“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
Gemma 4：Google DeepMind 开源模型的最新里程碑
介绍 Google DeepMind 基于 Gemini 3 技术推出的 Gemma 4 开源模型系列，覆盖从移动端到个人电脑的多规格，实现参数效率与智能水平的新平衡。
核心概览：从 Gemini 到 Gemma 的智能下沉
2026 年 4 月，Google DeepMind 正式发布了第四代开源模型系列 Gemma 4。与上一代产品线一致，Gemma 4 并非 Gemini 4 的简单瘦身版，而是直接从 Gemini 3 的研究成果和技术架构中萃取精华，其核心设计目标是 最大化单位参数的智能水平（intelligence-per-parameter）。这一理念意味着 DeepMind 不再单纯追求参数量上的堆砌，而是通过架构改良、训练策略和数据质量，让每个参数量都承载尽可能多的知识与推理能力。
型号矩阵：覆盖边缘到桌面的全场景布局
Gemma 4 发布了两个截然不同的规格簇，分别瞄准移动/物联网（IoT）设备与消费级个人电脑（PC）：
边缘计算簇：E2B 与 E4B
- 参数规模：E2B 和 E4B（约 20 亿与 40 亿参数级别，B 指代 Billion）
- 设计定位：面向实时边缘计算，如手机、树莓派（Raspberry Pi）和 NVIDIA Jetson Nano 等嵌入式平台
- 核心优势：支持音频与视觉实时处理，且能完全离线运行，在边缘设备上达到近零延迟（near-zero latency）
- 工程意义：此类小型模型能够在电池供电的受限硬件上执行多模态任务，意味着无需云连接即可在本地完成语音识别、图像分类等推理，同时满足数据隐私敏感场景的合规需求。用户可以通过 Google AI Edge Gallery 直接试用和部署。
个人计算簇：12B、26B、31B
- 参数规模：120 亿、260 亿与 310 亿参数（B 指代 Billion）
- 设计定位：面向集成开发环境（IDE）、编程助手和智能体（Agentic）工作流等对深度推理有要求的场景
- 核心优势：专为消费级 GPU（如 Nvidia RTX 系列显存 8GB-24GB）优化。这意味着学生、研究者与开发者能够将一台普通工作站转化为本地优先的 AI 服务器，无需依赖云端 API 即可流畅运行前沿级推理模型。
- 访问方式：可直接通过 Google AI Studio 在线体验。
值得注意的是，在 31B 尺寸上，Google 公开表明其部分基准测试已接近或超越某些 100B+ 级别的闭源模型，这直接印证了"智能-参数量比"这一设计哲学的成效。
关键能力：不止于多语言的全面进化
Gemma 4 系列的核心能力覆盖了当前大模型应用的四大维度：
1. 智能体工作流（Agentic Workflows）
模型原生支持函数调用（Function Calling），这是构建自主智能体的基石。开发者可创建能够自主规划步骤、操作应用程序界面（基于 GUI Agent 范式）、并代表用户执行多步骤任务的代理系统。与早期版本不同，Gemma 4 的指令微调版本在工具选择顺序和参数填充方面的错误率显著下降，更适合可靠的生产环境部署。
2. 多模态推理（Multimodal Reasoning）
Gemma 4 虽然不能像 Gemini 系列那样直接生成视频，但具备强大的音频与视觉理解能力。支持音频波形级别的特征识别（如说话者分离、环境声学理解）以及高分辨率图像内容的深度推理（如表格结构还原、复杂图表数据提取）。这使其能够直接处理来自车载摄像头、工业传感器或医疗影像的多模态数据流。
3. 140 种语言支持
跨语言能力定义为"超越翻译"——模型能够理解特定语言的文化语境。例如，在日语中根据敬语体系调整语气，在阿拉伯语中内嵌宗教与地域礼貌惯例。这背后得益于 Gemini 3 技术中更深层次的跨语种词嵌入对齐机制。
4. 可微调性与架构效率
针对特定业务，开发者可以在自有硬件上使用 JAX、Keras、PyTorch 等主流框架，通过 LoRA、QLoRA 或全参数微调来适配垂直领域。同时，模型架构采用稀疏激活或 MoE（混合专家）技术（尤见于 E4B 与 26B 的变体），保证在消费级瓦数预算下实现高效的预填充和解码吞吐。
基准测试：全面数据透视
下面将 Gemma 4 的四个指令微调版本与上一代 Gemma 3 27B IT 进行对表对比。所有数据截至 2026 年 4 月 2 日，来自官方模型卡。
| 基准 (Benchmark) | 评测维度 | Gemma 4 31B IT | Gemma 4 26B A4B IT | Gemma 4 E4B IT | Gemma 4 E2B IT | Gemma 3 27B IT |
|---|---|---|---|---|---|---|
| Arena AI (text) | 综合竞技场（Elo 分） | 1452 | 1441 | — | — | 1365 |
| MMMLU | 多语言问答（无工具） | 85.2% | 82.6% | 69.4% | 60.0% | 67.6% |
