谷歌版两门「小钢炮」开源！2.7亿参数干翻SOTA

谷歌是真的底蕴深厚啊～

刚刚在「大模型」领域用Gemini 3 Pro➕Flash重挫了OpenAI锐气后，马不停蹄继续在端侧「小模型」发力！

昨天夜里，一口气又放出新的两个技术博客，全是和端侧相关的。

一个是T5Gemma 2，一个专门的底层架构创新，首个多模态长上下文码器-解码器模型开源，最小是270M–270M。

另一个是FunctionGemma，专为函数调用优化的270M（2.7亿参数）模型，可在手机、浏览器及其他设备上运行。

T5Gemma 2和FunctionGemma都来自Gemma 3家族，相对于Gemini这种「大模型」，Gemma就是「小模型」。

这两个虽然都是小模型，但是他们的关系有点类似同门师兄弟，但专攻方向不同。

T5Gemma 2专注于架构效率与多模态（Encoder-Decoder架构回归）。

而FunctionGemma专注于智能体与工具使用（Function Calling能力）。

T5Gemma 2和现在流行的LLM的架构不同，可以理解为AI技术领域「另一条路」。

论文地址：https://arxiv.org/pdf/2512.14856

谷歌开源了T5Gemma 2：270M–270M、1B–1B以及4B–4B三种规模的预训练模型。

开源地址：https://huggingface.co/collections/google/t5gemma-2

FunctionGemma则是技能变体，它是对模型「技能」的专项训练。

有点类似把一个大模型里所有知识类的能力都剥离掉，只保留针对性的函数调用功能。

开源地址：https://blog.google/technology/developers/functiongemma/

T5Gemma系列深层技术解析

先看下T5Gemma 2这种「新结构」的优势：

• 强大的多模态性能：在多个基准测试中超越谷歌自己的Gemma 3。

• 全面提升的通用能力：在代码、推理和多语言 等任务上，T5Gemma 2整体上优于对应规模的Gemma 3模型。

• 卓越的长上下文能力：相较于Gemma 3和第一代T5Gemma，在生成质量上取得了显著提升。

与T5Gemma类似，T5Gemma 2在预训练阶段的性能或超过Gemma 3对应体量模型，而在后训练阶段则取得了显著更优的表现。

左右滑动查看

想要理解为什么谷歌要搞T5Gemma，就需要看看目前大模型技术路线演变的核心脉络。

T5Gemma算得上是大模型领域的「古典主义复兴」。

在当今GPT、Llama等Decoder-only（仅解码器）架构占主导的时代，T5Gemma 2是对经典Transformer架构中Encoder-Decoder（编码器-解码器）路线的回归与现代化改造。

我们现在熟知的GPT、Gemini、DeepSeek都是Decoder-only（仅解码器）架构。

• GPT系列（OpenAI）：从GPT-1到现在的GPT-4o，全是Decoder-only。
• DeepSeek：无论是DeepSeek-V2还是最新的V3，核心都是Decoder-only（结合了MoE混合专家技术）。
• Llama（Meta）：它是目前开源界Decoder-only的标杆。
• Gemini（谷歌）：主线模型（Pro/Flash）主要是Decoder-only。

目前叫得上名字的、用来「聊天」的超级模型，几乎清一色全是Decoder-only。

为什么说T5Gemma 2是「回归」？

这就要说到Transformer的分家史。

要理解「回归」，得先看它们当初是怎么「分家」的。

2017年谷歌发布《Attention Is All You Need》论文提出Transformer时，祖师爷原本是Encoder-Decoder（编码器-解码器）全套架构。

但后来，家族分成了三个流派：

流派A：Encoder-only（只用编码器）

代表人物：BERT。

特长：只能「读」，不能「写」。它极其擅长做选择题、分类、情感分析，但你让它写作文，它憋不出来。

流派B：Decoder-only（只用解码器）

代表人物：GPT。

特长：只能「猜下一个字」。虽然它看上文不如Encoder那么全面（只能看左边，不能看右边），但它天生会说话，而且人们发现只要把这玩意儿做得足够大，它居然产生了智能（涌现）。

