Model Terbuka Gemma

Rangkaian model terbuka yang ringan dan canggih, dibangun dari riset dan teknologi yang sama dengan yang digunakan untuk membuat model Gemini

Mulai
Ikon {i>Responsible by design<i}

Bertanggung jawab secara desain

Dengan menggabungkan langkah-langkah keamanan yang komprehensif, model ini membantu memastikan solusi AI yang bertanggung jawab dan tepercaya melalui set data pilihan dan penyesuaian yang ketat.

Ikon performa tidak cocok

Performa yang tidak tertandingi dalam ukuran

Model Gemma mencapai hasil tolok ukur yang luar biasa pada ukuran 2B, 7B, 9B, dan 27B, bahkan mengungguli beberapa model terbuka yang lebih besar.

Framework fleksibel

Framework fleksibel

Dengan Keras 3.0, nikmati kompatibilitas yang lancar dengan JAX, TensorFlow, dan PyTorch, sehingga Anda bisa dengan mudah memilih dan beralih framework, bergantung pada tugas Anda.

Memperkenalkan
Gemma 2

Didesain ulang untuk performa luar biasa dan efisiensi yang tak tertandingi, Gemma 2 mengoptimalkan inferensi super cepat pada beragam hardware.

Coba Gemma 2 di Google AI Studio

5 tembakan

MMLU

Tolok ukur MMLU adalah pengujian yang mengukur luasnya pengetahuan dan kemampuan memecahkan masalah yang diperoleh oleh model bahasa besar selama prapelatihan.

25 kali

ARC-C

Tolok ukur ARC-c adalah subset set data ARC-e yang lebih terfokus, yang hanya berisi pertanyaan yang tidak dijawab dengan benar oleh algoritma umum (retrieval-base dan word co-first).

5 tembakan

GSM8K

Tolok ukur GSM8K menguji kemampuan model bahasa untuk memecahkan soal matematika tingkat sekolah dasar yang sering kali memerlukan beberapa langkah penalaran.

3-5 tembakan

AGIEval

Tolok ukur AGIEval menguji kecerdasan umum model bahasa dengan menggunakan pertanyaan dari ujian dunia nyata yang dirancang untuk menilai kemampuan intelektual manusia.

3 kali tembakan, Karet

BBH

Tolok ukur BBH (BIG-Bench Hard) berfokus pada tugas-tugas yang dianggap di luar kemampuan model bahasa saat ini, dengan menguji batas kemampuan di berbagai bidang penalaran dan pemahaman.

3 pukulan, F1

LEPASKAN

DROP adalah tolok ukur pemahaman bacaan yang memerlukan penalaran diskret atas paragraf.

5 tembakan

Winogrande

Tolok ukur Winogrande menguji kemampuan model bahasa untuk menyelesaikan tugas yang ambigu dengan opsi biner, yang membutuhkan penalaran umum umum.

10 kali

HellaSwag

Tolok ukur HellaSwag menantang kemampuan model bahasa untuk memahami dan menerapkan penalaran akal sehat dengan memilih akhir cerita yang paling logis.

4 tembakan

MATH

MATH mengevaluasi kemampuan model bahasa untuk memecahkan soal cerita matematika yang kompleks, membutuhkan penalaran, pemecahan masalah multilangkah, dan pemahaman konsep matematika.

0 kali

ARC-e

Tolok ukur ARC-e menguji keterampilan menjawab pertanyaan tingkat lanjut model bahasa dengan pertanyaan sains pilihan ganda tingkat sekolah dasar yang sesungguhnya.

0 kali

PIQA

Tolok ukur PIQA menguji kemampuan model bahasa untuk memahami dan menerapkan pengetahuan umum fisik dengan menjawab pertanyaan tentang interaksi fisik sehari-hari.

0 kali

SIQA

Tolok ukur SIQA mengevaluasi pemahaman model bahasa tentang interaksi sosial dan akal sehat sosial dengan mengajukan pertanyaan tentang tindakan orang dan implikasi sosialnya.

0 kali

Boolq

Tolok ukur BoolQ menguji kemampuan model bahasa untuk menjawab pertanyaan ya/tidak yang terjadi secara alami, menguji kemampuan model untuk melakukan tugas inferensi natural language di dunia nyata.

