你 5 岁的女儿画了一只长着翅膀的猫，举着蜡笔对你说：“爸爸，它叫什么名字？在哪儿生活？” 你愣了一下。你不是编不出故事，而是想给她一个更精彩、更连贯的版本，而不是“从前有只猫，飞走了，完了”。
这种时刻，你需要的不是大模型列表和复杂配置，而是一个能看图编故事的 AI，恰好——Google 刚开源的 Gemma 4 就是为此而生的。
下面我用 15 分钟，带你跑通一次“从涂鸦到短篇故事”的完整过程。你不需要懂深度学习，只要能复制几行代码，就能让 AI 给你家小朋友的每一张画配上一个专属童话。
1. 它为什么懂图
Gemma 4 是一种多模态语言模型（image-text-to-text），你可以把它想象成一个会仔细看画的作家。它先像人一样扫描整个画面——猫的翅膀颜色、背景的太阳、孩子的笔触——然后把这些视觉信号转译成文字故事。之前的模型也能看图说话，但往往只给一段客观描述，而 Gemma 4 更擅长在理解图像后创造性地展开叙事，这正是“写故事”场景下的巨大进步。
我们选的是 google/gemma-4-E4B-it，一个约 4B 参数、精炼过的版本，普通显卡就能跑，不需要抢 A100。它既能看图，也能理解文字的“风格指令”。
2. 三步上手：从图片到睡前故事
第一步：把“笔和纸”准备好
你需要 Python 3.10 以上环境，然后安装三个库：
pip install transformers torch pillow accelerate
安装很快，30 秒以内。
接着需要去 Hugging Face 接受许可协议（这是 Google 模型的安全要求），并登录你的账号：
huggingface-cli login
粘贴你的 Hugging Face Token（在 huggingface.co/settings/tokens 创建），等它显示 Login successful 就完成了前置工作。
第二步：加载“作家大脑”
下面代码会下载并初始化模型。第一次运行需下载约 8GB 文件，之后便缓存下来。
import torch
from transformers import Gemma4ForConditionalGeneration, Gemma4Processor
model_id = "google/gemma-4-E4B-it"
model = Gemma4ForConditionalGeneration.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto"
)
processor = Gemma4Processor.from_pretrained(model_id)
如果你的显卡不到 8GB 显存，可以在
from_pretrained里加上load_in_4bit=True，用量化压缩模型，肉眼几乎看不出故事质量下降，类似把高清图存成 JPG。
第三步：给图，收故事
准备好一张图片（手绘、照片、海报都行），我们给模型发请求时会带上两个要素：图片和创作指令。指令里可以指定故事类型、主角性格甚至暗黑/温馨基调。
from PIL import Image
image = Image.open("child_drawing.png") # 换成你的图片路径
prompt = "Write a short magical bedtime story for a 5-year-old, \
based on the image. Give the characters names, describe \
where they live, and end with a happy moment."
inputs = processor(
images=image,
text=prompt,
return_tensors="pt"
).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=512)
story = processor.decode(generated_ids[0], skip_special_tokens=True)
print(story)
对那张“翅膀猫”的画，我得到的开篇是这样的：
“Once upon a time, in a land called Featherfield, lived a tiny cat named Clover. She wasn’t like other cats—she had two feathery wings the color of sunset …”
结尾是 Clover 用翅膀带着蒲公英种子飞到云朵上，蜷在一朵月亮花里睡着了。念给女儿听时，她的眼睛亮得像发现了宝藏。
3. 这件事意味着什么
过去“给孩子编故事”需要家长的灵感、绘本的辅助，现在你把纸上的涂鸦即时转化为千人千面的叙事，而且故事质量稳定、角色一致。更关键的是，整个过程完全本地运行（除了首次下载模型），你给孩子画的东西，不会上传到任何云端服务——隐私和安全都握在自己手里。
成本上，一块 RTX 3060（12GB 显存）就能流畅跑 E4B-it 版本，生成一个 500 字的故事大约 8 秒。如果你手头只有 CPU，也可以跑量化的 Gemma-4-31B-it GGUF 版本，时间会慢一些，但完全免费。
如果要继续深入，试一下把同一个故事指令里的“magical”改成“sci-fi”，看看 Clover 穿上太空服的样子——你会开始理解，这个“作家”的可塑性远比想象中大。