책임감 있는 설계 아이콘

책임감 있는 설계

포괄적인 안전 조치가 적용된 이 모델들은 선별된 데이터 세트 및 엄격한 조정을 통해 책임감 있고 신뢰할 수 있는 AI 솔루션을 보장하도록 도와줍니다.

성능이 뛰어난 아이콘

크기 대비 독보적인 성능

Gemma 모델은 2B, 7B, 9B, 27B 크기에서 탁월한 벤치마크 결과를 달성하며, 더 큰 일부 오픈 모델보다도 뛰어난 성능을 보입니다.

유연한 프레임워크

유연한 배포

Keras, JAX, MediaPipe, PyTorch, Hugging Face 등을 사용하여 모바일, 웹, 클라우드에 원활하게 배포합니다.

5샷

MMLU

MMLU 벤치마크는 사전 학습 중에 대규모 언어 모델이 습득한 지식의 폭과 문제 해결 능력을 측정하는 테스트입니다.

25장

ARC-C

ARC-c 벤치마크는 ARC-e 데이터 세트의 보다 구체적인 하위 집합으로, 일반적인 (검색 기반 및 단어 공동발생) 알고리즘에 의해 잘못 답변된 질문만 포함되어 있습니다.

5샷

GSM8K

GSM8K 벤치마크는 여러 단계의 추론이 자주 필요한 초등학교 수준의 수학 문제를 해결하는 언어 모델의 능력을 테스트합니다.

3-5-샷

AGIEval

AGIEval 벤치마크는 인간의 지적 능력을 평가하기 위해 설계된 실제 시험에서 파생된 질문을 사용하여 언어 모델의 일반 지능을 테스트합니다.

3샷, CoT

BBH

BBH (BIG-Bench Hard) 벤치마크는 현재 언어 모델의 능력을 벗어난 것으로 간주되는 작업에 중점을 두고 다양한 추론 및 이해 도메인에서 한계를 테스트합니다.

3샷, F1

버리기

DROP은 단락에 대한 개별적인 추론이 필요한 독해력 벤치마크입니다.

5샷

Winogrande

Winogrande 벤치마크는 일반화된 상식적 추론이 필요한 이진 옵션으로 모호한 '빈칸 채우기' 작업을 해결하는 언어 모델의 능력을 테스트합니다.

10샷

HellaSwag

HellaSwag 벤치마크는 스토리의 가장 논리적인 결말을 선택하여 상식적인 추론을 이해하고 적용하는 언어 모델의 능력을 테스트합니다.

4샷

MATH

MATH는 추론, 여러 단계의 문제 해결, 수학 개념 이해가 필요한 복잡한 수학 단어 문제를 해결하는 언어 모델의 능력을 평가합니다.

제로샷

ARC-e

ARC-e 벤치마크는 실제 초등학교 수준의 객관식 과학 질문으로 언어 모델의 고급 질문 답변 기술을 테스트합니다.

제로샷

PIQA

PIQA 벤치마크는 일상적인 물리적 상호작용에 관한 질문에 답변하여 물리적 상식 지식을 이해하고 적용하는 언어 모델의 능력을 테스트합니다.

제로샷

SIQA

SIQA 벤치마크는 사람의 행동과 사회적 함의에 관한 질문을 통해 언어 모델의 사회적 상호작용 및 사회적 상식에 대한 이해를 평가합니다.

제로샷

Boolq

BoolQ 벤치마크는 자연스럽게 발생하는 예/아니요 질문에 답하는 언어 모델의 능력을 테스트하여 모델이 실제 자연어 추론 작업을 실행하는 능력을 테스트합니다.

5샷

TriviaQA

TriviaQA 벤치마크는 질문-답변-증거 삼중항을 사용하여 읽기 이해력을 테스트합니다.

