Google发布FunctionGemma小模型，这是以Gemma 3 270M（2.7亿参数）为基础，专门针对工具调用需求进行微调的版本，并同步公开一套训练配方，让开发者能再依自家应用的API动作集进一步微调。Google将其设置为设备端代理的基础模型，目标是在手机等可本机运行的环境中，把自然语言指令转成可执行的API动作，同时兼顾反应时间与数据隐私。

Google提到，自Gemma 3 270M推出后，开发者最常提出的需求之一就是原生的工具调用能力，官方认为，生成式AI产品的互动界面正从单纯对话，转向能代为执行任务的代理系统。FunctionGemma主要针对单轮与并行的工具调用进行训练，但要把多步骤操作串成相依的工作流，通常仍需由外部编排流程，或依自家动作集再微调，才能控制输出行为到可预期范围。

官方强调FunctionGemma处理执行与说明两种输出场景。模型可以先产生结构化的工具调用内容，交由既有工具或操作系统能力执行，取得回应后再用自然语言整理结果回复用户。这也让FunctionGemma在系统架构上有两种常见用法，一种是作为脱机、本机的独立代理，负责处理不需联网的私人任务，另一种是作为设备端的任务分流器，先把常见指令在设备上快速处理，再把较复杂的需求转交给较大型模型，例如Gemma 3 27B。

Google以Mobile Actions评估为例说明微调的必要性，官方指出，要是以基础模型直接上场，准确率约为58%，但在针对数据进行微调后，于保留测试集上的准确率可提升到85%。

FunctionGemma的量体设计可支持像是手机与单板计算机等设备，同时沿用Gemma系列约25万规模的词汇表，以提升对JSON格式与多语输入的处理效率。官方说法是，较有效率的Token切分有助缩短串行长度，进而降低延迟并更贴近当地运算的隐私需求。为了让开发与部署更容易接上既有流程，Google也列出支持的工具链，包含训练端可用Hugging Face Transformers、Unsloth、Keras或Nvidia NeMo，部署端则可选LiteRT-LM、vLLM、MLX、Llama.cpp、Ollama、Vertex AI或LM Studio等环境。