หน้านี้ได้รับการแปลโดย Cloud Translation API

โมเดล Gemma Open

ตระกูลของโมเดลแบบเปิดที่ทันสมัยและมีน้ำหนักเบา สร้างขึ้นจากการวิจัยและเทคโนโลยีเดียวกันกับที่ใช้สร้างโมเดล Gemini

ออกแบบอย่างมีความรับผิดชอบ

โมเดลเหล่านี้ใช้มาตรการความปลอดภัยที่ครอบคลุม เพื่อช่วยให้มั่นใจว่าโซลูชัน AI ที่มีความรับผิดชอบและน่าเชื่อถือผ่านชุดข้อมูลที่คัดสรรมาเป็นอย่างดีและการปรับแต่งที่เข้มงวด

ประสิทธิภาพที่ขนาดไม่เท่ากัน

โมเดลของ Gemma ให้ผลลัพธ์การเปรียบเทียบที่ยอดเยี่ยมในขนาด 2B และ 7B แม้ว่ามีประสิทธิภาพดีกว่าโมเดลแบบเปิดขนาดใหญ่บางรุ่นด้วยซ้ำ

เฟรมเวิร์กที่ยืดหยุ่น

ด้วย Keras 3.0 คุณจะเพลิดเพลินไปกับการใช้งานร่วมกับ JAX, TensorFlow และ PyTorch ได้อย่างราบรื่น ซึ่งจะช่วยให้คุณเลือกและเปลี่ยนเฟรมเวิร์กได้ง่ายๆ ตามงานที่ทำอยู่

รายละเอียดปลีกย่อยของรุ่น Gemma

CodeGemma

CodeGemma อาศัยพื้นฐานของโมเดล Gemma ก่อนที่ผ่านการฝึกมาก่อนของเรา ทำให้สามารถป้อนโค้ดที่สมบูรณ์และสามารถสร้างได้ในขนาดที่พอดีกับคอมพิวเตอร์ของคุณ

เริ่มใช้งาน

RecurrentGemma

RecurrentGemma เป็นรูปแบบทางเทคนิคที่มีความโดดเด่นซึ่งใช้ประโยชน์จากโครงข่ายระบบประสาทเทียมแบบซ้ำๆ และความสนใจในท้องถิ่นเพื่อปรับปรุงประสิทธิภาพของหน่วยความจำ

เริ่มใช้งาน

คู่มือเริ่มใช้งานฉบับย่อสำหรับนักพัฒนาซอฟต์แวร์

ค้นพบการเริ่มต้นอย่างรวดเร็วใน Kaggle

ไปที่หน้า Kaggle Models เพื่อค้นหาการเริ่มต้นใช้งานอย่างรวดเร็ว ตัวอย่างโค้ด และการพูดคุยเรื่อง Gemma

เปิดใน Kaggle

ฝึกและทำให้ใช้งานได้บน Google Cloud

Gemma ทำงานได้ดีที่สุดบน Google Cloud ด้วยการเพิ่มประสิทธิภาพ TPU แบบต้นทางถึงปลายทางเพื่อประสิทธิภาพระดับแนวหน้าของตลาดและต้นทุนรวมในการเป็นเจ้าของบน Vertex

เปิดใน Vertex AI

ลองดัดแปลงอันดับต่ำด้วย JAX ผ่าน Keras 3

ปรับโมเดลของ Gemma ให้เข้ากับโดเมนและข้อมูลเฉพาะของคุณด้วยเฟรมเวิร์กแบ็กเอนด์ที่ต้องการผ่าน Keras 3

เปิดใน Colab

ดูการเริ่มต้นอย่างรวดเร็วทั้งหมดในเอกสารของเราดูการเริ่มต้นอย่างรวดเร็วทั้งหมด

คู่มือเริ่มใช้งานฉบับย่อสำหรับพาร์ทเนอร์

หน้ากอด

ใช้ Hugging Face Transformers และ TRL สำหรับการปรับแต่งและการอนุมานด้วยโมเดล Gemma

