导读：谷歌最新推出 FunctionGemma，一款基于 Gemma 3 270M 打造的专用模型，它的目标很明确：让 AI 能在本地设备上，把自然语言直接变成可执行的系统或应用操作。

AI 的角色正在从“对话工具”转向“执行代理”。

如果只是回答问题，还不够，它还得能设置提醒、修改系统状态、调用应用接口，甚至自动完成多步操作。尤其是在本地设备上，这类能力既要反应快，又要足够稳定，还得保证隐私不出设备。

于是，FunctionGemma 出现了。

FunctionGemma 是谷歌基于 Gemma 3 270M 专门调校的一款函数调用模型。它的核心定位很清晰：把自然语言，可靠地转成可执行的 API 操作，而且能在本地跑。

它既可以作为一个完全离线、独立工作的本地代理，处理私密任务。也可以当作“流量调度员”，在本地先解决常见指令，把复杂任务再交给更大的模型，比如 Gemma 3 27B。

FunctionGemma 的几个关键特性，都在围绕“能不能真的用起来”展开：

• 统一“对话”和“行动”。FunctionGemma 既能生成结构化的函数调用，又能把执行结果再转成自然语言反馈给用户。一次模型调用，就能完成“理解 → 执行 → 解释”的完整闭环。
• 为微调而生，而不是只靠提示词。 在谷歌的 Mobile Actions 测试中，经过微调后，FunctionGemma 的准确率从 58% 提升到 85% 。说明在边缘设备场景下，专门训练的“小而专”的模型，比通用模型更可靠。
• 真正面向边缘设备设计。 模型体量足够小，可以运行在手机、NVIDIA Jetson Nano 等设备上。同时利用 Gemma 的 256k 词表，高效处理 JSON 和多语言输入，降低延迟、保护隐私，全程不出本地。
• 生态支持到位从 Hugging Face、Keras、NVIDIA NeMo 的训练工具，到 LiteRT-LM、vLLM、Ollama、LM Studio 等部署方案，几乎覆盖了从训练到落地的完整链路。

FunctionGemma 的发布，释放了一个非常明确的信号：AI 的重心，正在从“回答问题”，转向“执行任务”。

当模型足够小、足够专注，又能稳定地调用系统能力，AI 才真正有机会成为随身可用、可信赖的本地助手。 这一步走通之后，下一阶段的应用形态，显然会更具体，也更贴近真实使用场景。

参考资料：https://blog.google/technology/developers/functiongemma/