5 tembakan

TriviaQA

Tolok ukur TriviaQA menguji kemampuan pemahaman membaca dengan tiga kali lipat bukti tanya jawab.

5 tembakan

NQ

Tolok ukur NQ (Natural Questions) menguji kemampuan model bahasa untuk menemukan dan memahami jawaban di seluruh artikel Wikipedia, dengan menyimulasikan skenario tanya jawab di dunia nyata.

lulus@1

HumanEval

Tolok ukur HumanEval menguji kemampuan pembuatan kode model bahasa dengan mengevaluasi apakah solusinya lulus pengujian unit fungsional untuk masalah pemrograman.

3 tembakan

MBPP

Tolok ukur MBPP menguji kemampuan model bahasa untuk memecahkan masalah pemrograman Python dasar, dengan berfokus pada konsep pemrograman dasar dan penggunaan library standar.

100%

75%

50%

25%

0%

100%

75%

50%

25%

0%

Gemma 1

2,5 M

42,3

Gemma 2

2,6 M

51,3

Mistral

7 M

62,5

LLAMA 3

8 M

66,6

Gemma 1

7 M

64,4

Gemma 2

9 miliar

71,3

Gemma 2

27 M

75,2

Gemma 1

2,5 M

48,5

Gemma 2

2,6 M

55,4

Mistral

7 M

60.5

LLAMA 3

8 M

59,2

Gemma 1

7 M

61,1

Gemma 2

9 miliar

68,4

Gemma 2

27 M

71,4

Gemma 1

2,5 M

15.1

Gemma 2

2,6 M

23,9

Mistral

7 M

39,6

LLAMA 3

8 M

45,7

Gemma 1

7 M

51,8

Gemma 2

9 miliar

68,6

Gemma 2

27 M

74,0

Gemma 1

2,5 M

24,2

Gemma 2

2,6 M

30.6

Mistral

7 M

44,0

LLAMA 3

8 M

45,9

Gemma 1

7 M

44,9

Gemma 2

9 miliar

52,8

Gemma 2

27 M

55.1

Gemma 1

2,5 M

35,2

Gemma 2

2,6 M

41,9

Mistral

7 M

56,0

LLAMA 3

8 M

61,1

Gemma 1

7 M

59,0

Gemma 2

9 miliar

68.2

Gemma 2

27 M

74,9

Gemma 1

2,5 M

48,5

Gemma 2

2,6 M

52,0

Mistral

7 M

63,8

LLAMA 3

8 M

58,4

Gemma 1

7 M

56,3

Gemma 2

9 miliar

69,4

Gemma 2

27 M

74,2

Gemma 1

2,5 M

66,8

Gemma 2

2,6 M

70,9

Mistral

7 M

78,5

LLAMA 3

8 M

76,1

Gemma 1

7 M

79,0

Gemma 2

9 miliar

80,6

Gemma 2

27 M

83,7

Gemma 1

2,5 M

71,7

Gemma 2

2,6 M

73,0

Mistral

7 M

83,0

LLAMA 3

8 M

82,0

Gemma 1

7 M

82,3

Gemma 2

9 miliar

81,9

Gemma 2

27 M

86,4

Gemma 1

2,5 M

11.8

Gemma 2

2,6 M

15,0

Mistral

7 M

12,7

Gemma 1

7 M

24,3

Gemma 2

9 miliar

36,6

Gemma 2

27 M

42,3

Gemma 1

2,5 M

73,2

Gemma 2

2,6 M

80,1

Mistral

7 M

80,5

Gemma 1

7 M

81,5

Gemma 2

9 miliar

88,0

Gemma 2

27 M

88,6

Gemma 1

2,5 M

77,3

Gemma 2

2,6 M

77,8

Mistral

7 M

82,2

Gemma 1

7 M

81,2

Gemma 2

9 miliar

81,7

Gemma 2

27 M

83,2

Gemma 1

2,5 M

49,7

Gemma 2

2,6 M

51,9

Mistral

7 M

47,0

Gemma 1

7 M

51,8

Gemma 2

9 miliar

53,4

Gemma 2

27 M

53,7

Gemma 1

2,5 M

69,4

Gemma 2

2,6 M

72,5

Mistral

7 M

83,2

Gemma 1

7 M

83,2

Gemma 2

9 miliar

84,2

Gemma 2

27 M

84,8

Gemma 1

2,5 M

53,2

Gemma 2

2,6 M

59,4

Mistral

7 M

62,5

