> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Gemma 4 入门指南
- URL: https://www.hubwiz.com/blog/getting-started-with-gemma-4/
- Published: 2026-04-07T01:39:02.000Z
- Updated: 2026-04-07T01:39:02.000Z
- Description: 从零到推理：通过真实案例在 Kaggle 上探索谷歌的 Gemma 4 2B 模型，涵盖图像、视频和多种语言。
- Author: admin
- Tags: MODEL-ZOO, GEMMA4, #Import 2026-10-14 14:41

**Gemma 4** 的发布标志着开放、高效且强大的 AI 模型演进的又一个重要步骤。Gemma 模型由谷歌构建，设计为轻量级 yet 强大——这使得它们非常适合想要强大性能但不需要庞大基础设施的开发者。

Gemma 4 推出了 4 种模型规格：

- E2B、E4B — 最大化计算和内存效率
- 26B、31B — 每个参数的最高智能

在本实践指南中，我们将使用 **Kaggle Notebook** 探索 **Gemma 4 2B 多模态、多语言模型**。目标很简单：让你尽快从设置到实际用例，这样你就能够评估这些模型。

## 1、分步指南

要在 Kaggle Notebook 上运行 Gemma，我们首先需要升级 transformers 库，因为 Gemma 4 非常新（刚刚发布几小时），我们需要库的最新版本来运行它。

```
!pip install -U transformers

```

这将把你的环境升级到 **transformers 5.5.0**（撰写本文时）。

接下来，我们包含库并初始化一个 transformers 管道。

```
from transformers import pipeline
pipe = pipeline("any-to-any", model="google/gemma-4-e2b-it")

```

我们使用 `any-to-any` 选项初始化管道，以允许多模态输入。

模型下载完成后，我们可以开始测试。我们不会在这里重现所有测试。我们只会从 Kaggle Notebook 中的示例选择一个图像测试和一个视频测试（来自 HuggingFace 上的 Gemma 4 技术报告）。

## 2、使用一张图像和德语测试

我们将解读的图像：

![无](https://www.hubwiz.com/blog/content/images/2026/04/1-FVvoA3VTGar2Uk-2EUfDZw.jpeg)

不同颜色的糖果 — 图像来自 [HuggingFace 示例](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG?ref=hubwiz.com)

我们用德语询问模型这些糖果是什么颜色。

```
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "Welche Farben haben die Bombons?"}
        ]
    }
]
output = pipe(text=messages, max_new_tokens=200)

```

让我们检查我们得到的答案：

```
display(Markdown(output[0]["generated_text"][-1]["content"]))

```

结果是：

> Die Bombons auf dem Bild haben folgende Farben:

> **Türkisgrün/Blaugrün** (zwei Stück)

> **Orange** (ein Stück)

> **Grün** (ein Stück)

结果很好，糖果的颜色和某种颜色糖果的数量都被正确识别了。

## 3、使用视频测试

接下来，让我们检查一个火箭发射前的视频。视频来源是 [HuggingFace](https://huggingface.co/datasets/merve/vlm%5Ftest%5Fimages/resolve/main/rockets.mp4?ref=hubwiz.com)。

```
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "https://huggingface.co/datasets/merve/vlm_test_images/resolve/main/rockets.mp4",
            },
            {"type": "text", "text": "What is happening in this video?"},
        ],
    }
]

output = pipe(messages, load_audio_from_video=True)
display(Markdown(output[0]["generated_text"][-1]["content"]))

```

模型答案是：

> This video shows a crowd of people gathered on a tarmac, observing a large rocket, which appears to be a SpaceX Falcon 9 rocket, likely before or after a launch event. The sky is cloudy with soft, diffused light, suggesting either sunrise or sunset. There are also other aircraft and what look like exhibition booths in the background.

## 4、使用日本地标测试

现在让我们用日本地标测试模型。我们也将用日语提问。图像如下所示。

![无](https://www.hubwiz.com/blog/content/images/2026/04/1-z1Szke6QoOJAmjyflErs4Q.jpeg)

东京塔 — 图像来自 [Advantour](https://www.advantour.com/img/japan/tokyo/tokyo-tower.jpg?ref=hubwiz.com)

```
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://www.advantour.com/img/japan/tokyo/tokyo-tower.jpg"},
            {"type": "text", "text": "この画像には何が見えますか?"}
        ]
    }
]
output = pipe(text=messages, max_new_tokens=200)
display(Markdown(output[0]["generated_text"][-1]["content"]))

```

模型输出的答案是：

> この画像は、晴れた日の都市のパノラマビューを捉えています。

> **主な特徴:**

> **東京のスカイライン:** 多くの高層ビルが立ち並ぶ都市の景色が広がっています。

> **東京タワー:** 画像の中央やや左寄りに、象徴的な赤い東京タワーがそびえ立っています。

> **空:** 非常に青く澄んだ快晴の空が広がり、明るい日差しの下で撮影されたことがわかります。

> **植生:** 都市の中にも緑が多く、特に前景や中景には木々（秋の紅葉を思わせる色合いも見られます）が見られ、自然と都市が共存している様子がうかがえます。

> **建築物:** 様々な高さとデザインの近代的なビル群が密集しています。

翻译如下：

> This image captures a panoramic view of the city on a sunny day.

> Key Features:

> **Tokyo Skyline**: A cityscape of numerous skyscrapers unfolds.

> **Tokyo Tower**: The iconic red Tokyo Tower stands tall slightly to the left of the center of the image.

> **Sky**: A very clear, blue sky stretches across the sky, indicating that the image was taken under bright sunshine.

> **Vegetation**: There is plenty of greenery even within the city, with trees (some with autumnal colors) visible in the foreground and midground, suggesting a coexistence of nature and urban life.

> **Architecture**: A dense cluster of modern buildings of varying heights and designs.

答案正确识别了视频中的细节。火箭的制造者和类型有一个小错误——但这两枚火箭非常相似。

在 Kaggle Notebook 中，你可以找到更多示例，测试模型的图像解读和语言理解能力，涉及法语、德语、西班牙语和日语。

## 5、结束语

尽管“只有”2B 参数，Gemma 4 的能力出奇地令人印象深刻：

- 在 Kaggle 环境中快速推理
- 与更大模型相比内存占用低
- 惊人的多模态和多语言能力

这种平衡使其成为原型化 AI 功能、运行演示、构建可以在移动平台上运行的轻量级应用的理想选择。

---

原文链接: [Getting Started with Gemma 4: A Practical Guide to Multimodal, Multilingual AI](https://medium.com/@gabi.preda/getting-started-with-gemma-4-a-practical-guide-to-multimodal-multilingual-ai-237f11016a4f?ref=hubwiz.com)

汇智网翻译整理，版权归作者所有，转载需标明出处