| MMMU Pro | 多模态推理 | 76.9% | 73.8% | 52.6% | 44.2% | 49.7% |
| AIME 2026 | 数学竞赛（无工具） | 89.2% | 88.3% | 42.5% | 37.5% | 20.8% |
| LiveCodeBench v6 | 竞赛级编程题 | 80.0% | 77.1% | 52.0% | 44.0% | 29.1% |
| GPQA Diamond | 科学知识问答 | 84.3% | 82.3% | 58.6% | 43.4% | 42.4% |
| τ2-bench | 智能体工具调用（零售） | 86.4% | 85.5% | 57.5% | 29.4% | 6.6% |
数据解读
- 代际碾压：在 27B 级别的对决中，Gemma 4 31B 相较于 Gemma 3 27B 在数学（AIME）与智能体工具调用（τ2-bench）上实现了数倍准确率提升。尤其值得关注的是，τ2-bench 从 6.6% 飙升至 86.4%，说明新一代模型在真实 API 调用、订单处理等序列决策任务上完全脱胎换骨。
- 小型模型潜力：Gemma 4 E4B（约 4B 参数的视觉语言模型）即已超越 Gemma 3 27B 的多模态推理成绩（52.6% vs 49.7%）。在数学与编程能力上，E4B 的绝对数值虽低于大尺寸版本，但在手机端部署场景中，42.5% 的 AIME 准确率已足以辅助数学解题教育。
- 稀疏型 26B 突出：26B A4B 表示总参数 26B 但推理时仅激活 4B（Activate 4 Billion）。它仅以微小的差距落后于密集型的 31B（如数学差 0.9%），这表明 DeepMind 成功调和了稀疏架构中"知识存储"与"动态路由"之间的冲突。
以上结果均为官方在受限提示词（No tools 列）下的报道，官方全部数据集与评测脚本均已在模型卡中披露，支持第三方复现验证。
安全与信任基础
Gemma 4 系列在安全层面享有与 Google 闭源旗舰模型同等规格的基础设施级安全协议——这意味着从训练数据筛查（来源追踪、敏感信息去重）开始，到权重发布前的对抗性红队测试，再到推理时的输出过滤，每一环节都经受了国防级审查。对于政府机构和金融企业而言，选择 Gemma 4 意味着获得一份可审计、可追溯的透明度，同时满足 SOC 2、ISO 27001 等合规要求。DeepMind 指出，企业可以在隔离的私有云或物理服务器上独立部署该开源权重，彻底避免公有云 API 传输带来的泄露风险。
部署选项与生态整合
为了加速模型的分发与应用，Gemma 4 全系权重已同步上传至多个主流平台：
- 模型托管：Hugging Face、Kaggle、Ollama、LM Studio、Docker Hub
- 运行框架：JAX、Keras、Google AI Edge、Cactus、Gemini Enterprise Agent Platform
- 基础设施服务：Google Kubernetes Engine（GKE）、无服务器推理端点
其中特别值得关注的是与 Unsloth 的合作——Unsloth 是一款针对消费级 GPU 的高效微调引擎，它能将 31B 模型在单张 24GB 显存的 RTX 4090 上完成 LoRA 微调而无需模型并行或梯度累计，极大降低了开发者尝试微调的门槛。
技术深度解读：三处值得关注的设计细节
稀疏激活的语境平移：26B A4B 并非简单的 8 选 2 MoE（Mixture of Experts），官方提示其采用"非均匀专家路由"——即对于多模态输入中的视觉 token 与文本 token，分配不同数量的专家参与计算。这让视觉特征的提取（通常更耗算力）不再限制文本解码速度。
函数调用的原生化：在 Gemma 3 中，工具使用依赖提示词模板引导模型输出 JSON 结构体；在 Gemma 4 中，模型预测头（LM Head）被扩展出专门的 tool-logits 分支。这使得模型能采用二分搜索的方式为外部 API 生成参数列表，将工具调用的失败率降低了接近一个数量级，真正的 Agentic 生产可用度由此建立。
视觉编码器的分辨率自适应：边缘型号（E2B/E4B）内置了动态 Patch 采样策略。面对低功耗摄像头输入时，模型按需在板载内存中仅解码图像关键区域（如人脸区域或文字行），而不必处理整张 1024x1024 像素图，从而在紧凑内存中实现 1080p 级别感知。
总结与展望
Gemma 4 标志着开源模型的另一转折：当 Meta 的 Llama 系列在追求更大参数规模时，DeepMind 用 31B 的小钢炮证明了智能并不完全与规模挂钩。特别是 4B 级别的模型在长尾科学问答（GPQA 58.6%）中几乎干掉了上一代 27B 模型（42.4%），这意味着端侧 AI 的智能水位线被大幅抬高。对于开发者而言，今天已经可以在一台 2000 美元的笔记本电脑上，通过 Ollama 运行一个能够在代码、数学、智能体场景中达到 2023 年最先进水平的模型，而所有这一切均是 Apache 2.0 协议的完全开源形态。