本頁面由 Cloud Translation API 翻譯而成。

Gemma 開放模型

一系列先進的輕巧開放模型，採用與建立 Gemini 模型相同的研究和技術打造而成

開始使用

負責任的設計

這些模型整合完善的安全措施，可透過精選資料集和嚴密的微調，確保負責任且值得信賴的 AI 解決方案。

效能無與倫比

Gemma 模型能以 2B 和 7B 的尺寸達到優異的基準成果，甚至能表現出一些較大的開放模型。

架構彈性

有了 Keras 3.0，您就能享有與 JAX、TensorFlow 和 PyTorch 的完美相容性，讓您根據工作需求輕鬆選擇及切換架構。

Gemma 模型變化版本

Gemma

Gemma 模型是輕量的文字轉文字、僅限解碼器的大型語言模型，由大量的文字、程式碼和數學資料集訓練而成，以用於各種自然語言處理任務。

踏出第一步

CodeGemma

CodeGemma 採用我們原本預先訓練的 Gemma 模型的基礎，使程式碼完成功能與生成功能強大，可滿足本機電腦的大小需求。

踏出第一步

PaliGemma

PaliGemma 是一款開放式的視覺語言模型，適用於頂尖的視覺語言工作，以卓越的表現為基礎。

踏出第一步

RecurrentGemma

RecurrentGemma 模型在技術上具有獨特性，運用循環類神經網路和本機注意力來提高記憶體效率。

踏出第一步

開發人員快速入門指南

前往 Kaggle 探索快速入門導覽課程

前往 Kaggle Models 頁面查看 Gemma 的快速入門導覽課程、程式碼範例和討論。

在 Kaggle 中開啟

在 Google Cloud 上訓練及部署

Gemma 在 Google Cloud 中發揮最佳效能，並透過端對端 TPU 最佳化，享受領先市場的效能和總持有成本。

在 Vertex AI 中開啟

嘗試使用 JAX 透過 Keras 3 進行低排名調整

透過 Keras 3，使用您選擇的後端架構，將 Gemma 模型適應於您專屬的領域和資料。

在 Colab 中開啟

在我們的說明文件中查看所有快速入門導覽課程查看所有快速入門導覽課程

合作夥伴快速入門指南

Hugging Face

運用 Hugging Face Transformers 和 TRL 搭配 Gemma 模型微調和推論工作。

在 Hugging Face 查看

NVIDIA

使用 NVIDIA NeMo 架構微調 Gemma 模型，並匯出至 TensorRT-LLM 用於實際工作環境。

前往 GitHub 查看

LangChain

這個教學課程說明如何開始使用 Gemma 和 LangChain，並在 Google Cloud 或 Colab 環境中執行。

在 Colab 中開啟

不限規模

這些文件說明如何透過 Anyscale Endpoint 做為全代管 API 端點，來使用 Gemma。

在任意規模上查看

MongoDB

本文說明如何在擷取資料的產生管道或系統中，使用 Gemma 做為基礎模型。

前往 MongoDB 查看

權重和偏誤

透過 Google 的 Gemma 模型，透過逐步範例深入探索 W&B 的 Model Registry 和啟動工具。

查看權重和偏誤

基準

Gemma 為 Llama 2 和 Mistral 7B 等熱門模型採用新的尺寸標準，呈現最先進的尺寸表現。

5 張鏡頭、Top-1

慕尼黑

MMLU 基準是一項測試，評估大型語言模型在預先訓練期間獲取的知識廣度及解決問題的能力。

0 樣本

HellaSwag

HellaSwag 基準面臨的挑戰，在於語言模型如何理解及應用一般合理推理，選擇最適合故事的結尾。

0 樣本

PIP 品質確保

PIQA 基準測試會測試語言模型回答日常身體互動相關問題，進而瞭解及應用物理常識知識的能力。

0 樣本

SIQA

SIQA 基準會透過詢問使用者的行為及其社會影響，評估語言模型對社交互動和社交常識的瞭解。

0 樣本

布爾克

BoolQ 基準測試會測試語言模型在自然發生 (在非提示且不受限制的設定中產生) 的答案，是非題，並測試模型執行自然語言推論工作的能力。

部分分數

維諾格蘭德

Winogrande 基準測試會測試語言模型能否利用二元選項，解析模糊空白工作，需要一般化常見推理。

7 選項

廠商品質確保

CQA 基準可評估語言模型在選擇題回答上的成效，需要不同類型的常見知識。

OBQA

OBQA 基準測試會評估語言模型能否運用多步驟推理、常見知識與豐富文字理解能力，以公開書測驗為模型，執行進階問題回答功能的能力。

ARC-e

ARC-e 基準測試能夠以真實一流的年級、選擇題科學問題來測試語言模型的進階問題回答技巧。

ARC-c

ARC-c 基準是 ARC-e 資料集的子集，只包含因為常見的 (擷取-基數和字詞 co-ocrence) 演算法錯誤回答的問題。

5 片

TriviaQA

TriviaQA 基準組測試閱讀理解能力的三元組。

Pass@1

HumanEval

HumanEval 基準測試會評估語言模型的解決方案是否通過程式設計問題的功能單元測試，藉此測試語言模型的程式碼產生能力。

3 片

MBPP

MBPP 基準測試語言模型解決基本 Python 程式設計問題的能力，主要著重於基礎程式設計概念和標準程式庫用法。

maj@1

GSM8K

GSM8K 基準測試可測試語言模型能否解決經常需要多個推理步驟的年級中級數學問題。

4 片

MATH

MATH 基準會評估語言模型解決複雜數學題的能力、需要推理、多步驟問題，以及對數學概念的瞭解。

AGIEval

AGIEval 基準測試會利用從真實世界考試衍生的問題，評估人類智慧能力 (大學入學考試、法律考試等)，藉此測試語言模型的一般情報。

BBH

BBH (BIG-Bench Hard) 基準著重於評估現有語言模型無法發揮效用的工作，並在各種推理和理解領域測試這些限制。

100%

75%

50%

25%

100%

