برای نمونه‌های تولید و تنظیم، مخزن کتاب آشپزی Gemma را بررسی کنید! بیشتر بدانید

این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

مدل های باز جما

خانواده ای از مدل های باز سبک وزن و پیشرفته که از همان تحقیقات و فناوری استفاده شده برای ایجاد مدل های Gemini ساخته شده اند.

Gemma 2 را در Google AI Studio امتحان کنید

مسئول طراحی

این مدل‌ها با ترکیب اقدامات ایمنی جامع، به اطمینان از راه‌حل‌های هوش مصنوعی مسئول و قابل اعتماد از طریق مجموعه داده‌های انتخاب شده و تنظیم دقیق کمک می‌کنند.

عملکرد بی نظیر در اندازه

مدل‌های Gemma در اندازه‌های 2B، 7B، 9B و 27B خود به نتایج معیار استثنایی دست می‌یابند، حتی از برخی مدل‌های باز بزرگتر نیز بهتر عمل می‌کنند.

استقرار انعطاف پذیر

با استفاده از Keras، JAX، MediaPipe، PyTorch، Hugging Face و موارد دیگر، به صورت یکپارچه روی موبایل، وب و ابر مستقر شوید.

جما 2 را امتحان کنید

Gemma 2 که برای عملکرد بزرگ و کارایی بی بدیل دوباره طراحی شده است، برای استنتاج سریع بر روی سخت افزارهای مختلف بهینه سازی می کند.

Gemma 2 را در Google AI Studio امتحان کنید

5-شات

MMLU

معیار MMLU آزمونی است که وسعت دانش و توانایی حل مسئله به دست آمده توسط مدل های زبانی بزرگ را در طول پیش آموزش اندازه گیری می کند.

25-شات

ARC-C

معیار ARC-c زیرمجموعه متمرکزتری از مجموعه داده ARC-e است که فقط شامل سؤالاتی است که توسط الگوریتم‌های رایج (پایه بازیابی و هم‌روی کلمه) به اشتباه پاسخ داده شده است.

5-شات

GSM8K

معیار GSM8K توانایی یک مدل زبان را برای حل مسائل ریاضی در سطح مدرسه که اغلب به چندین مرحله استدلال نیاز دارند، آزمایش می کند.

3-5-شات

AGIEval

معیار AGIEval هوش عمومی یک مدل زبان را با استفاده از سؤالات مشتق شده از آزمون های دنیای واقعی که برای ارزیابی توانایی های فکری انسان طراحی شده اند، آزمایش می کند.

3-شات، CoT

BBH

معیار BBH (BIG-Bench Hard) بر روی کارهایی تمرکز دارد که فراتر از توانایی‌های مدل‌های زبان فعلی تلقی می‌شوند و محدودیت‌های آن‌ها را در حوزه‌های استدلال و درک مختلف آزمایش می‌کنند.

3-شات، F1

رها کردن

DROP یک معیار درک مطلب است که به استدلال گسسته روی پاراگراف ها نیاز دارد.

5-شات

وینوگراند

معیار Winogrande توانایی یک مدل زبان را برای حل تکالیف مبهم پر کردن خالی با گزینه‌های باینری، که نیاز به استدلال عام عمومی دارد را آزمایش می‌کند.

10-شات

هلاسواگ

معیار HellaSwag با انتخاب منطقی ترین پایان یک داستان، توانایی یک مدل زبان در درک و به کارگیری استدلال عقل سلیم را به چالش می کشد.

4-شات

ریاضی

MATH توانایی یک مدل زبان را برای حل مسائل پیچیده کلمه ریاضی که نیاز به استدلال، حل مسئله چند مرحله ای و درک مفاهیم ریاضی دارد، ارزیابی می کند.

0-شات

ARC-e

معیار ARC-e مهارت‌های پیشرفته‌ی پاسخ‌گویی به سؤالات یک مدل زبان را با سؤالات علمی چندگزینه‌ای واقعی در سطح کلاس‌مدرسه آزمایش می‌کند.

0-شات

PIQA

معیار PIQA توانایی یک مدل زبان را برای درک و به کارگیری دانش عام فیزیکی با پاسخ دادن به سؤالاتی در مورد تعاملات فیزیکی روزمره آزمایش می کند.

0-شات

SIQA

معیار SIQA درک یک مدل زبان از تعاملات اجتماعی و عقل سلیم اجتماعی را با پرسیدن سؤالاتی در مورد اقدامات افراد و پیامدهای اجتماعی آنها ارزیابی می کند.

0-شات

بولق

معیار BoolQ توانایی یک مدل زبان را برای پاسخ دادن به سوالات بله/خیر طبیعی آزمایش می‌کند و توانایی مدل‌ها را برای انجام وظایف استنتاج زبان طبیعی در دنیای واقعی آزمایش می‌کند.