也就是「意外的」开启了我们这个AI时代（笑。

流派C：Encoder-Decoder（全套保留）

代表人物：T5（谷歌），BART。

特长：既能读又能写。也就是现在的T5Gemma 2所在的流派。

T5的全称是Text-to-Text Transfer Transformer，连着5个T，所以叫T5。

那为什么Decoder-only（GPT流派）后来一统天下了？

1. 训练简单粗暴：
2. 上限极高：
3. Encoder-Decoder被冷落：

所以也只有财大气粗的谷歌能有精力回归这个经典模型，继续投入搞研发。

谷歌在全世界都疯狂卷Decoder-only的时候，突然杀了个回马枪。

既然Decoder-only这么强，为什么要改回Encoder-Decoder？

因为谷歌发现了Decoder-only的几个死穴，而这些死穴正好是Encoder-Decoder的强项：

「幻觉」问题（瞎编）：

Decoder-only（GPT）

是边写边想，有时候写嗨了就收不住，容易一本正经胡说八道。

Encoder-Decoder（T5）

是「先读懂（Encoder）-再动笔（Decoder）」。

Encoder会强迫模型先把你的输入彻底消化一遍，生成一个完整的「中心思想向量」，然后再让Decoder翻译出来。

这种机制天生更严谨，幻觉更少。

在多模态方面的天然优势：

你要让模型看图，Encoder（编码器）是最好的「眼睛」。

T5Gemma 2可以直接把图像信号喂给Encoder，这比强行塞给Decoder-only处理要顺畅得多。

端侧效率（手机上跑）：

在手机这种算力有限的地方，如果你只是做翻译、摘要、指令执行，Encoder-Decoder往往能用

更少的参数（更小的显存）

达到和巨大Decoder-only模型一样的效果。

T5Gemma 2的出现，不是要推翻GPT，而是在特定领域（比如手机端、翻译、工具调用、严谨推理）复兴了Encoder-Decoder架构。

谷歌并未从零开始训练T5Gemma，而是采用了一种被称为「模型适配」（Model Adaptation）的高效技术。

该技术的核心在于利用已经过数万亿标记训练的Gemma 2或Gemma 3解码器模型作为种子，将其权重映射到新的编码器-解码器结构中。

这种做法极大地降低了计算成本，同时让模型能够继承原有的语言理解能力。

FunctionGemma：智能体的专用大脑

如果T5Gemma是从底层架构的创新，那么FunctionGemma就是从功能实现上的创新。

FunctionGemma是为了解决大模型落地中最痛的点——「不仅要能聊，还要能干活」而设计的。

FunctionCalling（函数调用）：普通模型在被要求「定个闹钟」或「查天气」时，往往只能瞎编。FunctionGemma经过专门的微调，能够精准地输出结构化的数据（如JSON），去调用外部的API或工具。

