Gemma Açık Modeller

Gemini modellerini oluşturmak için kullanılan aynı araştırma ve teknolojiden oluşturulan hafif, son teknoloji açık modeller ailesi

Google AI Studio'da Gemma 2'yi deneyin
Tasarımı gereği sorumlu simgesi

Tasarımdan sorumlu

Kapsamlı güvenlik önlemleri içeren bu modeller, seçili veri kümeleri ve titiz ayarlamalar sayesinde sorumlu ve güvenilir yapay zeka çözümleri sunmaya yardımcı olur.

Eşleşmeyen performans simgesi

Boyut açısından benzersiz performans

Gemma modelleri, 2B, 7B, 9B ve 27B boyutlarında olağanüstü karşılaştırma sonuçları elde eder ve hatta bazı daha büyük açık modellerden daha iyi performans gösterir.

Esnek çerçeve

Esnek dağıtım

Keras, JAX, MediaPipe, PyTorch, Hugging Face ve daha fazlasını kullanarak mobil, web ve bulutta sorunsuz bir şekilde dağıtın.

Gemma 2'yi deneyin

Olağanüstü performans ve benzersiz verimlilik için yeniden tasarlanan Gemma 2, çeşitli donanımlarda son derece hızlı çıkarım için optimizasyon yapar.

Google AI Studio'da Gemma 2'yi deneyin

5 atış

MMLU

MMLU karşılaştırması, ön eğitim sırasında büyük dil modellerinin edindiği bilginin kapsamını ve sorun çözme yeteneğini ölçen bir testtir.

25 çekimli

ARC-C

ARC-c karşılaştırması, ARC-e veri kümesinin daha odaklanmış bir alt kümesidir. Yalnızca yaygın (arama tabanlı ve kelime birlikteliği) algoritmalar tarafından yanlış yanıtlanan soruları içerir.

5 atış

GSM8K

GSM8K karşılaştırması, bir dil modelinin genellikle birden fazla mantık adımı gerektiren ilkokul düzeyindeki matematik problemlerini çözme yeteneğini test eder.

3-5-shot

AGIEval

AGIEval karşılaştırması, insan entelektüel yeteneklerini değerlendirmek için tasarlanmış gerçek sınavlardan alınan soruları kullanarak bir dil modelinin genel zekasını test eder.

3 atış, CoT

BBH

BBH (BIG-Bench Hard) karşılaştırması, mevcut dil modellerinin yeteneklerinin ötesinde olduğu düşünülen görevlere odaklanır ve çeşitli akıl yürütme ve anlama alanlarında bu modellerin sınırlarını test eder.

3 çekimli, F1

YERE YATIN

DROP, paragraflar üzerinde ayrı ayrı akıl yürütme gerektiren bir okuma anlama karşılaştırmasıdır.

5 atış

Winogrande

Winogrande karşılaştırması, bir dil modelinin, genelleştirilmiş sağduyulu akıl yürütme gerektiren, boşluk doldurma görevlerini ikili seçeneklerle çözme yeteneğini test eder.

10 atış

HellaSwag

HellaSwag karşılaştırması, bir dil modelinin bir hikayenin en mantıklı sonunu seçerek sağduyulu akıl yürütmeyi anlama ve uygulama becerisini test eder.

4 çekimli

MATH

MATH, bir dil modelinin mantık yürütme, çok adımlı problem çözme ve matematiksel kavramları anlama gerektiren karmaşık matematiksel sözel problemleri çözme becerisini değerlendirir.

0 atış

ARC-e

ARC-e karşılaştırması, bir dil modelinin ileri düzey soru yanıtlama becerilerini ilkokul düzeyinde gerçek çoktan seçmeli bilim sorularıyla test eder.

0 atış

PIQA

PIQA karşılaştırması, bir dil modelinin günlük fiziksel etkileşimlerle ilgili soruları yanıtlayarak fiziksel sağduyu bilgisini anlama ve uygulama becerisini test eder.

0 atış

SIQA

SIQA karşılaştırması, insanların eylemleri ve bu eylemlerin sosyal etkileri hakkında sorular sorarak bir dil modelinin sosyal etkileşimler ve sosyal sağduyu hakkındaki bilgisini değerlendirir.

0 atış

Boolq

BoolQ karşılaştırması, bir dil modelinin doğal olarak ortaya çıkan evet/hayır sorularını yanıtlama becerisini test ederek modelin gerçek dünyadaki doğal dil çıkarımı görevlerini yapma becerisini test eder.

