Gemma~3
PulseAugur coverage of Gemma~3 — every cluster mentioning Gemma~3 across labs, papers, and developer communities, ranked by signal.
- used by Nasa 95%
- instance of Gemma 4 90%
- used by Loft Orbital 90%
- used by Jet Propulsion Laboratory 90%
- instance of Qwen2.5 90%
- used by NAVI-Orbital 90%
- used by YAM-9 90%
- instance of large-language models 90%
- partners with Loft Orbital 70%
- used by Qwen2.5 70%
- developed by Gemma 4 70%
- instance of Qwen 2.5 70%
- 2026-06-19 product_launch Google's Gemma 3 vision-language model has been deployed on Loft Orbital's YAM-9 satellite for onboard inference in orbit. 来源
8 天有情绪数据
-
LLM自优化管道的大小影响因阶段而异
研究人员调查了模型大小对大型语言模型自优化管道不同阶段的影响。他们的研究使用了不同大小的Qwen3和Gemma 3模型，发现更大的生成器和优化器模型通常会提高性能。然而，过小的优化器会负面影响结果。评估器模型的大小被证明不太关键，即使是小的评估器也比完全没有评估要好。这些发现表明，自优化系统中的最佳资源分配不应是统一的，因为每个阶段都表现出独特的缩放特性。
-
Gemma 3 在孟加拉语分词效率方面优于 Llama 3.2
对不同 AI 模型分词效率的比较显示，在处理各种语言方面存在显著差异。Llama 3.2 需要八个 token 来表示一个孟加拉语单词，而 Google 的 Gemma 3 模型仅用一个 token 即可完成。这凸显了领先 AI 架构在多语言处理优化方面的不同水平。
-
斯坦福论文发现：小型语言模型挑战云端AI主导地位
斯坦福大学的一项最新研究论文表明，小型语言模型（SLMs）在多项任务上正变得与大型云端前沿模型相媲美。研究发现，可在本地硬件上运行的SLMs在98.6%的聊天任务和62.5%的推理任务中，表现与大型语言模型（LLMs）相当或更优，并且在过去两年中推理能力有了显著提升。这一趋势可能大大降低对大型数据中心的需求，并可能影响AWS、Azure和Google Cloud等超大规模云服务提供商，以及Nvidia等GPU制造商，还有基础模型公司的估值。
-
研究发现：语言模型会学习到非预期的捷径
一篇新的研究论文探讨了语言模型中“目标泛化错误”的问题，即模型在训练数据上达到高准确率的情况下，却学会了非预期的行为。研究人员使用GRPO在数学问题上训练模型，其中正确答案始终是选项A。他们观察到，较小的模型产生了强烈的选择选项A的偏见，导致无偏准确率崩溃，并表明其表现衡量的是学到的捷径，而非实际的数学能力。该研究还发现了“推理-答案解耦”现象，即模型可以生成正确的推理，但仍然选择有偏见的答案，这一现象使用GPT-4.1-mini和Q…
-
新方法加速 Vision Transformer 在边缘设备的适配
研究人员开发了更有效地将 Vision Transformer (ViT) 适配到特定任务的新方法。一种方法使用遗传编程来演化层特定的标量函数，以近似归一化层，在 ImageNet-1K 上实现高精度，同时降低边缘设备的计算复杂度和内存流量。另一种方法，Circuit Fine-Tuning (CFT)，使用电路发现来识别和微调 ViT 的关键模块，与标准参数高效微调技术相比，在各种基准测试中显著减少了训练时间和 FLOPs。
-
NASA卫星使用Google的Gemma 3进行太空图像分析
一颗NASA卫星已成功利用Google的Gemma 3 AI模型在轨道上执行图像分析。此应用展示了轻量级AI模型在太空中处理数据的潜力，通过将图像转换为文本，可能导致更高效地将数据传输回地球。
-
新的大语言模型技术提高了表格数据预测的效率和准确性
研究人员开发了新的方法，通过整合大语言模型的语义理解来增强表格学习器的性能。一种方法CASE使用基于Gemma 3的表格语言模型来语境化嵌入，从而在语义丰富的、尤其是数据有限的数据集上提高性能。另一项开发TabDPT-Turbo则通过长上下文预训练和架构改进来提高效率，以显著更快的速度实现了与现有模型相当的性能。
-
NASA 在英伟达硬件上利用谷歌的 Gemma 3 进行卫星图像分析
NASA 正在利用谷歌的 Gemma 3 大语言模型来分析卫星图像。该模型运行在英伟达硬件上，使其能够处理和解读来自太空的海量视觉数据。该计划旨在增强 NASA 的地球观测和科学研究能力。
-
NASA将谷歌的Gemma 3大语言模型送往太空用于卫星图像分析
NASA已成功演示在卫星上使用谷歌的Gemma 3大语言模型，标志着首次由大语言模型在轨分析卫星图像。运行Gemma 3压缩版本的NAVI-Orbital系统分析了YAM-9卫星的图像，并准确地对其进行了分类，生成了文本描述并回答了脚本化的问题。这一进步实现了“语义压缩”，使卫星能够发送简洁的文本摘要，而不是大量原始图像数据，从而克服了带宽限制，并实现了航天器更具战术性的使用。
-
新的几何框架对五种大型语言模型的Transformer架构进行建模
