欢迎来到 Gemma 4 黑客松挑战赛的开发者指南。本指南将带你完成 Google DeepMind 最新开源模型系列（Gemma 4）在本地硬件上的设置、优化与集成，助力你构建高性能 AI 应用。
首先是工具选型。根据你的项目架构，可以选择不同的部署路径：如果你在构建自主代理（Autonomous Agents）或后端微服务，推荐使用 Ollama，它提供简洁的本地 REST API 端点；如果你需要即插即用的视觉原型开发或多模态测试，LM Studio 是更好的选择，它支持直观的 GUI 和参数调节。
在硬件匹配方面，Gemma 4 提供了多种规格：Gemma 4 E2B（Dense 架构，128K 上下文）适合边缘计算和移动端，仅需约 5GB 显存；E4B 版本则适合标准笔记本上的多模态应用。对于追求高性能的开发者，26B-A4B 是一个混合专家模型（MoE），拥有 256K 上下文，4-bit 量化后需 18GB 显存，非常适合高速代码助手。而 31B Dense 版本则是逻辑推理和数学任务的最佳选择。
本地安装建议使用 Ollama。首先从官方网站下载并安装，然后在终端运行命令。对于拥有主流消费级显卡（如 RTX 3090/4080 或 Mac M 系列芯片）的用户，推荐运行 26B MoE 版本：ollama run gemma4:26b。如果显存有限，可切换至 E4B 版本。
安装完成后，可以通过验证本地端点来确认连接。Ollama 在 http://localhost:11434 启动 API 服务，你可以使用简单的 Curl 请求进行测试。最后，Gemma 4 支持高上下文处理，你可以将其轻松集成到 Python 项目中，利用 Unsloth 等工具进行本地微调，探索更多可能性。
