Google: Gemma 3 12B

Gemma 3 12B é um modelo de geração de texto da Google, lançado a 13 de março de 2025 como parte da família Gemma 3. É a variante 12B ajustada por instruções, identificada na api14 como google/gemma-3-12b-it. O Gemma 3 marca a transição da Google para trazer multimodalidade à linha Gemma, pelo que este modelo aceita tanto texto como imagens como entrada, produzindo texto como saída.

O modelo suporta uma janela de contexto até 131072 tokens e pode gerar até 16384 tokens numa única resposta. O seu limite de conhecimento é 31 de agosto de 2024. Segundo a Google, o Gemma 3 lida com mais de 140 idiomas e traz melhorias em matemática, raciocínio e comportamento de conversação em comparação com versões anteriores do Gemma. Como aceita entrada de imagens juntamente com texto, pode trabalhar com prompts de visão e linguagem em vez de apenas texto, embora tudo o que devolve seja texto simples.

Essas capacidades apontam para um conjunto bastante amplo de utilizações práticas. A longa janela de contexto adequa-se a tarefas que envolvem documentos grandes, como resumir relatórios extensos, responder a perguntas sobre um conjunto de texto ou percorrer históricos de conversa prolongados. A entrada multimodal torna-o uma escolha razoável para descrever ou raciocinar sobre imagens, por exemplo extrair informação de capturas de ecrã, diagramas ou fotografias e devolver uma resposta escrita. A sua cobertura multilingue e as melhorias em matemática e raciocínio tornam-no útil para tradução, resolução estruturada de problemas e assistentes gerais. A chamada de ferramentas e as saídas estruturadas também lhe permitem integrar-se em pipelines que precisam de respostas legíveis por máquina ou de chamadas a funções externas.

Pode chamar o modelo através da API compatível com OpenAI da api14 usando o id de modelo google/gemma-3-12b-it, pelo que as bibliotecas de cliente OpenAI existentes funcionam apenas com a alteração do URL base e da chave. Os parâmetros de pedido que suporta são frequency_penalty, logit_bias, max_tokens, min_p, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k e top_p. Esta combinação cobre controlos de amostragem, saída determinística através de seed, sequências de paragem, respostas em JSON ou restringidas por esquema através de response_format e structured_outputs, e uso de ferramentas através de tools e tool_choice.

Uma coisa a ter em conta é o teto de saída: as respostas estão limitadas a 16384 tokens, embora a janela de contexto seja muito maior, pelo que gerações muito longas precisam de ser divididas ou continuadas ao longo de várias chamadas. O limite de conhecimento de 31 de agosto de 2024 também significa que o modelo não tem conhecimento de eventos posteriores a essa data, a menos que forneça a informação no prompt. Se a sua tarefa for apenas de texto e não beneficiar de entrada de imagens, um modelo de texto mais pequeno ou mais especializado pode ser mais barato e rápido, mas para trabalho misto de texto e imagem dentro de um contexto longo, este modelo é uma escolha padrão sensata.