Gemma 开放模型

一系列先进的轻量级开放模型，利用与 Gemini 模型相同的技术和研究成果构建而成

<ph type="x-smartling-placeholder"></ph> 开始设置
“从设计上保证责任”图标

从设计上保证负责任

这些模型采用全面的安全措施，通过精心挑选的数据集和严格的调参，有助于确保提供负责任且值得信赖的 AI 解决方案。

“卓越的性能”图标

无论何种大小，均有卓越性能

Gemma 模型在规模达到 20 亿、70 亿、90 亿和 270 亿时取得了出色的基准效果，甚至优于一些更大的开放式模型。

框架灵活

框架灵活

借助 Keras 3.0，您可以无缝兼容 JAX、TensorFlow 和 PyTorch，使您可以根据自己的任务轻松选择和切换框架。

隆重推出
Gemma 2

Gemma 2 经过重新设计，性能和效率均出类拔萃，经过优化，可在各种硬件上实现超快的推理。

<ph type="x-smartling-placeholder"></ph> 在 Google AI Studio 中试用 Gemma 2

5 样本

MMLU

MMLU 基准测试可衡量大语言模型在预训练期间获得的知识广度和问题解决能力。

25 样本

ARC-C

ARC-c 基准是 ARC-e 数据集中更具针对性的子集，仅包含常见（检索基准和字词共现）算法答错的问题。

5 样本

GSM8K

GSM8K 基准测试了语言模型解决经常需要多个推理步骤的小学阶段数学问题的能力。

3-5 样本

AGIEval

AGIEval 基准测试使用从旨在评估人类智力能力的真实考试中得到的问题，来测试语言模型的一般智力。

3 样本，哥伦比亚时间

BBH

BBH (BIG-Bench Hard) 基准测试侧重于被认为超出了当前语言模型能力的任务，会在各种推理和理解领域测试它们的极限。

3 次，F1

DROP

DROP 是一项阅读理解基准，需要对段落进行离散推理。

5 样本

威诺格兰德

Winogrande 基准测试了语言模型使用二元选项解决模糊填空任务的能力，需要广义常识推理。

10 样本

HellaSwag

HellaSwag 基准测试通过为故事选择最符合逻辑的结局，考验语言模型理解和应用常识推理的能力。

4 样本

数学

MATH 可评估语言模型解决复杂数学文字问题的能力，这需要推理、多步骤解决问题以及对数学概念的理解。

0 样本

ARC-e

ARC-e 基准测试是真实的小学水平的单选题科学题，用于测试语言模型的高级问答技能。

0 样本

PIQA

PIQA 基准测试通过回答日常身体互动问题来测试语言模型理解和应用身体常识知识的能力。

0 样本

SIQA

SIQA 基准评估了语言模型通过询问有关人们行为及其社会影响的问题，对社交互动和社会常识的理解。

0 样本

Boolq

BoolQ 基准测试语言模型回答自然出现的是/非问题的能力，从而测试模型执行现实世界的自然语言推理任务的能力。

5 样本

TriviaQA

TriviaQA 这项基准测试以三倍的“问答证据”属性来测试阅读理解能力。

5 样本

NQ

NQ（自然语言）基准测试了语言模型模拟实际问答场景、在整个维基百科文章中查找和理解答案的能力。

通过@1

HumanEval

HumanEval 基准测试通过评估语言模型的解决方案是否通过针对编程问题的功能单元测试来测试语言模型的代码生成能力。

3 样本

MBPP

MBPP 基准测试测试语言模型解决基本 Python 编程问题的能力，重点关注基本编程概念和标准库用法。

100%

75%

50%

25%

0%

100%

75%

50%

25%

0%

Gemma 1

25 亿

42.3

Gemma 2

26 亿

51.3

Mistral

70 亿

62.5

LLAMA 3

8B

66.6

Gemma 1

70 亿

64.4

Gemma 2

90 亿

71.3

Gemma 2

270 亿

75.2

Gemma 1

25 亿

48.5

Gemma 2

26 亿

55.4

Mistral

70 亿

60.5

LLAMA 3

8B

59.2

Gemma 1

70 亿

61.1

Gemma 2

90 亿

68.4

Gemma 2

270 亿

71.4

Gemma 1

25 亿

15.1

Gemma 2

26 亿

23.9

Mistral

70 亿

39.6

LLAMA 3

8B

45.7

Gemma 1

70 亿

51.8

Gemma 2

90 亿

68.6

Gemma 2

270 亿

74.0

Gemma 1

25 亿

24.2

Gemma 2

26 亿

30.6

Mistral

70 亿

44.0

LLAMA 3

8B

45.9

Gemma 1

70 亿

44.9

Gemma 2

90 亿

52.8

Gemma 2

270 亿

55.1

Gemma 1

25 亿

35.2

Gemma 2

26 亿

41.9

Mistral

70 亿

56.0

LLAMA 3

8B

61.1

Gemma 1

70 亿

59.0

Gemma 2

90 亿