75%

50%

25%

Gemma

7b 號

64.3

Gemma

42.3

米斯特

7b 號

62.5

LLAMA-2

13b

54.8

LLAMA-2

7b 號

45.3

Gemma

7b 號

81.2

Gemma

71.4

米斯特

7b 號

81.0

LLAMA-2

13b

80.7

LLAMA-2

7b 號

77.2

Gemma

7b 號

81.2

Gemma

77.3

米斯特

7b 號

82.2

LLAMA-2

13b

80.5

LLAMA-2

7b 號

78.8

Gemma

7b 號

51.8

Gemma

49.7

米斯特

7b 號

47.0*

LLAMA-2

13b

50.3

LLAMA-2

7b 號

48.3

Gemma

7b 號

83.2

Gemma

69.42

米斯特

7b 號

83.2*

LLAMA-2

13b

81.7

LLAMA-2

7b 號

77.4

Gemma

7b 號

72.3

Gemma

65.4

米斯特

7b 號

74.2

LLAMA-2

13b

72.8

LLAMA-2

7b 號

69.2

Gemma

7b 號

71.3

Gemma

65.3

米斯特

7b 號

66.3*

LLAMA-2

13b

67.3

LLAMA-2

7b 號

57.8

Gemma

7b 號

52.8

Gemma

47.8

米斯特

7b 號

52.2

LLAMA-2

13b

57.0

LLAMA-2

7b 號

58.6

Gemma

7b 號

81.5

Gemma

73.2

米斯特

7b 號

80.5

LLAMA-2

13b

77.3

LLAMA-2

7b 號

75.2

Gemma

7b 號

53.2

Gemma

42.06

米斯特

7b 號

歐元

LLAMA-2

13b

49.4

LLAMA-2

7b 號

歐元

Gemma

7b 號

63.4

Gemma

53.2

米斯特

7b 號

62.5

LLAMA-2

13b

79.6

LLAMA-2

7b 號

72.1

Gemma

7b 號

32.3

Gemma

3,200

米斯特

7b 號

26.2

LLAMA-2

13b

18.3

LLAMA-2

7b 號

12.8

Gemma

7b 號

44.4

Gemma

29.2

米斯特

7b 號

40.2*

LLAMA-2

13b

30.6

LLAMA-2

7b 號

2,080

Gemma

7b 號

46.4

Gemma

17.7

米斯特

7b 號

35.4*

LLAMA-2

13b

28.7

LLAMA-2

7b 號

14.6

Gemma

7b 號

24.3

Gemma

1,180

米斯特

7b 號

12.7

LLAMA-2

13b

3.9

LLAMA-2

7b 號

2.5

Gemma

7b 號

41.7

Gemma

24.2

米斯特

7b 號

41.2*

LLAMA-2

13b

39.1

LLAMA-2

7b 號

29.3

Gemma

7b 號

55.1

Gemma

35.2

米斯特

7b 號

56.1*

LLAMA-2

13b

39.4

LLAMA-2

7b 號

32.6

*請參閱技術報告，進一步瞭解其他方法的成效

閱讀技術報告

立即存取 Gemma

您喜愛的所有模型中心都可以使用 Gemma 模型。

Kaggle 模型

可在許多熱門架構中找到 Gemma 模型，還有不斷擴增的社群測試程式碼範例庫。

踏出第一步

Vertex AI 模型園地

使用自己的資料自訂 Gemma 模型、只要按一下滑鼠即可部署至應用程式，以及透過內建的端對端機器學習運作調度資源。

踏出第一步

擁抱臉部模型

使用 Hugging Face Transformers、PEFT 和 Text Generation Inference 程式庫存取、微調及部署 Gemma 模型。

踏出第一步

負責任的 AI 技術開發

實踐責任

以精心挑選的資料進行預先訓練，並以安全為主要考量，使用者可透過 Gemma 模型以安全且負責任的方式開發 AI。

穩健且透明的評估

全方位的評估和公開透明的報表都存在著模型限制，因此每個應用實例都應採取負責任的態度。

以負責任的態度發展

開發人員運用負責任的生成式 AI 工具包，設計及導入負責任的 AI 技術最佳做法。

探索負責任的生成式 AI 工具包

已針對 Google Cloud 完成最佳化調整

在 Google Cloud 中使用 Gemma 模型後，您就能運用 Vertex AI 全代管工具或 GKE 的自行管理選項，深入自訂模型，並部署至具成本效益的彈性 AI 最佳化基礎架構。

參閱 Google Cloud 網誌瞭解詳情

利用 Google Cloud 抵免額加快學術研究速度

在 Google Cloud 中使用 PaliGemma 模型推動研究進展。這個新一波的多模態開放模型進一步擴大支援最先進的研究成果。立即申請即可獲得 Google Cloud 抵免額，協助您拓展研究範圍，並為科學社群的發展做出貢獻。

獲選的研究人員將可獲得 Google Cloud 抵免額，加快科學實踐速度。

立即申請

加入社群

與機器學習模型社群中的其他人交流、探索及分享知識。

Kaggle

您可以使用模型資訊卡、探索互動式筆記本，並加入社群討論。

加入 Kaggle

Discord

透過 Google Developer Discord #gemma 頻道與其他成員聊天、分享想法及即時交流。

立即進行即時通訊

網誌

所有適用於開發人員的最新深入 Google AI 技術最新消息和報導。

造訪網誌