Gemma 1

7 M

63,4

Gemma 2

9 miliar

76,6

Gemma 2

27 M

83,7

Gemma 1

2,5 M

12,5

Gemma 2

2,6 M

16,7

Mistral

7 M

23,2

Gemma 1

7 M

23,0

Gemma 2

9 miliar

29,2

Gemma 2

27 M

34,5

Gemma 1

2,5 M

22,0

Gemma 2

2,6 M

17,7

Mistral

7 M

26,2

Gemma 1

7 M

32,3

Gemma 2

9 miliar

40,2

Gemma 2

27 M

51,8

Gemma 1

2,5 M

29,2

Gemma 2

2,6 M

29,6

Mistral

7 M

40,2

Gemma 1

7 M

44,4

Gemma 2

9 miliar

52,4

Gemma 2

27 M

62,6

*Ini adalah tolok ukur untuk model terlatih. Lihat laporan teknis untuk mengetahui detail performa dengan metodologi lain.

Baca laporan teknis

Kelompok model Gemma

Rilis baru

Gemma 2

Gemma 2 menawarkan tiga model baru, kuat, dan efisien yang tersedia dalam 2, 9, dan 27 miliar ukuran parameter, semua dengan kemajuan keamanan bawaan.

Mulai

Gemma 1

Model Gemma adalah model bahasa besar yang ringan, teks ke teks, khusus decoder, yang dilatih dengan set data teks, kode, dan konten matematis yang sangat besar untuk berbagai tugas natural language processing.

Mulai

RecurrentGemma

RecurrentGemma adalah model yang berbeda secara teknis, yang memanfaatkan jaringan saraf berulang dan perhatian lokal untuk meningkatkan efisiensi memori.

Mulai

PaliGemma

PaliGemma adalah model bahasa visi terbuka yang terinspirasi oleh PaLI-3, yang memanfaatkan SigLIP dan Gemma, yang dirancang sebagai model serbaguna untuk ditransfer ke berbagai tugas visi-bahasa.

Mulai

CodeGemma

Dengan memanfaatkan fondasi model Gemma asli yang telah dilatih sebelumnya, CodeGemma menghadirkan kemampuan penyelesaian dan pembuatan kode yang canggih dalam ukuran yang sesuai untuk komputer lokal Anda.

Mulai

Pelajari alat kami

Ikon ShieldGemma
ShieldGemma
ShieldGemma adalah rangkaian model pengklasifikasi konten keamanan yang dikembangkan berdasarkan Gemma 2 untuk memfilter input dan output model AI serta menjaga keamanan pengguna.
Ikon Cakupan Gemma
Cakupan Gemma
Cakupan Gemma menawarkan transparansi yang belum pernah ada sebelumnya kepada peneliti dalam proses pengambilan keputusan di model Gemma 2 kami.

Panduan memulai cepat untuk developer

Ikon Kaggle

Temukan panduan memulai di Kaggle

Kunjungi halaman Model Kaggle untuk menemukan panduan memulai, contoh kode, dan diskusi untuk Gemma.

Buka di Kaggle
Ikon Google Cloud

Latih dan deploy di Google Cloud

Gemma 2 berfungsi optimal di Google Cloud, dengan pengoptimalan TPU end-to-end untuk performa terdepan di pasar dan total biaya kepemilikan di Vertex.

Buka di Vertex AI
Ikon Google Colab

Coba adaptasi peringkat rendah dengan JAX melalui Keras 3

Sesuaikan model Gemma dengan domain dan data unik Anda menggunakan framework backend pilihan Anda melalui Keras 3.