5 atış

TriviaQA

TriviaQA karşılaştırması, soru-cevap-kanıt üçlüleriyle okuma anlama becerilerini test eder.

5 atış

NQ

NQ (Natural Questions) karşılaştırması, gerçek hayattaki soru-cevap senaryolarını simüle ederek bir dil modelinin Vikipedi makalelerinin tamamında yanıtları bulup anlama becerisini test eder.

pass@1

HumanEval

HumanEval karşılaştırması, bir dil modelinin kod oluşturma yeteneklerini test eder. Bunun için modelin çözümlerinin programlama sorunlarıyla ilgili işlevsel birim testlerini geçip geçmediğini değerlendirir.

3 çekimli

MBPP

MBPP karşılaştırması, temel programlama kavramlarına ve standart kitaplık kullanımına odaklanarak bir dil modelinin temel Python programlama sorunlarını çözme becerisini test eder.

%100

%75

%50

%25

%0

%100

%75

%50

%25

%0

Gemma 1

2,5 milyar

42,3

Gemma 2

2,6 milyar

51,3

Mistral

7 milyar

62,5

LLAMA 3

8B

66,6

Gemma 1

7B

64,4

Gemma 2

9B

71,3

Gemma 2

27B

75,2

Gemma 1

2,5 milyar

48,5

Gemma 2

2,6 milyar

55,4

Mistral

7 milyar

60.5

LLAMA 3

8B

59,2

Gemma 1

7B

61.1

Gemma 2

9B

68,4

Gemma 2

27B

71,4

Gemma 1

2,5 milyar

15.1

Gemma 2

2,6 milyar

23,9

Mistral

7 milyar

39,6

LLAMA 3

8B

45,7

Gemma 1

7B

51,8

Gemma 2

9B

68,6

Gemma 2

27B

74,0

Gemma 1

2,5 milyar

24,2

Gemma 2

2,6 milyar

30,6

Mistral

7 milyar

44,0

LLAMA 3

8B

45,9

Gemma 1

7 milyar

44,9

Gemma 2

9B

52,8

Gemma 2

27B

55.1

Gemma 1

2,5 milyar

35,2

Gemma 2

2,6 milyar

41,9

Mistral

7 milyar

56,0

LLAMA 3

8B

61.1

Gemma 1

7 milyar

59,0

Gemma 2

9B

68,2

Gemma 2

27B

74,9

Gemma 1

2,5 milyar

48,5

Gemma 2

2,6 milyar

52,0

Mistral

7 milyar

63,8

LLAMA 3

8B

58,4

Gemma 1

7 milyar

56,3

Gemma 2

9B

69,4

Gemma 2

27B

74,2

Gemma 1

2,5 milyar

66,8

Gemma 2

2,6 milyar

70,9

Mistral

7 milyar

78,5

LLAMA 3

8B

76,1

Gemma 1

7 milyar

79,0

Gemma 2

9B

80,6

Gemma 2

27B

83,7

Gemma 1

2,5 milyar

71,7

Gemma 2

2,6 milyar

73,0

Mistral

7 milyar

83,0

LLAMA 3

8B

82,0

Gemma 1

7 milyar

82,3

Gemma 2

9B

81,9

Gemma 2

27B

86,4

Gemma 1

2,5 milyar

11,8

Gemma 2

2,6 milyar

15,0

Mistral

7 milyar

12,7

Gemma 1

7B

24,3

Gemma 2

9B

36,6

Gemma 2

27B

42,3

Gemma 1

2,5 milyar

73,2

Gemma 2

2,6 milyar

80,1

Mistral

7 milyar

80,5

Gemma 1

7 milyar

81,5

Gemma 2

9B

88,0

Gemma 2

27B

88,6

Gemma 1

2,5 milyar

77,3

Gemma 2

2,6 milyar

77,8

Mistral

7 milyar

82,2

Gemma 1

7 milyar

81,2

Gemma 2

9B

81,7

Gemma 2

27B

83,2

Gemma 1

2,5 milyar

49,7

Gemma 2

2,6 milyar

51,9

Mistral

7 milyar

47,0

Gemma 1

7B

51,8

Gemma 2

9B

53,4

Gemma 2

27B

53,7

Gemma 1

2,5 milyar

69,4

Gemma 2

2,6 milyar

72,5

Mistral

7 milyar

83,2

Gemma 1

7 milyar

83,2

Gemma 2

9B

84,2

Gemma 2

27B

84,8

Gemma 1

2,5 milyar

53,2

Gemma 2

2,6 milyar

59,4

Mistral

7 milyar

62,5

Gemma 1

7 milyar

63,4

Gemma 2

9B

76,6

Gemma 2

27B

83,7

Gemma 1

2,5 milyar

12,5

Gemma 2

2,6 milyar

16,7

Mistral

7 milyar

23,2

Gemma 1