5-شات

TriviaQA

معیار TriviaQA مهارت های درک مطلب را با سه برابر پرسش-پاسخ-شواهد تست می کند.

5-شات

معیار NQ (سوالات طبیعی) توانایی یک مدل زبان را برای یافتن و درک پاسخ‌ها در کل مقالات ویکی‌پدیا، شبیه‌سازی سناریوهای پاسخ‌گویی به پرسش در دنیای واقعی، آزمایش می‌کند.

پاس@1

HumanEval

معیار HumanEval با ارزیابی اینکه آیا راه‌حل‌های آن آزمون‌های واحد عملکردی را برای مشکلات برنامه‌نویسی قبول می‌کنند، توانایی‌های تولید کد یک مدل زبان را آزمایش می‌کند.

3-شات

MBPP

معیار MBPP توانایی یک مدل زبان را برای حل مشکلات اساسی برنامه نویسی پایتون، با تمرکز بر مفاهیم اساسی برنامه نویسی و استفاده از کتابخانه استاندارد، آزمایش می کند.

100%

75%

50%

25%

100%

75%

50%

25%

جما 1

2.5B

42.3

جما 2

2.6B

51.3

میسترال

62.5

LLAMA 3

66.6

جما 1

64.4

جما 2

71.3

جما 2

27B

75.2

جما 1

2.5B

48.5

جما 2

2.6B

55.4

میسترال

60.5

LLAMA 3

59.2

جما 1

61.1

جما 2

68.4

جما 2

27B

71.4

جما 1

2.5B

15.1

جما 2

2.6B

23.9

میسترال

39.6

LLAMA 3

45.7

جما 1

51.8

جما 2

68.6

جما 2

27B

74.0

جما 1

2.5B

24.2

جما 2

2.6B

30.6

میسترال

44.0

LLAMA 3

45.9

جما 1

44.9

جما 2

52.8

جما 2

27B

55.1

جما 1

2.5B

35.2

جما 2

2.6B

41.9

میسترال

56.0

LLAMA 3

61.1

جما 1

59.0

جما 2

68.2

جما 2

27B

74.9

جما 1

2.5B

48.5

جما 2

2.6B

52.0

میسترال

63.8

LLAMA 3

58.4

جما 1

56.3

جما 2

69.4

جما 2

27B

74.2

جما 1

2.5B

66.8

جما 2

2.6B

70.9

میسترال

78.5

LLAMA 3

76.1

جما 1

79.0

جما 2

80.6

جما 2

27B

83.7

جما 1

2.5B

71.7

جما 2

2.6B

73.0

میسترال

83.0

LLAMA 3

82.0

جما 1

82.3

جما 2

81.9

جما 2

27B

86.4

جما 1

2.5B

11.8

جما 2

2.6B

15.0

میسترال

12.7

جما 1

24.3

جما 2

36.6

جما 2

27B

42.3

جما 1

2.5B

73.2

جما 2

2.6B

80.1

میسترال

80.5

جما 1

81.5

جما 2

88.0

جما 2

27B

88.6

جما 1

2.5B

77.3

جما 2

2.6B

77.8

میسترال

82.2

جما 1

81.2

جما 2

81.7

جما 2

27B

83.2

جما 1

2.5B

49.7

جما 2

2.6B

51.9

میسترال

47.0

جما 1

51.8

جما 2

53.4

جما 2

27B

53.7

جما 1

2.5B

69.4

جما 2

2.6B

72.5

میسترال

83.2

جما 1

83.2

جما 2

84.2

جما 2

27B

84.8

جما 1

2.5B

53.2

جما 2

2.6B

59.4

میسترال

62.5

جما 1

63.4

جما 2

76.6

جما 2

27B

83.7

جما 1

2.5B

12.5

جما 2

2.6B

16.7

میسترال

23.2

جما 1

23.0

جما 2

29.2

جما 2

27B

34.5

جما 1

2.5B

22.0

جما 2

2.6B

17.7

میسترال

26.2

جما 1

32.3

جما 2

40.2

جما 2

27B

51.8

جما 1

2.5B

29.2

جما 2

2.6B

29.6

میسترال

40.2

جما 1

44.4

جما 2

52.4

جما 2

27B

62.6

*اینها معیارهای مدل های از پیش آموزش دیده هستند، برای جزئیات عملکرد با روش های دیگر به گزارش فنی مراجعه کنید.

گزارش فنی را بخوانید

مدل های تحقیق

خانواده مدل Gemma گسترده را کشف کنید

مشاهده تمامی مدل های جما

PaliGemma 2 جدید

PaliGemma 2 قابلیت‌های بینایی قابل تنظیم را به مدل‌های زبان Gemma 2 به ارمغان می‌آورد و طیف وسیعی از برنامه‌ها را قادر می‌سازد که درک متن و تصویر را با هم ترکیب کنند.