---
title: "Gemma 3n – 谷歌推出的端侧多模态AI模型"
url: "https://paooo.com/aigc-news/18740/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T04:42:22+08:00"
updated_at: "2026-06-07T20:02:44+08:00"
categories: "AIGC 资讯"
tags: "AI音频与语音, Gemini, Google AI, 大模型微调"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Gemma 3n – 谷歌推出的端侧多模态AI模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/18740/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 基于 Gemini Nano 与 PLE 技术，Gemma 3n 将 5B/8B 模型压缩到 2B/4B 级内存占用。
- 支持文本、图像、音频、短视频输入，可做转录、背景音识别和情感分析。
- 强调端侧离线运行与隐私保护，2GB RAM 级设备也能部署，适合移动场景。

## Gemma 3n是什么

Gemma 3n 是谷歌 I/O 开发者大会推出的端侧多模态 AI 模型。基于 Gemini Nano 架构，采用逐层嵌入技术，将内存占用压缩至 2-4B 参数模型水平。模型参数量分别为 5B 和 8B，内存占用仅相当于 2B 和 4B 模型。Gemma 3n 支持文本、图像、短视频和音频输入，可生成结构化文本输出。新增的音频处理能力，能实时转录语音、识别背景音或分析音频情感。可通过 Google AI Studio 直接在浏览器中使用。

## Gemma 3n的主要功能

- 
**优化的端侧性能与效率**：Gemma 3n 在移动设备上的响应速度比 Gemma 3 4B 提升约 1.5 倍，通过每层嵌入（PLE）、KVC 共享、高级激活量化等技术，实现了更小的内存占用。

- 
**多模态输入支持**：支持文本、图像、音频和视频的理解处理，能够处理复杂的多模态交互。

- 
**隐私优先与离线可用**：所有计算都在本地设备上完成，无需联网，数据不会离开设备，保障用户隐私。

- 
**灵活的模型架构**：基于 MatFormer 架构，内嵌一个先进的 2B 子模型，可根据需求动态切换性能和质量。

- 
**多语言支持**：支持超过 140 种语言，在日语、德语、韩语、西班牙语和法语等语言上有出色表现。

- 
**32K 令牌上下文窗口**：能处理长达 32,000 个单词或符号的输入，适合处理长文本。

## Gemma 3n的技术原理

- **基于 Gemini Nano 架构**：Gemma 3n 继承了 Gemini Nano 的轻量化架构，专为移动设备优化。通过知识蒸馏和量化感知训练（QAT），在保持高性能的同时大幅降低资源需求。

- **逐层嵌入技术**：采用逐层嵌入（Per-Layer Embeddings，PLE）技术，显著降低了模型的内存需求。模型的原始参数量分别为 5B 和 8B，内存占用仅相当于 2B 和 4B 模型，只需 2GB 或 3GB 的动态内存即可运行。

- **多模态融合**：结合了 Gemini 2.0 的分词器和增强的数据混合，支持 140 多种语言的文本和视觉处理，覆盖全球用户需求。

- **局部/全局层交错设计**：采用 5:1 的局部/全局层交错机制，每 5 层局部层后接 1 层全局层，以局部层作为模型的第一层开始计算。有助于减少长上下文时 KV 缓存爆炸问题。

## Gemma 3n的项目地址

- **项目官网**：[https://deepmind.google/models/gemma/gemma-3n/](https://deepmind.google/models/gemma/gemma-3n/)

## Gemma 3n的应用场景

- **语音转录与情感分析**：能实时转录语音、识别背景音或分析音频情感，适用于语音助手和无障碍应用。

- **内容生成**：支持在手机上生成图像描述、视频摘要或语音转录，适合内容创作者快速编辑短视频或社交媒体素材。

- **学术任务定制**：开发者可用 Gemma 3n 的微调功能，在 Colab 上为学术任务定制模型，如分析实验图像或转录讲座音频。

- **低资源设备**：专为低资源设备设计，仅需 2GB RAM 即可在手机、平板和笔记本电脑上流畅运行。

## 常见问题解答 (FAQ)

### Gemma 3n 支持哪些输入类型？
Gemma 3n 支持文本、图像、音频和短视频输入，并可输出结构化文本。它新增了音频处理能力，可用于实时语音转录、背景音识别和音频情感分析，适合多模态交互场景。

### Gemma 3n 为什么适合手机端运行？
它基于 Gemini Nano 架构，并通过逐层嵌入、KVC 共享和量化等技术降低内存占用。虽然参数量为 5B 和 8B，但内存需求接近 2B 和 4B 模型，且可在本地离线运行。

### Gemma 3n 可以用于哪些实际场景？
可用于语音助手、无障碍应用、短视频内容生成、讲座音频转录、实验图像分析等。对于低资源设备和需要隐私保护的本地推理任务，它都比较适合。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
