谷歌发布FunctionGemma小型模型，该模型以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，并同步公开了一套训练配方，供开发者根据自身应用的API操作集进一步微调。谷歌将其定位为设备端代理的基础模型，目标是在手机等可在本地运行的环境中，将自然语言指令转换为可执行的API操作，同时兼顾响应速度与数据隐私。

谷歌表示，自Gemma 3 270M发布后，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产品的交互界面正从单纯的对话，转向能够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，但若要将多步骤操作串联成依赖性工作流，通常仍需借助外部编排流程，或根据自身操作集进行微调，才能将输出行为控制在可预期的范围内。

官方强调FunctionGemma处理执行与说明两种输出场景。模型可先生成结构化的工具调用内容，交由现有工具或操作系统能力执行，获取响应后再以自然语言整理结果反馈给用户。这也使FunctionGemma在系统架构中有两种常见用法：一种是作为离线、本地的独立代理，负责处理无需联网的私密任务；另一种是作为设备端的任务分流器，先将常见指令在设备端快速处理，再将较复杂的需求交由更大模型（如Gemma 3 27B）处理。

谷歌以移动操作评估为例说明微调的必要性。官方指出，若直接使用基础模型，准确率约为58%，但在针对数据进行微调后，在保留测试集上的准确率可提升至85%。

FunctionGemma的规模设计可支持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格式与多语言输入的处理效率。官方表示，更高效的分词方式有助于缩短序列长度，从而降低延迟，更贴近本地化运算的隐私需求。为便于开发与部署对接现有流程，谷歌还列出了支持的工具链：训练端可使用Hugging Face Transformers、Unsloth、Keras或NVIDIA NeMo，部署端则可选择LiteRT-LM、vLLM、MLX、Llama.cpp、Ollama、Vertex AI或LM Studio等环境。