Gemma 3: el modelo abierto de Google que corre en una sola GPU
Google presenta Gemma 3, modelos abiertos de 1B a 27B parámetros. Las variantes de 4B, 12B y 27B admiten imagen y 128k de contexto; Google destaca su rendimiento en un solo acelerador.
Google lanzó Gemma 3 el 12 de marzo de 2025, una familia de modelos de pesos abiertos en cuatro tamaños: 1B, 4B, 12B y 27B parámetros. Google promociona la variante mayor por su rendimiento en un host con una sola GPU o TPU, pero el alcance cambia según el tamaño: solo 4B, 12B y 27B admiten imágenes y contexto de 128.000 tokens; 1B es de texto y su contexto es de 32.000.
Google insiste en la eficiencia y presenta Gemma 3 para despliegues que van de dispositivos a estaciones de trabajo. Eso no significa que cualquier variante funcione en cualquier equipo: tamaño, precisión de los pesos, memoria disponible, longitud del contexto y motor de inferencia determinan qué cabe y a qué velocidad.
Qué trae Gemma 3
El salto principal frente a generaciones anteriores es la combinación de imagen y contexto largo en las variantes 4B, 12B y 27B. La ficha del modelo especifica entradas de texto e imágenes normalizadas a 896 × 896 y salidas de texto. Los vídeos cortos se procesan como secuencias de imágenes; no es un modelo que genere vídeo ni una modalidad incluida en 1B.
La ventana de 128.000 tokens permite introducir documentos o historiales largos en una solicitud de 4B, 12B o 27B; no equivale a memoria persistente ni garantiza aprovechar cada dato. El informe técnico muestra además caídas en varias pruebas al pasar de 32k a 128k, recordatorio de que capacidad nominal y recuperación efectiva son medidas distintas.
Google destaca además el soporte para idiomas. Gemma 3 ofrece cobertura lista para usar en más de 35 lenguas y capacidad preentrenada para más de 140. Es una diferencia relevante: la mayoría de modelos abiertos rinden mucho mejor en inglés que en el resto de idiomas, y ampliar ese abanico tiene consecuencias directas para quien construya productos fuera del mundo anglosajón.
A esto se suman dos funciones orientadas a desarrolladores: function calling —la capacidad del modelo de invocar herramientas o funciones externas— y structured output —salidas en formatos ordenados y predecibles—. Ambas son la base para construir lo que el sector llama experiencias "agénticas": sistemas que no solo responden, sino que encadenan acciones para completar tareas.
La cuenta que Google quiere que hagas
El argumento central del anuncio es la eficiencia. Google afirma que Gemma 3 27B puede operar en un host con un solo acelerador y lo sitúa cerca de la parte alta de LMArena, que ordena respuestas mediante comparaciones de preferencia humana. La fuente no convierte esa frase en una especificación universal de hardware: para reproducirla hacen falta la variante, cuantización, memoria, contexto y configuración exactas.
La compañía afirma que Gemma 3 superó a Llama3-405B, DeepSeek-V3 y o3-mini en evaluaciones preliminares de preferencia humana de LMArena. El adjetivo «preliminares» importa: el resultado es una fotografía del ranking y su protocolo. Mide qué respuesta prefieren evaluadores bajo comparaciones concretas, no precisión factual, coste, velocidad ni capacidad objetiva universal.
Aun con esa salvedad, el mensaje es potente. Un modelo de 27B parámetros compitiendo con uno de 405B (más de quince veces mayor en número de parámetros) resume bien hacia dónde empuja Google: no el modelo más grande, sino el que ofrece más rendimiento por unidad de hardware.
Gemma 3 estrena versiones cuantizadas oficiales. La cuantización reduce la precisión numérica de los pesos para rebajar memoria y cómputo; el efecto sobre la calidad depende del método y la tarea. Es una de las técnicas que facilitan el despliegue local, pero no convierte automáticamente 27B con contexto máximo en un modelo apto para cualquier GPU doméstica.