ดูบนหน้ากอด

NVIDIA

ปรับแต่งโมเดล Gemma ด้วย NVIDIA NeMo Framework และส่งออกไปยัง TensorRT-LLM เพื่อการผลิต

ดูใน GitHub

พบกับคำแนะนำเกี่ยวกับพาร์ทเนอร์เพิ่มเติมเร็วๆ นี้

การเปรียบเทียบ

Gemma สร้างมาตรฐานใหม่ของประสิทธิภาพที่ล้ำสมัยสำหรับขนาดเมื่อเทียบกับรุ่นยอดนิยมอย่าง Llama 2 และ Mistral 7B

ยิง 5 ลูก, ติดอันดับ 1

MMLU

การเปรียบเทียบ MMLU คือการทดสอบที่วัดขอบเขตความรู้และความสามารถในการแก้ปัญหาที่ได้รับจากโมเดลภาษาขนาดใหญ่ระหว่างการฝึกอบรมล่วงหน้า

ยิงลูก 0

HellaSwag

การเปรียบเทียบ HellaSwag ท้าทายความสามารถของโมเดลภาษาในการทำความเข้าใจและใช้การให้เหตุผลทั่วไปด้วยการเลือกตอนจบที่สมเหตุสมผลที่สุดสำหรับเรื่องราวนั้นๆ

ยิงลูก 0

PIQA

การเปรียบเทียบ PIQA จะทดสอบความสามารถของโมเดลภาษาในการทำความเข้าใจและนำความรู้สามัญสำนึกทางกายภาพไปใช้ โดยตอบคำถามเกี่ยวกับการโต้ตอบทางร่างกายในชีวิตประจำวัน

ยิงลูก 0

SIQA

การเปรียบเทียบ SIQA จะประเมินความเข้าใจของโมเดลภาษาเกี่ยวกับการโต้ตอบทางสังคมและสามัญสำนึกทางสังคมโดยการถามคำถามเกี่ยวกับการกระทำของผู้คนและผลกระทบทางสังคมของบุคคลเหล่านั้น

ยิงลูก 0

บูลก์

การเปรียบเทียบ BoolQ จะทดสอบความสามารถของโมเดลภาษาในการตอบคำถามที่เกิดขึ้นอย่างเป็นธรรมชาติ (สร้างขึ้นในการตั้งค่าที่ไม่ได้กำหนดและไม่จำกัด) คำถามแบบใช่/ไม่ใช่ การทดสอบความสามารถของโมเดลในการทำงานอนุมานภาษาธรรมชาติในชีวิตจริง

การให้คะแนนบางส่วน

วิโนแกรนด์

การเปรียบเทียบ Winogrande จะทดสอบความสามารถของโมเดลภาษาในการแก้ไขงานการเติมข้อมูลในช่องว่างที่ไม่ชัดเจนด้วยไบนารีออปชัน ซึ่งต้องใช้การให้เหตุผลตามแนวคิดทั่วไป

ยิง 7 ช็อต

CQA

การเปรียบเทียบ CQA จะประเมินประสิทธิภาพของโมเดลภาษาในการตอบคำถามแบบหลายตัวเลือก ซึ่งต้องใช้ความรู้สามัญสำนึกประเภทต่างๆ

OBQA

การเปรียบเทียบ OBQA จะประเมินความสามารถของโมเดลภาษาในการตอบคำถามขั้นสูงโดยใช้การให้เหตุผลแบบหลายขั้นตอน ความรู้สามัญสำนึก และความเข้าใจเกี่ยวกับข้อความที่มีรูปแบบ

ARC-E

การเปรียบเทียบ ARC-e จะทดสอบทักษะการตอบคำถามขั้นสูงของโมเดลภาษาด้วยคำถามทางวิทยาศาสตร์แบบหลายตัวเลือกตามระดับชั้นประถมศึกษา

ARC-C

การเปรียบเทียบ ARC-c เป็นชุดย่อยของชุดข้อมูล ARC-e ที่มุ่งเน้นความเฉพาะเจาะจงมากกว่า โดยจะมีเฉพาะคำถามที่ตอบอย่างไม่ถูกต้องจากอัลกอริทึมทั่วไป (การดึงข้อมูลจากฐานและคำ) เท่านั้น