Buka di Colab
Lihat semua panduan memulai dalam dokumentasi kami Lihat semua panduan memulai

Panduan memulai cepat partner

Logo Wajah Memeluk

Wajah Memeluk

Manfaatkan Hugging Face Transformers dan TRL untuk tugas fine-tuning dan inferensi dengan model Gemma.
Logo NVIDIA

NVIDIA

Sempurnakan model Gemma dengan NVIDIA NeMo Framework dan ekspor ke TensorRT-LLM untuk produksi.
Logo NVIDIA

LangChain

Tutorial ini menunjukkan cara mulai menggunakan Gemma dan LangChain, yang berjalan di Google Cloud atau di lingkungan Colab Anda.
Logo NVIDIA

Semua skala

Dokumen ini menunjukkan cara menggunakan Gemma melalui Endpoint Anyscale sebagai endpoint API yang terkelola sepenuhnya.
Logo NVIDIA

MongoDB

Artikel ini menyajikan cara memanfaatkan Gemma sebagai model dasar dalam pipeline atau sistem pembangkitan yang ditingkatkan yang ditingkatkan.
Logo NVIDIA

Bobot dan Bias

Pelajari lebih dalam tentang Registry Model dan alat Peluncuran W&B melalui contoh langkah demi langkah menggunakan model Gemma Google.

Buku Resep Gemma

Jelajahi koleksi resep dan contoh praktis yang menunjukkan kecanggihan dan fleksibilitas Gemma untuk tugas-tugas seperti pemberian teks pada gambar dengan PaliGemma, pembuatan kode dengan CodeGemma, dan membangun chatbot dengan model Gemma yang telah disesuaikan.

Mulai

Akses model Gemma sekarang

Logo Kaggle

Model Kaggle

Mengakses model Gemma 2 di Kaggle
Logo Vertex AI

Vertex AI Model Garden

Menyesuaikan Gemma 2 dengan data Anda sendiri
Logo wajah memeluk

Model Wajah Memeluk

Akses, tingkatkan kualitas, dan deploy Gemma

Pengembangan Responsible AI

Tanggung Jawab berdasarkan Desain

Berlatih dengan data yang diseleksi dengan cermat dan mengutamakan keamanan, sehingga membantu mendukung pengembangan AI yang aman dan bertanggung jawab berdasarkan model Gemma.

Evaluasi yang Andal dan Transparan

Evaluasi komprehensif dan pelaporan yang transparan mengungkap batasan model untuk menerapkan pendekatan yang bertanggung jawab untuk setiap kasus penggunaan.

Mendukung Pengembangan yang Bertanggung Jawab

Responsible Generative AI Toolkit mendukung developer untuk mendesain dan menerapkan praktik terbaik Responsible AI.

Pelajari Toolkit AI Generatif yang Bertanggung Jawab
Ikon Google Cloud

Dioptimalkan untuk Google Cloud

Dengan model Gemma di Google Cloud, Anda dapat menyesuaikan model secara mendalam dengan kebutuhan spesifik Anda menggunakan alat Vertex AI yang terkelola sepenuhnya atau opsi GKE yang dikelola sendiri, serta men-deploy-nya ke infrastruktur yang fleksibel dan hemat biaya dengan AI.

Pelajari lebih lanjut di blog Google Cloud

Mempercepat penelitian akademik dengan kredit Google Cloud

Academic Research Program baru-baru ini telah mengakhiri periode penerapannya, dan memberikan kredit Google Cloud untuk mendukung para peneliti yang berhasil menembus batas penemuan ilmiah menggunakan model Gemma. Kami tidak sabar untuk melihat penelitian inovatif yang muncul dari inisiatif ini.

Nantikan peluang mendatang untuk memajukan riset Anda dengan Google Cloud.

Gabung dengan komunitas

Terhubung, jelajahi, dan bagikan pengetahuan Anda dengan orang lain dalam komunitas model ML.

Kaggle

Akses kartu model, jelajahi notebook interaktif, dan ikuti diskusi komunitas.

Ikon Kaggle Bergabung dengan Kaggle

Discord

Chat, berbagi ide, dan jalin hubungan instan di channel #gemma pada Discord Google Developer.

Ikon Discord Chat sekarang

Blog

Semua berita dan kisah mendalam terbaru dari Google AI untuk developer.

Ikon blog Kunjungi Blog