Ya está aquí Gemma 3 270M: el nuevo modelo compacto para tareas específicas de IA

Tal y como ha anunciado Google, la familia de modelos abiertos Gemma ha sumado una nueva variante denominada Gemma 3 270M. Se trata de un modelo con 270 millones de parámetros diseñado para funcionar en dispositivos con recursos limitados y servir como base para modelos especializados mediante fine-tuning. Con este lanzamiento, se amplía la gama de opciones enfocadas en la eficiencia y la personalización.

Características principales y posibles aplicaciones

Gemma 3 270M combina 170 millones de parámetros de vocabulario con 100 millones en bloques de transformadores, lo que le permite manejar un repertorio de 256.000 tokens. Esta capacidad facilita el tratamiento de términos poco comunes y lo convierte en un modelo adecuado para entrenamientos en dominios o idiomas específicos.

Uno de sus puntos fuertes es el bajo consumo energético. En pruebas internas realizadas en un Pixel 9 Pro, la versión cuantizada en INT4 utilizó apenas un 0,75% de batería para 25 conversaciones, lo que lo sitúa como el modelo más eficiente de la serie. Además, su tamaño compacto favorece ajustes rápidos y despliegues en entornos locales, lo que permite preservar la privacidad sin necesidad de enviar datos a la nube.

Te recomendamos leer nuestra guía sobre Gemini de Google

El modelo está disponible tanto en una variante preentrenada como en una versión ajustada para seguir instrucciones. Aunque no está orientado a conversaciones complejas, puede realizar tareas pesadas para los humanos, como clasificación de texto, extracción de datos o conversión de información no estructurada en formatos más organizados. Según la propia compañía, también resulta útil en aplicaciones creativas como generación de historias o análisis de sentimientos.

También deberías leer nuestra guía sobre modelos de IA en local

Gemma 3 270M ya se encuentra disponible en plataformas como Hugging Face, Kaggle, LM Studio y Docker. También se puede probar en Vertex AI o mediante librerías de inferencia como llama.cpp y MLX. De igual modo, para los desarrolladores, existen guías y herramientas que facilitan tanto el ajuste del modelo como la posterior implementación en infraestructuras locales o en la nube.