ยิง 5 ลูก

TriviaQA

การเปรียบเทียบ TriviaQA จะทดสอบทักษะการอ่านทำความเข้าใจโดยแบ่งคำถาม-คำตอบออกเป็น 3 ส่วน

บัตร@1

HumanEval

การเปรียบเทียบ HumanEval จะทดสอบความสามารถในการสร้างโค้ดของโมเดลภาษาโดยประเมินว่าโซลูชันของโมเดลผ่านการทดสอบหน่วยการทำงานสำหรับปัญหาการเขียนโปรแกรมหรือไม่

ยิง 3 ช็อต

MBPP

การเปรียบเทียบ MBPP จะทดสอบความสามารถของโมเดลภาษาในการแก้ปัญหาการเขียนโปรแกรมพื้นฐานของ Python โดยเน้นที่แนวคิดการเขียนโปรแกรมขั้นพื้นฐานและการใช้งานไลบรารีมาตรฐาน

maj@1

GSM8K

การเปรียบเทียบ GSM8K จะทดสอบความสามารถของโมเดลภาษาในการแก้โจทย์คณิตศาสตร์ระดับชั้นประถมศึกษาที่มักจะต้องใช้การให้เหตุผลหลายขั้นตอน

4 ช็อต

MATH

การเปรียบเทียบทางคณิตศาสตร์จะประเมินความสามารถของโมเดลภาษาในการแก้โจทย์ปัญหาทางคณิตศาสตร์ที่ซับซ้อน ซึ่งต้องใช้การให้เหตุผล การแก้ปัญหาแบบหลายขั้นตอน และความเข้าใจในแนวคิดทางคณิตศาสตร์

AGIEval

การเปรียบเทียบ AGIEval จะทดสอบความอัจฉริยะทั่วไปของโมเดลภาษาโดยใช้คำถามที่ได้จากการสอบในชีวิตจริงที่ออกแบบมาเพื่อประเมินความสามารถทางสติปัญญาของมนุษย์ (การสอบเข้ามหาวิทยาลัย การสอบนิติศาสตร์ ฯลฯ)

BBH

การเปรียบเทียบของ BBH (BIG-Bench Hard) จะมุ่งเน้นงานใดก็ตามที่ถือว่าอยู่นอกเหนือความสามารถของโมเดลภาษาปัจจุบัน โดยทดสอบขีดจำกัดในโดเมนการให้เหตุผลและการทำความเข้าใจต่างๆ

100%

75%

50%

25%

100%

75%

50%

25%

Gemma

7 ข.

64.3

Gemma

2 ข.

42.3

มิสทัล

7 ข.

62.5

LLAMA-2

13 ข.

54.8

LLAMA-2

7 ข.

45.3

Gemma

7 ข.

81.2

Gemma

2 ข.

71.4

มิสทัล

7 ข.

81.0

LLAMA-2

13 ข.

80.7

LLAMA-2

7 ข.

77.2

Gemma

7 ข.

81.2

Gemma

2 ข.

77.3

มิสทัล

7 ข.

82.2

LLAMA-2

13 ข.

80.5

LLAMA-2

7 ข.

78.8

Gemma

7 ข.

51.8

Gemma

2 ข.

49.7

มิสทัล

7 ข.

47.0*

LLAMA-2

13 ข.

50.3

LLAMA-2

7 ข.

48.3

Gemma

7 ข.

83.2

Gemma

2 ข.

694.20

มิสทัล

7 ข.

83.2*

LLAMA-2

13 ข.

81.7

LLAMA-2

7 ข.

77.4

Gemma

7 ข.

72.3

Gemma

2 ข.

65.4

มิสทัล

7 ข.

74.2

LLAMA-2

13 ข.

72.8

LLAMA-2

7 ข.

69.2

Gemma

7 ข.

71.3

Gemma

2 ข.

65.3

มิสทัล

7 ข.

66.3*

LLAMA-2

13 ข.

67.3

LLAMA-2

7 ข.

