270M 参数，电池用量不到 1%，却能在手机上跑出不错的效果。
Google 发布了 Gemma 3 家族的最小版本——Gemma 3 270M，专门用于任务特定的微调。这是一个 2.7 亿参数的模型，看起来很小，但设计思路挺有意思。
核心参数
- 总参数量 : 2.7 亿（1.7 亿嵌入参数 + 1 亿变换器参数）
- 词汇表 : 25.6 万 tokens，能处理特定和稀有词汇
- 能耗 : 在 Pixel 9 Pro 上，INT4 量化版本进行 25 次对话只用了 0.75% 的电量
- 性能 : IFEval 基准测试中，在同规模模型中表现突出
设计理念：够用就行
Google 在文档里用了一个比喻：你不会用大锤子挂画框。这个模型就是这个思路的体现——不追求大而全，而是专注于做好特定任务。
270M 不是为了复杂对话设计的，而是作为基础模型，通过微调变成某个领域的专家。比如文本分类、数据提取、情感分析这些高频但明确的任务，微调后的 270M 可能比大模型更高效。
实际应用场景
适合的场景：
- 高频、明确定义的任务（情感分析、实体提取、查询路由）
- 需要控制推理成本的生产环境
- 快速迭代和部署（几小时而非几天）
- 隐私敏感应用（完全本地运行）
- 多个专用模型组合使用
真实案例：
SK Telecom 和 Adaptive ML 合作，微调 Gemma 3 4B 处理多语言内容审核，效果超过了更大的专有模型。270M 版本让这种专门化更进一步。
还有人用它做了个睡前故事生成器，完全在浏览器里跑。
部署和工具
模型已经在多个平台发布：
- 下载 : Hugging Face、Ollama、Kaggle、LM Studio、Docker
- 试用 : Vertex AI、llama.cpp、Gemma.cpp、LiteRT、Keras、MLX
- 微调 : Hugging Face、UnSloth、JAX
- 部署 : 本地环境到 Google Cloud Run
量化感知训练（QAT）版本已经就绪，INT4 精度下性能损失很小。
小结
这个发布时间点有点意思。当大家都在比拼大模型参数量的时候，Google 反过来做小模型。
270M 的设计理念很清晰：与其用大模型做所有事情，不如用小模型做专门的事情。对于很多实际应用场景，这个思路可能更合理——成本低、速度快、隐私好。
不过这也意味着你需要更清楚地定义问题。如果你的需求变来变去，还是大模型省事。但如果你有明确的、高频的任务，270M 可能是个不错的选择。
Gemma 下载量已经超过 2 亿次，看起来开源策略还是有效果的。270M 这个版本可能会在移动端和边缘计算场景找到自己的位置。
关注公众号回复“进群”入群讨论。