이 모델의 강점은 무엇인가요?

경량화되고 효율적인 모델 크기 128K의 긴 컨텍스트 지원 Google DeepMind 개발

이 모델의 약점은 무엇인가요?

복잡한 작업에 부적합한 제한된 파라미터 대형 모델에 비해 제한된 지식 고급 추론 능력 부재

어떤 용도에 가장 적합한가요?

엣지 디바이스에서의 저지연 작업 소규모 텍스트 생성 작업 효율적인 문서 컨텍스트 처리

모델 목록으로

Google Deep Mind조건부 오픈

Gemma 3-270M

Name: Gemma 3-270M
Author: Google Deep Mind

Gemma 3-270M는 Google DeepMind가 개발한 기반 모델입니다. 컴팩트한 크기에도 불구하고, 광범위한 128K 컨텍스트 윈도우를 갖추고 있습니다.

파라미터

2.0B

컨텍스트

128K

라이선스

Gemma License

출시일

2025-08-14

API 가격

이 모델의 API 가격 정보는 현재 공개되지 않았습니다

강점

・경량화되고 효율적인 모델 크기
・128K의 긴 컨텍스트 지원
・Google DeepMind 개발

약점

・복잡한 작업에 부적합한 제한된 파라미터
・대형 모델에 비해 제한된 지식
・고급 추론 능력 부재

활용 사례

・엣지 디바이스에서의 저지연 작업
・소규모 텍스트 생성 작업
・효율적인 문서 컨텍스트 처리

심층 분석

Parameters

270M

170M embedding + 100M transformer blocks

Vocabulary

256K tokens

Large vocabulary for handling rare/specific tokens

Release Date

August 14, 2025

Part of Gemma 3 family expansion

Battery Usage

0.75% per 25 conversations

Tested on Pixel 9 Pro SoC with INT4 quantization

Quantization

INT4 QAT

Quantization-Aware Trained checkpoints available

License

Gemma Terms of Use

IFEval

Best-in-class for size

New level of instruction-following performance for 270M class

강점

・Extremely energy efficient: 0.75% battery for 25 conversations on Pixel 9 Pro
・Strong instruction-following out of the box (best IFEval for its size class)
・256K vocabulary handles rare and domain-specific tokens well
・Production-ready INT4 QAT quantization for edge deployment
・Excellent base for task-specific fine-tuning

약점

・Not designed for complex conversational use cases
・Very limited general knowledge and reasoning capability
・Text-only (no multimodal support)
・Small context window compared to larger models
・Requires fine-tuning for production quality on specific tasks

경쟁사 비교

Model	Arena	SWE	GPQA	Price
Gemma 3 270M	N/A	N/A	N/A	Free (open weights)
Phi-3.5 Mini (3.8B)	~1100	N/A	~55%	Free (open weights)
SmolLM2 (1.7B)	N/A	N/A	N/A	Free (open weights)
Qwen2.5 (0.5B)	N/A	N/A	N/A	Free (open weights)

개요

Gemma 3 270M is Google's most compact open model, designed for task-specific fine-tuning with strong instruction-following capabilities. With only 270M parameters and extreme energy efficiency (0.75% battery per 25 conversations on Pixel 9 Pro), it targets on-device AI, IoT, and specialized classification/extraction tasks.

벤치마크 및 성능

Best-in-class instruction-following (IFEval) for its size class. Not designed for general-purpose reasoning or coding benchmarks. True value is unlocked through fine-tuning for specific tasks like text classification and data extraction.

상세 비교

Significantly smaller than Phi-3.5 Mini (3.8B) or SmolLM2 (1.7B). Trade-off is clear: much less general capability but far more efficient. Best compared to other sub-1B models where it excels at instruction-following.

커뮤니티 평가

Appreciated by edge AI and IoT developers. The Adaptive ML + SK Telecom case study (fine-tuning Gemma 3 4B for content moderation that exceeded larger proprietary models) is often cited as the ideal use pattern. Developers value the INT4 QAT quantization.

활용 사례

Ideal for text classification, data extraction, sentiment analysis, content moderation, and other well-defined tasks after fine-tuning. Perfect for on-device deployment on mobile (Android/iOS), Raspberry Pi, and embedded systems where power efficiency is critical.