57.8

Gemma

7 ข.

52.8

Gemma

2 ข.

47.8

มิสทัล

7 ข.

52.2

LLAMA-2

13 ข.

57.0

LLAMA-2

7 ข.

58.6

Gemma

7 ข.

81.5

Gemma

2 ข.

73.2

มิสทัล

7 ข.

80.5

LLAMA-2

13 ข.

77.3

LLAMA-2

7 ข.

75.2

Gemma

7 ข.

53.2

Gemma

2 ข.

42.06

มิสทัล

7 ข.

54.9

LLAMA-2

13 ข.

49.4

LLAMA-2

7 ข.

45.9

Gemma

7 ข.

63.4

Gemma

2 ข.

53.2

มิสทัล

7 ข.

62.5

LLAMA-2

13 ข.

79.6

LLAMA-2

7 ข.

72.1

Gemma

7 ข.

32.3

Gemma

2 ข.

22.0

มิสทัล

7 ข.

26.2

LLAMA-2

13 ข.

18.3

LLAMA-2

7 ข.

12.8

Gemma

7 ข.

44.4

Gemma

2 ข.

29.2

มิสทัล

7 ข.

40.2*

LLAMA-2

13 ข.

30.6

LLAMA-2

7 ข.

20.8

Gemma

7 ข.

46.4

Gemma

2 ข.

17.7

มิสทัล

7 ข.

35.4*

LLAMA-2

13 ข.

28.7

LLAMA-2

7 ข.

14.6

Gemma

7 ข.

24.3

Gemma

2 ข.

11.8

มิสทัล

7 ข.

12.7

LLAMA-2

13 ข.

3.9

LLAMA-2

7 ข.

2.5

Gemma

7 ข.

41.7

Gemma

2 ข.

24.2

มิสทัล

7 ข.

41.2*

LLAMA-2

13 ข.

39.1

LLAMA-2

7 ข.

29.3

Gemma

7 ข.

55.1

Gemma

2 ข.

35.2

มิสทัล

7 ข.

56.1*

LLAMA-2

13 ข.

39.4

LLAMA-2

7 ข.

32.6

*ดูรายงานทางเทคนิคเพื่อดูรายละเอียดเกี่ยวกับประสิทธิภาพด้วยวิธีการอื่นๆ

อ่านรายงานทางเทคนิค

เข้าถึง Gemma วันนี้

โมเดลของ Gemma พร้อมใช้งานในฮับโมเดลที่คุณชื่นชอบทั้งหมด

โมเดล Kaggle

ค้นหาโมเดล Gemma ในเฟรมเวิร์กยอดนิยมมากมายและคลังตัวอย่างโค้ดที่ทดสอบโดยชุมชนซึ่งมีจำนวนมากขึ้นเรื่อยๆ

เริ่มใช้งาน

สวนโมเดล Vertex AI

ปรับแต่งโมเดลของ Gemma ด้วยข้อมูลของคุณเอง ปรับใช้กับแอปพลิเคชันในคลิกเดียว และปรับขนาดด้วย ML Ops ในตัวแบบต้นทางถึงปลายทาง

เริ่มใช้งาน

โมเดลหน้ากอด

เข้าถึง ปรับแต่ง และติดตั้งใช้งานโมเดล Gemma ด้วยไลบรารี Hugging Face Transformers, PEFT และ Text Generation Inference

เริ่มใช้งาน

การพัฒนา AI อย่างมีความรับผิดชอบ

ความรับผิดชอบจากการออกแบบ

ผ่านการฝึกล่วงหน้าด้วยข้อมูลที่ได้รับการดูแลจัดการอย่างดีและเตรียมพร้อมเพื่อความปลอดภัยไว้ได้อย่างดีที่สุด ซึ่งจะช่วยส่งเสริมการพัฒนา AI ที่ปลอดภัยและมีความรับผิดชอบโดยใช้โมเดลของ Gemma

การประเมินที่โปร่งใสและแข็งแกร่ง

การประเมินที่ครอบคลุมและการรายงานที่โปร่งใสเผยให้เห็นข้อจำกัดของโมเดลที่จะนำแนวทางที่รับผิดชอบไปใช้กับกรณีการใช้งานแต่ละกรณี

