Google DeepMind 的 Gemma 4 系列多模态开源模型，支持文本和图像输入（部分配置支持音频）、文本输出，采用 Dense 与 MoE 架构，上下文窗口达 256K tokens，覆盖 140+ 语言，提供 E2B 到 31B 五种规模。

运行模型 google/gemma-4-E2B-it-qat-mobile-transformers

从图像与文本提示生成视频的 Diffusers demo，基于 wan2.2 模型。