Offene Gemma-Modelle
Eine Familie leichter, hochmoderner offener Modelle, die auf derselben Forschung und Technologie basieren, die auch für die Erstellung der Gemini-Modelle verwendet wird
Von Grund auf verantwortungsbewusst
Mit umfassenden Sicherheitsmaßnahmen tragen diese Modelle durch sorgfältig zusammengestellte Datasets und eine gründliche Feinabstimmung zu verantwortungsbewussten und vertrauenswürdigen KI-Lösungen bei.
Unübertroffene Leistung bei jeder Größe
Gemma-Modelle erzielen mit 2B, 7B, 9B und 27 Mrd. Größen außergewöhnliche Benchmark-Ergebnisse und übertreffen einige größere offene Modelle.
Flexibles Framework
Keras 3.0 ist nahtlos mit JAX, TensorFlow und PyTorch kompatibel, sodass Sie mühelos Frameworks auswählen und je nach Aufgabe wechseln können.
Jetzt neu:
Gemma 2
Gemma 2 wurde für eine überragende Leistung und unvergleichliche Effizienz neu entwickelt und optimiert für blitzschnelle Inferenzen auf verschiedener Hardware.
5 Aufnahme
MMLU
Die MMLU-Benchmark ist ein Test, der das Umfang des Wissens und der Problemlösungsfähigkeiten misst, die von Large Language Models während des Vortrainings erworben wurden.
25 Aufnahme
ARC-C
Der ARC-c-Benchmark ist eine fokussiertere Teilmenge des ARC-e-Datasets, die nur Fragen enthält, die von gängigen Algorithmen (Retrieval-basierte und Wortkooccurrence) falsch beantwortet wurden.
5 Aufnahme
GSM8K
Mit dem GSM8K-Benchmark wird die Fähigkeit eines Sprachmodells getestet, Mathematikaufgaben auf Grundschulniveau zu lösen, die häufig mehrere Schritte der Argumentation erfordern.
3–5-Aufnahmen
AGIEval
Der AGIEval-Benchmark testet die allgemeine Intelligenz eines Sprachmodells anhand von Fragen, die aus realen Prüfungen zur Bewertung der menschlichen geistigen Fähigkeiten abgeleitet wurden.
3-Shot, CoT
BBH
Der BBH-Benchmark (BIG-Bench Hard) konzentriert sich auf Aufgaben, die über die Fähigkeiten der aktuellen Sprachmodelle hinausgehen, und testet ihre Grenzen in verschiedenen Bereichen der Argumentation und des Verständnisses.
Drei Aufnahme, F1
DROP
DROP ist ein Leseverständnis-Benchmark, der eine diskrete Argumentation über Absätze erfordert.
5-Shot
Winogrande
Der Winogrande-Benchmark testet die Fähigkeit eines Language Models, mehrdeutige Ausfüllaufgaben mit binären Optionen zu lösen, die allgemeine allgemeine Begründungen erfordern.
10-Shot
HellaSwag
Der HellaSwag-Benchmark fordert die Fähigkeit eines Sprachmodells, gesunde Schlussfolgerungen zu verstehen und anzuwenden, indem das logische Ende einer Geschichte ausgewählt wird.
4 Aufnahme
MATH
MATH prüft die Fähigkeit eines Sprachmodells, komplexe mathematische Textaufgaben zu lösen, die Logik, mehrstufige Problemlösung und das Verständnis mathematischer Konzepte erfordern.
0-Shot
ARC-e
Der ARC-e-Benchmark testet die fortgeschrittenen Fähigkeiten eines Language Models zum Beantworten von Fragen mit echten Multiple-Choice-Fragen für Schulkinder.
0-Shot
PIQA
Der PIQA-Benchmark testet die Fähigkeit eines Sprachmodells, physisches allgemeines Wissen zu verstehen und anzuwenden, indem Fragen zu alltäglichen physischen Interaktionen beantwortet werden.
0-Shot
SIQA
Der SIQA-Benchmark bewertet das Verständnis eines Sprachmodells für soziale Interaktionen und sozialen gesunden Menschenverstand, indem Fragen zu den Handlungen von Menschen und ihren sozialen Auswirkungen gestellt werden.
0-Shot
Boolescher Wert
Mit dem BoolQ-Benchmark wird die Fähigkeit eines Sprachmodells zur Beantwortung natürlich auftretender Ja-/Nein-Fragen getestet. Dabei wird die Fähigkeit des Modells getestet, reale Inferenzaufgaben für natürliche Sprache auszuführen.