68.2

Gemma 2

270 亿

74.9

Gemma 1

25 亿

48.5

Gemma 2

26 亿

52.0

Mistral

70 亿

63.8

LLAMA 3

8B

58.4

Gemma 1

70 亿

56.3

Gemma 2

90 亿

69.4

Gemma 2

270 亿

74.2

Gemma 1

25 亿

66.8

Gemma 2

26 亿

70.9

Mistral

70 亿

78.5

LLAMA 3

8B

76.1

Gemma 1

70 亿

79.0

Gemma 2

90 亿

80.6

Gemma 2

270 亿

83.7

Gemma 1

25 亿

71.7

Gemma 2

26 亿

73.0

Mistral

70 亿

83.0

LLAMA 3

8B

82.0

Gemma 1

70 亿

82.3

Gemma 2

90 亿

81.9

Gemma 2

270 亿

86.4

Gemma 1

25 亿

11.8

Gemma 2

26 亿

15.0

Mistral

70 亿

12.7

Gemma 1

70 亿

24.3

Gemma 2

90 亿

36.6

Gemma 2

270 亿

42.3

Gemma 1

25 亿

73.2

Gemma 2

26 亿

80.1

Mistral

70 亿

80.5

Gemma 1

70 亿

81.5

Gemma 2

90 亿

88.0

Gemma 2

270 亿

88.6

Gemma 1

25 亿

77.3

Gemma 2

26 亿

77.8

Mistral

70 亿

82.2

Gemma 1

70 亿

81.2

Gemma 2

90 亿

81.7

Gemma 2

270 亿

83.2

Gemma 1

25 亿

49.7

Gemma 2

26 亿

51.9

Mistral

70 亿

47.0

Gemma 1

70 亿

51.8

Gemma 2

90 亿

53.4

Gemma 2

270 亿

53.7

Gemma 1

25 亿

69.4

Gemma 2

26 亿

72.5

Mistral

70 亿

83.2

Gemma 1

70 亿

83.2

Gemma 2

90 亿

84.2

Gemma 2

270 亿

84.8

Gemma 1

25 亿

53.2

Gemma 2

26 亿

59.4

Mistral

70 亿

62.5

Gemma 1

70 亿

63.4

Gemma 2

90 亿

76.6

Gemma 2

270 亿

83.7

Gemma 1

25 亿

12.5

Gemma 2

26 亿

16.7

Mistral

70 亿

23.2

Gemma 1

70 亿

23.0

Gemma 2

90 亿

29.2

Gemma 2

270 亿

34.5

Gemma 1

25 亿

22.0

Gemma 2

26 亿

17.7

Mistral

70 亿

26.2

Gemma 1

70 亿

32.3

Gemma 2

90 亿

40.2

Gemma 2

270 亿

51.8

Gemma 1

25 亿

29.2

Gemma 2

26 亿

29.6

Mistral

70 亿

40.2

Gemma 1

70 亿

44.4

Gemma 2

90 亿

52.4

Gemma 2

270 亿

62.6

*这些是预训练模型的基准，请参阅技术报告，详细了解其他方法的性能。

<ph type="x-smartling-placeholder"></ph> 阅读技术报告

Gemma 型号系列

新版本

Gemma 2

Gemma 2 提供三种强大且高效的全新模型，参数大小有 20 亿、90 和 270 亿，且全都内置了安全改进功能。

开始使用

Gemma 1

Gemma 模型是轻量级的文本到文本模型，仅使用解码器，基于大型文本、代码和数学内容数据集进行训练，可处理各种自然语言处理任务。

开始使用

RecurrentGemma

RecurrentGemma 是一种在技术上与众不同的模型，它利用循环神经网络和局部注意力来提高内存效率。

开始使用

PaliGemma

PaliGemma 是一个开放式视觉语言模型，其灵感来自 PaLI-3，它利用了 SigLIP 和 Gemma，可作为一种多功能模型来迁移至各种视觉语言任务。

开始使用

CodeGemma

CodeGemma 以我们最初的预训练 Gemma 模型为基础，提供强大的代码补全和生成功能，且功能可根据你的本地计算机大小选择合适的大小。

开始使用

探索我们的工具

ShieldGemma 图标
ShieldGemma
ShieldGemma 是一套基于 Gemma 2 构建的安全内容分类器模型，用于过滤 AI 模型的输入和输出，并确保用户安全。
Gemma Scope 图标
Gemma 镜
Gemma Scope 为研究人员提供了前所未有的透明度，让他们可以了解 Gemma 2 模型的决策过程。