5샷

NQ

NQ (자연어 질문) 벤치마크는 전체 Wikipedia 기사 내에서 답변을 찾고 이해하는 언어 모델의 능력을 테스트하여 실제 질의응답 시나리오를 시뮬레이션합니다.

pass@1

HumanEval

HumanEval 벤치마크는 솔루션이 프로그래밍 문제의 기능 단위 테스트를 통과하는지 평가하여 언어 모델의 코드 생성 능력을 테스트합니다.

3샷

MBPP

MBPP 벤치마크는 기본 프로그래밍 개념과 표준 라이브러리 사용에 중점을 두고 언어 모델이 기본 Python 프로그래밍 문제를 해결하는 능력을 테스트합니다.

100%

75%

50%

25%

0%

100%

75%

50%

25%

0%

Gemma 1

25억

42.3

Gemma 2

26억

51.3

Mistral

7B

62.5

LLAMA 3

8B

66.6

Gemma 1

7B

64.4

Gemma 2

90억

71.3

Gemma 2

270억

75.2

Gemma 1

25억

48.5

Gemma 2

26억

55.4

Mistral

7B

60.5

LLAMA 3

8B

59.2

Gemma 1

7B

61.1

Gemma 2

90억

68.4

Gemma 2

270억

71.4

Gemma 1

25억

15.1

Gemma 2

26억

23.9

Mistral

7B

39.6

LLAMA 3

8B

45.7

Gemma 1

7B

51.8

Gemma 2

90억

68.6

Gemma 2

270억

74.0

Gemma 1

25억

24.2

Gemma 2

26억

30.6

Mistral

7B

44.0

LLAMA 3

8B

45.9

Gemma 1

7B

44.9

Gemma 2

90억

52.8

Gemma 2

270억

55.1

Gemma 1

25억

35.2

Gemma 2

26억

41.9

Mistral

7B

56.0

LLAMA 3

8B

61.1

Gemma 1

7B

59.0

Gemma 2

90억

68.2

Gemma 2

270억

74.9

Gemma 1

25억

48.5

Gemma 2

26억

52.0

Mistral

7B

63.8

LLAMA 3

8B

58.4

Gemma 1

7B

56.3

Gemma 2

90억

69.4

Gemma 2

270억

74.2

Gemma 1

25억

66.8

Gemma 2

26억

70.9

Mistral

7B

78.5

LLAMA 3

8B

76.1

Gemma 1

7B

79.0

Gemma 2

90억

80.6

Gemma 2

270억

83.7

Gemma 1

25억

71.7

Gemma 2

26억

73.0

Mistral

7B

83.0

LLAMA 3

8B

82.0

Gemma 1

7B

82.3

Gemma 2

90억

81.9

Gemma 2

270억

86.4

Gemma 1

25억

11.8

Gemma 2

26억

15.0

Mistral

7B

12.7

Gemma 1

7B

24.3

Gemma 2

90억

36.6

Gemma 2

270억

42.3

Gemma 1

25억

73.2

Gemma 2

26억

80.1

Mistral

7B

80.5

Gemma 1

7B

81.5

Gemma 2

90억

88.0

Gemma 2

270억

88.6

Gemma 1

25억

77.3

Gemma 2

26억

77.8

Mistral

7B

82.2

Gemma 1

7B

81.2

Gemma 2

90억

81.7

Gemma 2

270억

83.2

Gemma 1

25억

49.7

Gemma 2

26억

51.9

Mistral

7B

47.0

Gemma 1

7B

51.8

Gemma 2

90억

53.4

Gemma 2

270억

53.7

Gemma 1

25억

69.4

Gemma 2

26억

72.5

Mistral

7B

83.2

Gemma 1

7B