7 milyar

%

Gemma 2

9B

29,2

Gemma 2

27B

34,5

Gemma 1

2,5 milyar

22,0

Gemma 2

2,6 milyar

17,7

Mistral

7 milyar

26,2

Gemma 1

7 milyar

32,3

Gemma 2

9B

40,2

Gemma 2

27B

51,8

Gemma 1

2,5 milyar

29,2

Gemma 2

2,6 milyar

29,6

Mistral

7 milyar

40,2

Gemma 1

7 milyar

44,4

Gemma 2

9B

52,4

Gemma 2

27B

62,6

*Bunlar, önceden eğitilmiş modeller için karşılaştırmalardır. Diğer metodolojilerle ilgili performansla ilgili ayrıntılar için teknik rapora bakın.

Teknik raporu okuyun

PaliGemma 2 Yeni

PaliGemma 2, Gemma 2 dil modellerine kolayca hassas ayar yapılabilen görüntüleme özellikleri ekleyerek metin ve görüntü anlama özelliğini bir araya getiren çok çeşitli uygulamalara olanak tanır.

Kaggle logosu Kaggle'den indirin Kucak açan yüz logosu Hugging Face'ten indirin Belge simgesi Dokümanları okuyun

DataGemma

DataGemma, LLM'leri Google'ın Data Commons'undan alınan kapsamlı gerçek dünya verileriyle bağlamak için tasarlanmış ilk açık modellerdir.

Kaggle logosu Kaggle'dan indirin Kucak açan yüz logosu Hugging Face'tan indirin Belge simgesi Dokümanları okuyun

Gemma Kapsamı

Gemma Scope, araştırmacılara Gemma 2 modellerimizin karar verme süreçleri hakkında benzeri görülmemiş bir şeffaflık sunar.

Kucak açan yüz logosu Hugging Face'ten indirme Belge simgesi Belgeleri okuma

Derleme

Gemma ile oluşturmaya başlama

Gemma Tarif Defteri'ni okuyun

Google'ın açık modelleriyle ilgili pratik örnekler ve eğiticiler

Not defterlerini keşfedin

Kucak açan yüz logosu

Kucak açan yüz

Bu not defterinde, DPO (Doğrudan Tercih Optimizasyonu) kullanılarak bir Gemma-2 modelinin nasıl hizalanacağı gösterilmektedir.
NVIDIA logosu

NVIDIA

Gemma modellerini NVIDIA NeMo Framework ile hassaslaştırın ve üretim için TensorRT-LLM'ye aktarın.
Ollama logosu

Ollama

Ollama'yı kullanarak Gemma modelinde yerel çıkarım çalıştırma.
Unsloth logosu

Unsloth

UnSloth'ı kullanarak hızlı ve bellek tasarruflu Gemma 2 (9B) ince ayarlarının kilidini açın.

Modelleri dağıtma

Dağıtım hedefinizi seçme

Mobil cihaz dağıtma simgesiMobil

Google AI Edge ile cihaz üzerinde dağıtma

Düşük gecikmeli, çevrimdışı işlevler için doğrudan cihazlara dağıtın. Mobil uygulamalar, IoT cihazları ve yerleşik sistemler gibi gerçek zamanlı yanıt verme ve gizlilik gerektiren uygulamalar için idealdir.

Mobil cihazları dağıtma

Web simgesiWeb

Web uygulamalarına sorunsuz şekilde entegre edilebilir.

Web sitelerinizi ve web hizmetlerinizi gelişmiş yapay zeka özellikleriyle güçlendirerek etkileşimli özellikler, kişiselleştirilmiş içerik ve akıllı otomasyon sunun.

Web'i dağıtma

Bulut simgesiBulut

Bulut altyapısıyla kolayca ölçeklendirin

Büyük ölçekli dağıtımları, zorlu iş yüklerini ve karmaşık yapay zeka uygulamalarını yönetmek için bulutun ölçeklenebilirliğinden ve esnekliğinden yararlanın.

Cloud'u dağıtma

Küresel iletişimin kilidini açma

Küresel Kaggle yarışmamıza katılın. Belirli bir dil veya benzersiz bir kültürel özellik için Gemma model varyantları oluşturma

Yarışmaya katılın