面向开发者的快速入门指南

Kaggle 图标

在 Kaggle 上探索快速入门

访问 Kaggle 模型页面，查看 Gemma 的快速入门、代码示例和讨论内容。

在 Kaggle 中打开
Google Cloud 图标

在 Google Cloud 上训练和部署

Gemma 2 最适合在 Google Cloud 上使用，并经过端到端 TPU 优化，在 Vertex 上获得市场领先的性能和总拥有成本。

在 Vertex AI 中打开
Google Colab 图标

通过 Keras 3 使用 JAX 尝试低秩自适应

通过 Keras 3 使用您选择的后端框架，使 Gemma 模型适应您的独特领域和数据。

在 Colab 中打开
<ph type="x-smartling-placeholder"></ph> <ph type="x-smartling-placeholder"></ph> 在我们的文档中查看所有快速入门 查看所有快速入门

合作伙伴快速入门指南

Hugging Face 徽标

Hugging Face

利用 Hugging Face Transformer 和 TRL 对 Gemma 模型进行微调和推理任务。
NVIDIA 徽标

NVIDIA

使用 NVIDIA NeMo 框架对 Gemma 模型进行微调，并将其导出到 TensorRT-LLM 以用于生产环境。
NVIDIA 徽标

LangChain

本教程介绍了如何开始使用 Gemma 和 LangChain，并在 Google Cloud 或 Colab 环境中运行。
NVIDIA 徽标

Anyscale

这些文档展示了如何通过 Anyscale Endpoint 将 Gemma 用作全托管式 API 端点。
NVIDIA 徽标

MongoDB

本文介绍如何在检索增强的生成流水线或系统中将 Gemma 用作基础模型。
NVIDIA 徽标

权重和偏差

通过使用 Google 的 Gemma 模型提供的分步示例，深入了解 W&B 的 Model Registry 和启动工具。

Gemma 食谱

探索一系列实用食谱和示例，展示 Gemma 的强大功能和多功能性，例如使用 PaliGemma 制作图片标注、使用 CodeGemma 生成代码，以及使用经过微调的 Gemma 模型构建聊天机器人。

<ph type="x-smartling-placeholder"></ph> 开始烹饪

立即获取 Gemma 模型

Kaggle 徽标

Kaggle 模型

在 Kaggle 上访问 Gemma 2 模型
Vertex AI 徽标

Vertex AI Model Garden

使用你自己的数据自定义 Gemma 2
Hugging face 徽标

Hugging 脸部模型

访问、微调和部署 Gemma

Responsible AI 开发

从设计上保证责任

使用经过精心挑选的数据进行预训练，并在最基础上针对安全性进行了调整，帮助利用 Gemma 模型以安全且负责任的方式开发 AI。

可靠透明的评估

全面的评估和透明的报告揭示了模型限制，为每个应用场景采用负责任的方法。

助力负责任的开发

Responsible AI 工具包支持开发者设计和实施 Responsible AI 最佳实践。

<ph type="x-smartling-placeholder"></ph> 探索 Responsible Gen AI 工具包
Google Cloud 图标

专为 Google Cloud 优化

借助 Google Cloud 上的 Gemma 模型，您可以使用 Vertex AI 的全代管式工具或 GKE 的自行管理方案，根据自己的具体需求对模型进行深度自定义，并将其部署到灵活且经济实惠的 AI 优化型基础架构中。

<ph type="x-smartling-placeholder"></ph> 前往 Google Cloud 博客了解详情

利用 Google Cloud 赠金加快学术研究

学术研究计划于近期结束了申请阶段，授予了 Google Cloud 赠金，以支持使用 Gemma 模型突破科学发现极限的研究人员。我们非常高兴看到这一计划所带来的开创性研究。

敬请关注未来利用 Google Cloud 推进研究的机会。

加入社区

与机器学习模型社区中的其他人交流、探索并分享您的知识。

Kaggle

访问模型卡片，探索交互式笔记本，并加入社区讨论。

Kaggle 图标 加入 Kaggle

Discord

在我们的 Google Developer Discord #gemma 频道上聊天、分享想法并即时沟通交流。

Discord 图标 立即聊天

博客

面向开发者的所有最新、深入的 Google AI 资讯和报道。

博客图标 访问博客