FunctionGemma 与专用工具调用模型的兴起

Google 悄悄发布了一个比大多数人意识到的更重要的东西：FunctionGemma。它是一个拥有 2.7 亿参数——注意，不是十亿，是百万——的 Gemma 3 模型，专门且排他性地为函数调用进行了 fine-tuning。

270M 参数。比 BERT 还小。以 FP16 占 540MB RAM，量化后不到 200MB。可以在树莓派上运行。它的任务只有一个：接收用户消息和一组工具模式，输出正确的函数调用及正确的参数。

这不是一个同时也能做工具调用的通用模型。这是一个专门构建的工具调用引擎。

FunctionGemma 实际做什么

输入：一组函数定义和用户消息。输出：结构化的函数调用——函数名和参数的 JSON。

示例

输入：

Functions available:
- get_weather(location: string, unit: "celsius" | "fahrenheit") → Weather data for a location
- search_restaurants(city: string, cuisine: string, price_range: 1-4) → Restaurant listings

User: "What's the weather like in Berlin?"

输出：

{"function": "get_weather", "arguments": {"location": "Berlin", "unit": "celsius"}}

没有前言。没有解释。只有函数调用。

为什么 270M 参数是一件大事

FunctionGemma 以比 Llama 3.3 8B 少 30 倍的参数，在标准函数调用基准测试上达到 82-88% 的准确率。使用的 RAM 少 22 倍。在 CPU 上生成 token 的速度快 10-15 倍。

信号：告别"一个模型搞定一切"

过去三年的主导模式是：选择你能负担得起的最聪明的模型，用于一切。FunctionGemma 代表相反的哲学：构建（或使用）做一件事的模型，并使其尽可能小和快。

何时使用 FunctionGemma vs Fine-Tune 自己的模型

直接使用 FunctionGemma 的场景：

• 你的工具是标准 API
• 82-88% 的准确率可以接受
• 你需要最小的部署占用

Fine-Tune 自己模型的场景：

• 你的工具是自定义或领域特定的
• 你需要 95%+ 的准确率
• 你有复杂的参数逻辑

Fine-Tune FunctionGemma 的场景：

早期结果表明，fine-tuned FunctionGemma 在自定义工具模式上达到 90-94% 的准确率——与 fine-tuned 3B 模型相当，但体积小 10 倍。

更大的图景：任务专用模型是未来

未来的架构不是一个大模型，而是一个小型专家组成的图：

用户请求 → 路由器 (100M) → 选定的专家
  ├── 工具调用器 (270M - FunctionGemma)
  ├── 摘要器 (1B)
  ├── 分类器 (500M)
  └── 生成器 (7B - 仅在需要完整语言生成时)

总系统 RAM：大约 6-8GB。延迟：大多数路径低于 100ms。成本：每查询零。

延伸阅读

• Fine-Tuning 小模型 vs GPT-4：小模型何时胜出
• 2026 年最佳开源 Fine-Tune 模型
• 为工具调用 Fine-Tuning：如何构建可靠的 AI Agent