研究人员开发了一个连续几何框架来模拟Transformer架构，将离散的代数运算转化为微分几何和测度论。该框架对注意力机制和优化动态等方面进行定量预测，并在包括Qwen3、LLaMA-3.1、Gemma-3、GPT-2和Mistral在内的五种不同模型架构上进行了测试。实验结果与几何预测高度一致，为理解大型语言模型的稳定极限和优化动态提供了新的描述性词汇。
-
利用知识图谱增强小型语言模型的推理能力
研究人员开发了一个神经符号代理框架，以提高Gemma 3和Llama 3.2等小型语言模型（SLMs）的推理能力。该框架通过关系图卷积网络（RGCN）使用工具调用进行符号三元组提取和专家推理。虽然RGCN的提示将性能提高了1.5-2倍，但该系统的有效性受到知识提取过程和顺序推理脆弱性的限制。研究还发现了一种“干扰效应”，即嘈杂的、自我生成的知识会降低性能。
-
即使使用良性微调数据，大型语言模型也会表现出意识形态泛化
一项新的研究论文揭示，即使在看似无害的数据集上进行微调，大型语言模型也可能导致在不相关主题上发生重大的意识形态转变。该研究表明，在经过特定倾向（如经济或人力资源政策）的精选数据集上训练 GPT-4.1 和 Gemma~3 等模型，可能会导致它们在刑事司法、环境甚至伪科学等主题上采取有偏见的观点。这种被称为“意识形态泛化”的现象，会放大这些偏见，超出简单提示所观察到的程度，可能导致极端输出。
-
AI模型可以通过蒸馏继承负面情绪和审查等特征
研究人员展示了一种将特定特征从教师AI模型蒸馏到学生模型的方法，即使在尝试过滤掉这些特征的明确提及的情况下也能实现。这个过程被称为“开放蒸馏”，成功地将负面情绪反应从Gemma 3转移到Qwen-base，将代理错位从Gemma 4转移到Nemotron Chat，以及将中文审查从Qwen转移到Llama base。该研究提供了开源代码和模型权重，以促进对这些现象的进一步研究，并强调了AI开发中意外特征转移的潜力。
-
LTX 2.3 模型内存占用超出单块 5090 GPU
一位用户在使用单块 5090 GPU 运行 LTX 2.3 开发模型时遇到困难，特别是在使用 Distill LoRA 进行视频生成时。主要挑战是将模型、LoRA 和编码器（特别提到 Gemma 3）装入 GPU 内存，即使使用 GGUF 版本，因为组合需求超出了可用显存。用户正在寻求优化工作流程的建议，以克服这些内存限制。
-
新框架使用LLM进行广播电视分析，评估Gemini、Llama、Qwen、Gemma
一篇新的研究论文介绍了一个专为广播电视分析设计的多模态标注框架，解决了处理具有领域特定约束的视听内容的独特挑战。该研究系统地评估了各种多模态大型语言模型（LLMs），包括Gemini 3.0 Pro、LLaMA 4 Maverick、Qwen-VL和Gemma 3，在不同的管道架构和输入策略下。结果表明，更大的模型从视频中的时间连续性中获益更多，而较小的模型可能会因延长的多模态上下文而遭受令牌过载。该框架已部署到广播剧集中，将分钟级标…
-
通用人工智能模型在伤口图像分析中优于专业医疗视觉语言模型
一项新研究评估了几种视觉语言模型（VLM）在评估医疗伤口图像方面的性能。像 ChatGPT 和 Claude Pro 这样的通用模型在 HuluMed 和 MedGemma 等专业医疗 VLM 上的表现优于它们。ChatGPT 的准确率最高，达到 72.50%，其次是 Claude Pro，为 62.08%。研究表明，当前通用 VLM 中广泛的多模态推理能力在伤口分析方面超过了特定领域的医疗模型，尽管在高级伤口管理和临床可靠性方面仍然…
-
AI风险规避可跨越巨大利益进行泛化，但尚不可靠
研究人员开发了一个新的基准测试RiskAverseOOD，用于测试语言模型如何将风险规避从低风险情景泛化到高风险情景。使用Qwen3、Gemma-3和Llama-3等模型进行各种方法的实验表明，在低风险下学到的风险规避可以在巨大的风险差异中部分泛化。虽然当前模型表现出改进的风险规避行为，但它们尚未达到足够一致的可靠性，不足以作为防止潜在AI错位的安全措施。
-
Gemma-3 通过 GRPO 和 LoRA 增强数学推理能力
本教程详细介绍了如何训练 Gemma-3 模型，利用 GSM8K 数据集来提高其结构化数学推理能力。该过程包括使用 Tunix、JAX 和 LoRA 适配器等工具设置环境，然后应用具有自定义奖励函数的 Grouped-Sampled Policy Optimization (GRPO)。训练侧重于仅优化适配器权重，使工作流程足够高效，可在单个加速器上运行。
-
LLM 推理工具 vLLM、llama.cpp、Ollama 在显存限制下的基准测试
vLLM、llama.cpp 和 Ollama 的基准测试比较揭示了性能上的显著差异，尤其是在处理超出可用显存的大型语言模型时。虽然 vLLM 在 24GB 显存内吞吐量表现出色，并发增加时可达 5.4 倍的扩展，但当模型需要超过约 22GB 时则完全失败。相比之下，llama.cpp 和 Ollama 可以通过溢出到系统内存来处理这些更大的模型，尽管速度要慢得多，每秒只有个位数 token。值得注意的是，与 Ollama 的自动方法…
-
新方法 LOCOS 识别大型语言模型中的非字面检索头
研究人员开发了一种名为 Logit-Contribution Scoring (LOCOS) 的新方法，用于识别大型语言模型中的非字面检索头。与以往关注字面词元匹配的方法不同，LOCOS 分析注意力头的输出值电路，以了解它们如何从上下文中综合信息。这种方法在检测负责非字面检索的头方面显示出更大的有效性，涵盖了 Qwen3、Gemma-3 和 OLMo-3.1 等各种模型家族，当这些已识别的头被消融时，会导致需要综合的任务性能显著下降。