Agent（智能体）优化：它是为AIAgent设计的，擅长多步骤推理和执行任务。

极致轻量化：这意味它可以直接跑在手机、甚至更低功耗的边缘设备上，作为系统的「控制中枢」。

适用场景：手机语音助手、家庭自动化控制、端侧AI Agent、API调度中心。

FunctionGemma并非仅仅是Gemma家族的一个「缩小版」，而是一个专门设计的「神经路由器」，旨在解决云端大模型在延迟、隐私和成本上的固有缺陷。

从对话到行动的范式跃迁

在过去的一年中，大语言模型（LLM）的发展主要集中在提升模型的对话能力、知识广度以及多模态理解力上。

然而，随着应用场景的深入，开发者社区最迫切的需求已从「能聊天的AI」转向「能干活的AI」。

这种从「对话式接口」向「主动体」的转变，要求模型不仅要理解自然语言，还要能精准地操作软件接口、执行多步工作流并与物理世界交互。

FunctionGemma的推出正是为了响应这一需求。

作为Gemma 3家族中最小的成员，它抛弃了通用知识的广度，换取了对函数调用（Function Calling）这一特定任务的极致优化。

这种「特种兵」式的模型设计思路，代表了AI工程化的一个新方向：即通过模型的小型化和专业化，将智能下沉至网络的边缘——用户的手机、IoT设备乃至浏览器中。

FunctionGemma之所以能在极小的参数规模下实现高性能的函数调用，依赖于其独特的架构设计和训练策略。

它不是通过简单的压缩得到的，而是基于Gemma 3架构进行了针对性的「压缩」，专注于句法结构的精确性和逻辑判断的确定性。

FunctionGemma拥有2.7亿（270M）参数。

在当今动辄数千亿参数的模型时代，这一数字显得微不足道，连「大模型」零头都不到，但其设计哲学却极具颠覆性。

通常模型的推理能力随着参数量的增加而涌现（Scaling Laws）。

然而，FunctionGemma打破了这一常规，证明了在特定领域（Domain-Specific），小模型可以通过高质量数据的微调达到甚至超越大模型的表现。

虽然官方未披露具体的蒸馏细节，但270M的规模暗示了大量的通用世界知识被剔除。

模型不再需要知道「法国的首都是哪里」或「莎士比亚的生平」，它只需要知道如何解析JSON、如何匹配函数签名以及如何处理参数类型。

发力移动端

「在手机上能运行吗？」这是用户最关心的问题。

答案不仅是肯定的，而且FunctionGemma正是为此而生。

在移动设备上，随机存取存储器（RAM）是最宝贵的资源。

Android系统的低内存查杀机制会毫不留情地关闭占用内存过大的后台进程。

FunctionGemma 270M在FP16精度下的权重大小约为540MB。

对于拥有8GB或12GB内存、甚至24GB的现代Android旗舰机，这仅占总内存的5%-7%，完全可以在后台常驻。

Int8/Int4（量化）：为了进一步降低功耗和内存占用，端侧部署通常使用量化技术。

Int8量化：模型大小降至约270MB。

Int4量化：模型大小降至约135MB。

这意味着它可以在入门级设备甚至嵌入式设备上流畅运行。

谷歌为何要发布这样一个「小」模型？

这背后隐藏着其对未来AI计算架构的深刻思考，以及在移动操作系统控制权争夺战中的防御性布局。

这是FunctionGemma最核心的战略价值。

在当前的AI应用中，将所有请求都发送到云端大模型既昂贵又缓慢。

移动互联网的下一个阶段

移动互联网的下一个阶段是意图驱动（Intent-Driven）的。

意图驱动（Intent-Driven），用户不再通过点击图标打开APP，而是直接表达意图。

现状：Siri和谷歌Assistant，以及类似手机助手长期以来受限于硬编码的指令集，只能通过特定接口调用APP的有限功能。

FunctionGemma通过让模型直接学习APP的API定义，FunctionGemma试图让AI成为通用的UI。

开发者只需要暴露工具（Tools），FunctionGemma就能理解并操作这些工具。

谷歌的野心是通过开源FunctionGemma，谷歌实际上是在制定一套AI与APP交互的标准协议。

如果所有Android开发者都按照FunctionGemma的格式定义工具，那么谷歌的Android系统将成为世界上最强大的智能体平台，进一步加深其护城河。

为了验证FunctionGemma的能力，谷歌提供了两个典型的参考实现，展示了其在游戏和系统控制领域的潜力。

场景描述：用户用自然语言发出指令，模型将其转换为Android系统意图。

技术细节：

• 多参数提取：用户说「给John发邮件说我迟到了」，模型提取recipient="John"，body="我迟到了"，action="send_email"。

• 歧义处理：如果用户只说「发邮件」，模型可能会调用ask_clarification函数，反问用户「发给谁？」。这种多轮对话能力是硬编码助手无法比拟的。

性能对比：经微调的FunctionGemma在此任务上的准确率达到85%，远超未微调的基座模型（58%）。这证明了在端侧垂直领域，小模型完全可以替代大模型。

「Tiny Garden」这个Demo展示了FunctionGemma如何驱动游戏逻辑。

场景：一个语音控制的种田游戏。用户说「在顶排种满向日葵，然后给它们浇水」。

任务分解（TaskDecomposition）：模型不仅要识别意图，还要进行逻辑推理。它需要将这一句话拆解为一系列函数调用：

1. select_crop（type="sunflower"）
2. plant（row=0，col=0）...plant（row=0，col=N）
3. water（row=0）

完全离线：整个过程无需联网，这对于手游体验至关重要，因为网络延迟会导致游戏操作的不流畅。

对于开发者而言，FunctionGemma提供了一种低成本、高隐私的方案，将Agent能力集成到普通APP中，无需昂贵的服务器开销。它使得「语音控制一切」不再是巨头的专利，而是每个APP都能拥有的标准功能。

对于手机厂商而言，270M的参数量是完美的「甜点」——它既能利用现有的NPU硬件，又不会过度挤占系统资源，为打造「AI原生OS」提供了理想的地基。

对于谷歌而言，这是其在AI时代捍卫Android生态控制权的关键一步。

未来，可以预见，基于FunctionGemma的变体将无处不在：在你的智能手表里处理健康数据，在你的路由器里优化网络设置，甚至在你的汽车里调节空调温度。

AI将不再是一个需要「访问」的网站，而是一种像电力一样，无形却无处不在的基础设施。

参考资料：

https://blog.google/technology/developers/functiongemma/

https://blog.google/technology/developers/t5gemma-2/

文章来自于微信公众号 “新智元”，作者 “新智元”