Una guerra por el ordenador de casa
Gemma 3 no aparece en el vacío competitivo. Los dos rivales que Google cita por su nombre —Llama, de Meta, y DeepSeek— son precisamente los referentes de la corriente de pesos abiertos que puede descargarse, ajustarse y ejecutarse fuera de la nube de un único proveedor.
Esa es la disputa de fondo: quién domina el terreno de los modelos que un desarrollador o una empresa puede correr en su propio equipo, sin depender de una API de pago ni ceder sus datos a un tercero. La eficiencia en una sola GPU es la carta que Google juega en esa mesa.
El anuncio insiste también en la integración con el ecosistema existente. Gemma 3 funciona con Hugging Face Transformers, Ollama, JAX, Keras, PyTorch, Google AI Edge, vLLM y Gemma.cpp, entre otros. Puede probarse en el navegador a través de Google AI Studio y descargarse desde Kaggle o Hugging Face. NVIDIA ha optimizado los modelos para sus GPUs —desde las Jetson Nano hasta los chips Blackwell— y también están adaptados a las TPU de Google Cloud y a GPUs de AMD mediante la pila de código abierto ROCm.
Para el despliegue en producción, Google ofrece Vertex AI, Cloud Run y su API GenAI, además de entornos locales. Es la estrategia habitual: modelos abiertos que sirven de puerta de entrada hacia la infraestructura de pago de la compañía.
Seguridad: ShieldGemma 2 y evaluaciones específicas
Junto a Gemma 3, Google lanza ShieldGemma 2, un verificador de seguridad de imágenes de 4B parámetros construido sobre la misma arquitectura. Su función es etiquetar contenido en tres categorías —contenido peligroso, material sexualmente explícito y violencia— y los desarrolladores pueden adaptarlo a sus propias necesidades.
La compañía subraya que los modelos abiertos exigen una evaluación de riesgos cuidadosa. En el caso de Gemma 3, señala que su mejor rendimiento en tareas STEM (ciencia, tecnología, ingeniería y matemáticas) motivó evaluaciones específicas sobre su posible uso indebido para crear sustancias dañinas; según Google, los resultados apuntan a un nivel de riesgo bajo.
Es una tensión inherente a los pesos abiertos: una vez descargados, disminuye el control técnico directo del proveedor sobre la ejecución, aunque siguen existiendo licencia, política de usos prohibidos y ley. La ficha del modelo pide salvaguardas adaptadas al producto y vigilancia continua; publicar pesos no transfiere automáticamente esas responsabilidades al modelo.
Un ecosistema que ya se mueve
En el anuncio, Google cifra la familia Gemma en más de 100 millones de descargas y más de 60.000 variantes comunitarias. Como ejemplos del «Gemmaverse» cita SEA-LION v3, de AI Singapore; BgGPT, de INSAIT; y OmniAudio, de Nexa AI. Son cifras y ejemplos declarados por el emisor, no un censo auditado de usos activos.
Esos casos ilustran el argumento del idioma que Google defiende: los modelos abiertos permiten que comunidades concretas adapten la tecnología a lenguas que los grandes proveedores suelen desatender.
La compañía abre además un programa académico. Los investigadores pueden solicitar créditos de Google Cloud por valor de 10.000 dólares por concesión para acelerar proyectos basados en Gemma 3; el formulario permanece abierto durante cuatro semanas.
Qué queda por ver
Las afirmaciones de rendimiento de Gemma 3 son, por ahora, las que ofrece la propia Google y descansan en gran medida sobre la preferencia humana de LMArena. Habrá que esperar a la evaluación independiente en tareas objetivas para calibrar cuánto de la ventaja anunciada se sostiene fuera del ranking.
Lo que sí está claro es la dirección estratégica. En un momento en que la eficiencia se ha convertido en el nuevo frente competitivo, Google responde con una familia de modelos que caben en una sola GPU y compiten, según sus cifras, con sistemas mucho mayores. Para desarrolladores y empresas que quieran IA capaz sin la factura ni la dependencia de la nube, es una opción más sobre la mesa; el veredicto lo dará el uso real.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
