【CNMO科技消息】日前，谷歌首席执行官Sundar Pichai宣布开源最新多模态大模型Gemma-3，主打低成本与高性能。Gemma-3提供四种不同参数规模的版本，分别为10亿、40亿、120亿和270亿参数。即便在参数量最大的270亿版本中，仅需一张H100显卡即可实现高效推理。相比之下，同类模型若要达到类似效果，至少需要提升10倍算力。因此，Gemma-3也是目前性能最强的小参数模型之一。
在性能测试方面，根据LMSYS ChatbotArena的盲测数据，Gemma-3的表现仅次于DeepSeek的R1-671B，优于OpenAI的o3-mini和Llama3-405B等知名模型。
在架构设计上，Gemma-3延续了前两代的通用解码器Transformer架构，并进行了多项创新和优化。为解决长上下文带来的内存占用问题，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。由于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，从而有效降低了内存占用。
多模态能力是Gemma-3的一大技术亮点。该模型能够同时处理文本和图像，并集成了定制版的SigLIP视觉编码器。这一编码器基于Vision Transformer架构，通过CLIP损失的变体进行训练。
为了评估Gemma-3的性能，谷歌在MGSM、Global-MMLU-Lite、WMT24++、RULER、MRCR等多个主流平台进行了测试。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，270亿参数版本的Gemma-3在RULER128K任务上达到了66.0%的准确率。