83.2

Gemma 2

90억

84.2

Gemma 2

270억

84.8

Gemma 1

25억

53.2

Gemma 2

26억

59.4

Mistral

7B

62.5

Gemma 1

7B

63.4

Gemma 2

90억

76.6

Gemma 2

270억

83.7

Gemma 1

25억

12.5

Gemma 2

26억

16.7

Mistral

7B

23.2

Gemma 1

7B

23.0

Gemma 2

90억

29.2

Gemma 2

270억

34.5

Gemma 1

25억

22.0

Gemma 2

26억

17.7

Mistral

7B

26.2

Gemma 1

7B

32.3

Gemma 2

90억

40.2

Gemma 2

270억

51.8

Gemma 1

25억

29.2

Gemma 2

26억

29.6

Mistral

7B

40.2

Gemma 1

7B

44.4

Gemma 2

90억

52.4

Gemma 2

270억

62.6

*이는 사전 학습된 모델의 벤치마크입니다. 다른 방법의 성능에 관한 자세한 내용은 기술 보고서를 참고하세요.

기술 보고서 읽기

PaliGemma 2 신규

PaliGemma 2는 Gemma 2 언어 모델에 쉽게 미세 조정할 수 있는 비전 기능을 제공하여 텍스트와 이미지 이해를 결합한 다양한 애플리케이션을 지원합니다.

Kaggle 로고 Kaggle에서 다운로드 Hugging Face 로고 Hugging Face에서 다운로드 문서 아이콘 문서 읽기

DataGemma

DataGemma는 LLM을 Google의 Data Commons에서 가져온 광범위한 실제 데이터와 연결하도록 설계된 최초의 개방형 모델입니다.

Kaggle 로고 Kaggle에서 다운로드 Hugging Face 로고 Hugging Face에서 다운로드 문서 아이콘 문서 읽기

Gemma 범위

Gemma Scope는 연구원에게 Gemma 2 모델의 의사결정 프로세스에 대한 전례 없는 투명성을 제공합니다.

Hugging Face 로고 Hugging Face에서 다운로드 문서 아이콘 문서 읽기

Gemmaverse 살펴보기

커뮤니티에서 만든 Gemma 모델과 도구의 광범위한 생태계로, 혁신을 지원하고 아이디어를 얻을 수 있습니다.

대안 살펴보기 노트북 검색

빌드

Gemma로 빌드 시작

Gemma 쿡북 읽기

Google의 개방형 모델에 관한 실제 예시 및 튜토리얼

노트북 탐색

Hugging Face 로고

Hugging Face

이 노트북에서는 DPO (직접 선호도 최적화)를 사용하여 Gemma-2 모델을 정렬하는 방법을 보여줍니다.
NVIDIA 로고

NVIDIA

NVIDIA NeMo 프레임워크로 Gemma 모델을 미세 조정하고 프로덕션을 위해 TensorRT-LLM으로 내보냅니다.
Ollama 로고

Ollama

Ollama를 사용하여 Gemma 모델에서 로컬로 추론을 실행합니다.
Unsloth 로고

Unsloth

UnSloth를 사용하여 빠르고 메모리 효율적인 Gemma 2 (9B) 미세 조정을 활용하세요.

모델 배포

배포 타겟 선택

모바일 배포 아이콘모바일

Google AI Edge로 기기 내 배포

지연 시간이 짧은 오프라인 기능을 위해 기기에 직접 배포합니다. 모바일 앱, IoT 기기, 삽입 시스템과 같이 실시간 응답성과 개인 정보 보호가 필요한 애플리케이션에 적합합니다.

모바일 배포

웹 아이콘웹

웹 애플리케이션에 원활하게 통합

양방향 기능, 맞춤 콘텐츠, 지능형 자동화를 지원하는 고급 AI 기능으로 웹사이트와 웹 서비스를 강화하세요.

웹 배포

클라우드 아이콘Cloud

클라우드 인프라로 간편하게 확장

클라우드의 확장성과 유연성을 활용하여 대규모 배포, 까다로운 워크로드, 복잡한 AI 애플리케이션을 처리하세요.

클라우드 배포

글로벌 커뮤니케이션의 잠금 해제

글로벌 Kaggle 대회에 참여하세요. 특정 언어 또는 고유한 문화적 측면을 위한 Gemma 모델 변형 만들기

경쟁 참여