音接口原型。
This article introduces a skill named gemma-dev for using Google's Gemma model in development, installed via npx command, but lacks technical details.
入选理由：使用命令 `npx skills add google-gemma/gemma-skills --skill gemma-dev` 安装 Gemma 开发技能。