5 Aufnahme
TriviaQA
Der TriviaQA-Benchmark testet das Leseverständnis mit Dreiergruppen aus Frage, Antwort und Beleg.
5-Shot
NQ
Der NQ-Benchmark (Natürliche Fragen) testet die Fähigkeit eines Sprachmodells, Antworten in ganzen Wikipedia-Artikeln zu finden und zu verstehen, und simuliert dabei reale Szenarien für die Beantwortung von Fragen.
Pass@1
HumanEval
Der HumanEval-Benchmark testet die Fähigkeiten eines Language Models zur Codegenerierung, indem er bewertet, ob seine Lösungen funktionale Einheitentests für Programmierprobleme bestehen.
Drei Aufnahme
MBPP
Der MBPP-Benchmark testet die Fähigkeit eines Sprachmodells, grundlegende Python-Programmierprobleme zu lösen, und konzentriert sich dabei auf grundlegende Programmierkonzepte und die Verwendung von Standardbibliotheken.
100 %
75 %
50 %
25 %
0 %
100 %
75 %
50 %
25 %
0 %
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
LLAMA 3
8 Mrd.
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
LLAMA 3
8 Mrd.
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
LLAMA 3
8 Mrd.
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
LLAMA 3
8 Mrd.
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
LLAMA 3
8 Mrd.
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
LLAMA 3
8 Mrd.
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
LLAMA 3
8 Mrd.
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
LLAMA 3
8 Mrd.
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7 Mrd.
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27 Mrd.
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7 Mrd.
Gemma 2
9 Mrd.
Gemma 2
27B
Gemma 1
2,5 Mrd.
Gemma 2
2,6 Mrd.
Mistral
7B
Gemma 1
7B
Gemma 2
9 Mrd.
Gemma 2
27B
* Dies sind die Benchmarks für die vorab trainierten Modelle. Details zur Leistung mit anderen Methoden finden Sie im technischen Bericht.
Gemma-Modellfamilie
Tools kennenlernen
Kurzanleitungen für Entwickler
Kurzanleitungen für Partner
Gemma-Rezepte
Hier finden Sie eine Sammlung praktischer Rezepte und Beispiele, die die Leistungsfähigkeit und Vielseitigkeit von Gemma für Aufgaben wie Bildunterschriften mit PaliGemma, Codegenerierung mit CodeGemma und das Erstellen von Chatbots mit optimierten Gemma-Modellen zeigen.
Verantwortungsbewusste Entwicklung von KI
Verantwortungsbewusstsein von Anfang an
Sie sind auf sorgfältig ausgewählten Daten vortrainiert und zusätzlich auf Sicherheit optimiert. So können Sie mit Gemma-Modellen eine sichere und verantwortungsvolle KI entwickeln.
Robuste und transparente Bewertung
Umfassende Bewertungen und transparente Berichterstattung zeigen die Grenzen des Modells auf, die für einen verantwortungsvollen Ansatz für jeden Anwendungsfall erforderlich ist.
Für eine verantwortungsbewusste Entwicklung
Das Toolkit für verantwortungsbewusste generative KI unterstützt Entwickler dabei, Best Practices für die verantwortungsbewusste Anwendung von KI zu entwickeln und umzusetzen.
Für Google Cloud optimiert
Mit Gemma-Modellen in Google Cloud können Sie das Modell mit den vollständig verwalteten Tools von Vertex AI oder der selbst verwalteten Option von GKE an Ihre spezifischen Anforderungen anpassen und in einer flexiblen und kosteneffizienten KI-optimierten Infrastruktur bereitstellen.
Beschleunigung der akademischen Forschung mit Google Cloud-Guthaben
Die Bewerbungsfrist für das Programm für akademische Forschung ist vor Kurzem abgelaufen. Wir haben Google Cloud-Guthaben an Forscher vergeben, die mithilfe von Gemma-Modellen die Grenzen der Wissenschaft erweitern. Wir sind gespannt auf die wegweisenden Forschungsergebnisse, die aus dieser Initiative hervorgehen werden.
Wir halten Sie über zukünftige Möglichkeiten zur Förderung Ihrer Forschung mit Google Cloud auf dem Laufenden.
Community beitreten
Vernetzen, entdecken und Ihr Wissen mit anderen in der Community für ML-Modelle teilen.