一级毛片一级毛片一级毛片AA一

电脑版下载

65901
6

一级毛片一级毛片一级毛片AA一截图Q8X2R7L1T4J5M9B6W3

内容详情

一级毛片一级毛片一级毛片AA一

编辑｜冷猫

最近，或许是年底了，谷歌的宣布变得有些麋集。好比昨天，谷歌宣布了在智能 / 本钱上全球性价比最高的模子 Gemini 3 Flash。

在 Gemini 3 Flash 宣布后，各人都以为谷歌今年的模子宣布已经收官的时间，谷歌却又掏出了一个让各人都意想不到的模子更新：T5Gemma 2

T5Gemma 系列模子似乎没能给公共留下什么深刻印象。今年 7 月，谷歌第一次宣布了 T5Gemma 模子系列，并且一口吻宣布了 32 个模子。

从模子名称可以看出，T5Gemma 系列模子与 T5 息息相关。T5（Text-to-Text Transfer Transformer）是 Google 在 2019 年提出的一种编码器 - 解码器（Encoder–Decoder）大模子框架，「编解码器大模子」的头脑源头，险些都能追溯到 T5。

T5Gemma 使用了「顺应（adaptation）」手艺将已经完成预训练的仅解码器模子转换为编码器 - 解码器架构。

但遗憾的是，「编码器 - 解码器架构」始终没有成为大模子天下的主流，在「仅解码器」大语言模子快速迭代的大配景下难逃逐渐被边沿化的运气。

谷歌是为数未几仍在坚持编码器 - 解码器架构大模子的玩家。

今年上半年，谷歌宣布了开放模子 Gemma 3 系列，性能强盛，回声热烈，衍生出许多基于 Gemma 3 系列模子的优异事情。这次更新的 T5Gemma 2 模子正是其中之一。

简而言之：T5Gemma 2，是谷歌新一代编码器 - 解码器模子，是首个多模态和长上下文的编码器 - 解码器模子，建设在 Gemma 3 的强盛功效之上。

主要立异和升级功效包括：

支持多模态扩展长上下文开箱即用，支持 140 多种语言效率提升的架构立异

同时，谷歌向社区宣布了 270M–270M、1B–1B 以及 4B–4B 三种规模的预训练模子，是社区中首个支持超长上下文（最高 128K）的高性能编解码器大语言模子

论文链接: https://arxiv.org/abs/2512.14856HuggingFace 链接: https://huggingface.co/collections/google/t5gemma-2博客链接: https://blog.google/technology/developers/t5gemma-2

T5Gemma 2 延续了 T5Gemma 的「顺应（adaptation）」训练蹊径：将一个预训练的纯解码器模子适配为编解码器模子；同时，底座接纳 Gemma 3 模子，通过连系 Gemma 3 中的要害立异，将这一手艺扩展到了视觉 - 语言模子领域。

新架构，新能力

高效的架构立异

T5Gemma 2 不但仅是一次再训练。它在继续 Gemma 3 系列许多强盛特征的同时，还举行了主要的架构变换：

1. 词嵌入绑定

在编码器与解码器之间共享词嵌入参数。这一设计显著降低了模子的总体参数目，使我们能够在相同的显存 / 内存占用下容纳更多有用能力 —— 这对全新的 270M–270M 紧凑模子尤为要害。

2. 合并注重力

在解码器中，我们接纳了合并注重力机制，将自注重力（self-attention）与交织注重力（cross-attention）融合为简单、统一的注重力层。这一做法镌汰了模子参数和架构重漂后，提升了模子并行化效率，同时也有利于推理性能的提升。

新一代模子能力

得益于 Gemma 3 的能力，T5Gemma 2 在模子能力上实现了显著升级：

1. 多模态能力

T5Gemma 2 模子能够同时明确和处置惩罚图像与文本。通过引入一个高效的视觉编码器，模子可以自然地完成视觉问答和多模态推理等使命。

2. 超长上下文

我们对上下文窗口举行了大幅扩展。借助 Gemma 3 的局部 — 全局交替注重力机制（alternating local and global attention），T5Gemma 2 能够支持最长达 128K token 的上下文输入。

3. 大规模多语言支持

通过在规模更大、越发多样化的数据集上举行训练，T5Gemma 2 开箱即用即可支持 140 多种语言。

性能效果

T5Gemma 2 为紧凑型编码器 - 解码器模子设定了新的标准，在要害能力领域体现精彩，继续了 Gemma 3 架构强盛的多模态和长上下文特征。

Gemma 3、T5Gemma 和 T5Gemma 2 在五个奇异能力上的预训练性能。

如上图所示，T5Gemma 2 展现出以下突出优势：

强盛的多模态性能：在多个基准测试中逾越 Gemma 3。原本仅支持文本的 Gemma 3 基础模子（270M 与 1B）乐成适配为高效的多模态编解码器模子。卓越的长上下文能力：相较于 Gemma 3 和 T5Gemma，在天生质量上取得了显著提升。通过引入自力的编码器，T5Gemma 2 在处置惩罚长上下文问题时体现更佳。周全提升的通用能力：在代码、推理和多语言等使命上，T5Gemma 2 整体上均优于其对应规模的 Gemma 3 模子。

训练后性能。这里的效果仅用于说明，研究团队对 T5Gemma 2 举行了最小的 SFT，未使用 RL。另外请注重，预训练和训练后基准是差别的，因此差别图表中的分数不可较量。

Gemma 3、T5Gemma 与 T5Gemma 2 的详细预训练效果。需要注重的是，Gemma 3 的 270M 与 1B 模子，以及 T5Gemma 的 2B–2B 和 9B–9B 模子均为纯文本模子。带有 “?” 标记的效果为近似值，无法在差别论文之间直接较量。

Gemma 3、T5Gemma 与 T5Gemma 2 的详细后训练效果。只管 T5Gemma 2 的后训练历程相对轻量化，但其在大大都能力维度上仍然优于 Gemma 3。

实验效果批注，该适配战略在差别模子架构与差别模态上都具有优异的通用性，同时也验证了编解码器架构在长上下文建模方面的奇异优势。与 T5Gemma 类似，T5Gemma 2 在预训练阶段的性能可抵达或凌驾其 Gemma 3 对应模子，而在后训练阶段则取得了显著更优的体现

我们能看到，编码器 - 解码器架构下的大模子并不弱于仅解码器架构的模子，甚至具备自己奇异的优势。

谷歌继续坚持的编码器 - 解码器架构，能否突破被边沿化的现状，让我们拭目以待。