ขับเคลื่อนการพัฒนาอย่างมีความรับผิดชอบ

ชุดเครื่องมือ Generative AI ที่มีความรับผิดชอบจะช่วยนักพัฒนาแอปในการออกแบบและนำแนวทางปฏิบัติแนะนำสำหรับ AI ที่มีความรับผิดชอบ

สำรวจชุดเครื่องมือ Generative AI ที่มีความรับผิดชอบ

เพิ่มประสิทธิภาพเพื่อ Google Cloud

โมเดลของ Gemma บน Google Cloud จะช่วยให้คุณปรับแต่งโมเดลได้อย่างลึกซึ้งตามความต้องการเฉพาะโดยใช้เครื่องมือที่มีการจัดการครบวงจรของ Vertex AI หรือตัวเลือกแบบจัดการด้วยตนเองของ GKE และติดตั้งใช้งานในโครงสร้างพื้นฐานที่เพิ่มประสิทธิภาพโดย AI ที่ยืดหยุ่นและประหยัดค่าใช้จ่าย

ดูข้อมูลเพิ่มเติมในบล็อก Google Cloud

การเร่งการวิจัยทางวิชาการด้วยเครดิต Google Cloud

โครงการวิจัยทางวิชาการได้สิ้นสุดลงแล้วเมื่อไม่นานมานี้ โดยมอบเครดิต Google Cloud เพื่อสนับสนุนนักวิจัยที่ช่วยขยายขอบเขตการค้นพบทางวิทยาศาสตร์โดยใช้โมเดลของ Gemma เรารู้สึกตื่นเต้นที่จะได้เห็นงานวิจัยล้ำยุคซึ่งเกิดจากโครงการริเริ่มนี้

โปรดติดตามโอกาสในการพัฒนาการวิจัยกับ Google Cloud ในอนาคต

เข้าร่วมชุมชน

เชื่อมต่อ สำรวจ และแชร์ความรู้กับคนอื่นๆ ในชุมชนโมเดล ML

แข่งขันในการสร้างผู้ช่วย AI ที่ดีที่สุดสำหรับวิศวกร ML

Kaggle จัดการแข่งขันเพื่อท้าทายผู้เข้าร่วมให้นำโมเดลของ Gemma มาใช้สร้างผู้ช่วย AI ที่ดีที่สุดสำหรับงานวิศวกรรม ML จะมีการประกาศผู้ชนะที่ Google I/O

เข้าร่วมการแข่งขัน

โมเดล Gemma Open

ออกแบบอย่างมีความรับผิดชอบ

ประสิทธิภาพที่ขนาดไม่เท่ากัน

เฟรมเวิร์กที่ยืดหยุ่น

รายละเอียดปลีกย่อยของรุ่น Gemma

CodeGemma

RecurrentGemma

คู่มือเริ่มใช้งานฉบับย่อสำหรับนักพัฒนาซอฟต์แวร์

ค้นพบการเริ่มต้นอย่างรวดเร็วใน Kaggle

ฝึกและทำให้ใช้งานได้บน Google Cloud

ลองดัดแปลงอันดับต่ำด้วย JAX ผ่าน Keras 3

คู่มือเริ่มใช้งานฉบับย่อสำหรับพาร์ทเนอร์

การเปรียบเทียบ

เข้าถึง Gemma วันนี้

การพัฒนา AI อย่างมีความรับผิดชอบ

ความรับผิดชอบจากการออกแบบ

การประเมินที่โปร่งใสและแข็งแกร่ง

ขับเคลื่อนการพัฒนาอย่างมีความรับผิดชอบ

เพิ่มประสิทธิภาพเพื่อ Google Cloud

การเร่งการวิจัยทางวิชาการด้วยเครดิต Google Cloud

เข้าร่วมชุมชน

แข่งขันในการสร้างผู้ช่วย AI ที่ดีที่สุดสำหรับวิศวกร ML

Kaggle

Discord

บล็อก