Modèles ouverts Gemma
Une famille de modèles ouverts légers et de pointe conçus à partir des mêmes recherches et technologies que celles utilisées pour créer les modèles Gemini
Une conception responsable
Ces modèles intègrent des mesures de sécurité complètes et contribuent à garantir des solutions d'IA responsables et fiables grâce à une sélection d'ensembles de données et à des réglages rigoureux.
Performances inégalées en termes de taille
Les modèles Gemma atteignent des résultats de benchmark exceptionnels avec des tailles de 2 et 7 milliards de dollars, et surpassent même certains modèles ouverts plus volumineux.
Framework flexible
Avec Keras 3.0, bénéficiez d'une compatibilité totale avec JAX, TensorFlow et PyTorch, ce qui vous permet de choisir et de changer facilement de frameworks en fonction de vos tâches.
Variantes du modèle gemma
Guides de démarrage rapide pour les développeurs
Guides de démarrage rapide pour les partenaires
D'autres guides partenaires seront bientôt disponibles
Benchmarks
Gemma place la barre encore plus haut en termes de performances en termes de taille par rapport aux modèles populaires tels que Llama 2 et Mistral 7B.
5 plans, top-1
MLU
Le benchmark MMLU est un test qui mesure l'étendue des connaissances et de la capacité à résoudre les problèmes acquises par les grands modèles de langage au cours du pré-entraînement.
0 shot
HellaSwag
Le benchmark HellaSwag remet en question la capacité d'un modèle de langage à comprendre et à appliquer un raisonnement basé sur le bon sens en choisissant la fin la plus logique d'un récit.
0 shot
PIQA
Le benchmark PIQA teste la capacité d'un modèle de langage à comprendre et à appliquer les connaissances physiques du bon sens en répondant à des questions sur les interactions physiques quotidiennes.
0 shot
SIQA
Le benchmark SIQA évalue la compréhension des interactions sociales et du bon sens social par un modèle de langage en posant des questions sur les actions des individus et leurs implications sociales.
0 shot
Boolq
Le benchmark BoolQ teste la capacité d'un modèle de langage à répondre par oui ou non à des questions qui se produisent naturellement (générées dans des paramètres non sollicités et sans contrainte) afin de tester la capacité des modèles à effectuer des tâches d'inférence en langage naturel réelles.
notation partielle
Winogrande
Le benchmark Winogrande teste la capacité d'un modèle de langage à résoudre des tâches ambiguës de remplissage à l'aide d'options binaires, ce qui nécessite un raisonnement de bon sens généralisé.
7 plans
CQA
Le benchmark CQA évalue les performances des modèles de langage dans les systèmes de questions-réponses à choix multiples, qui requièrent différents types de connaissances de bon sens.
OBQA
Le benchmark OBQA évalue la capacité d'un modèle de langage à répondre à des questions avancées avec un raisonnement en plusieurs étapes, des connaissances de bon sens et une compréhension de texte enrichi, modélisées d'après des examens de livre ouvert.
ARC-e
Le benchmark ARC-e teste les compétences avancées d'un modèle de langage en réponse à des questions avec des questions scientifiques à choix multiples et de véritables niveaux scolaires.
ARC-C
Le benchmark ARC-c est un sous-ensemble plus ciblé de l'ensemble de données ARC-e. Il ne contient que des questions auxquelles des algorithmes courants (méthode de récupération et cooccurrence de mots) donnent des réponses incorrectes.
5 plans
TriviaQA
Le benchmark TriviaQA teste les compétences de compréhension en lecture sur des triples questions/réponses/évidences.
carte@1
HumanEval
Le benchmark HumanEval teste les capacités de génération de code d'un modèle de langage en évaluant si ses solutions réussissent les tests unitaires fonctionnels pour les problèmes de programmation.
Trois plans
MBPP
Le benchmark MBPP teste la capacité d'un modèle de langage à résoudre des problèmes de programmation Python élémentaires, en se concentrant sur les concepts fondamentaux de la programmation et l'utilisation standard des bibliothèques.
maj@1
GSM8K
Le benchmark GSM8K teste la capacité d'un modèle de langage à résoudre des problèmes mathématiques au niveau scolaire, qui nécessitent souvent plusieurs étapes de raisonnement.
4 plans
MATH
Le benchmark MATH évalue la capacité d'un modèle de langage à résoudre des problèmes écrits mathématiques complexes, nécessitant un raisonnement, une résolution de problèmes en plusieurs étapes et une compréhension des concepts mathématiques.
AGIEval
Le benchmark AGIEval teste l'intelligence générale d'un modèle de langage à l'aide de questions issues d'examens concrets conçus pour évaluer les capacités intellectuelles humaines (examens d'entrée à l'université, examens de droit, etc.).
BBH
Le benchmark BBH (BIG-Bench Hard) se concentre sur des tâches qui dépassent les capacités des modèles de langage actuels, en testant leurs limites dans différents domaines de raisonnement et de compréhension.
100 %
75 %
50 %
25 %
0 %
100 %
75 %
50 %
25 %
0 %
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
Gemma
7b
Gemma
2b
Mistral
7b
LLAMA-2
13 Mrds
LLAMA-2
7b
*Consultez le rapport technique pour en savoir plus sur les performances obtenues avec d'autres méthodologies.
Accédez à Gemma
Les modèles Gemma sont disponibles dans tous vos hubs de modèles préférés.
Développement d'IA responsable
Responsabilité dès la conception
Ce programme pré-entraîné sur des données soigneusement sélectionnées et adapté à la sécurité, contribue à favoriser le développement d'IA responsable et sécurisé basé sur des modèles Gemma.
Évaluation fiable et transparente
Des évaluations complètes et des rapports transparents révèlent les limites du modèle pour adopter une approche responsable pour chaque cas d'utilisation.
Pour un développement responsable
Le kit d'IA générative responsable aide les développeurs à concevoir et à mettre en œuvre de bonnes pratiques d'IA responsable.
Optimisé pour Google Cloud
Avec les modèles Gemma sur Google Cloud, vous pouvez personnaliser en profondeur le modèle en fonction de vos besoins spécifiques grâce aux outils entièrement gérés de Vertex AI ou à l'option autogérée de GKE, et le déployer sur une infrastructure flexible et économique optimisée par l'IA.
Accélérer la recherche universitaire avec les crédits Google Cloud
Le programme de recherche universitaire a récemment terminé sa période de candidature et accorde des crédits Google Cloud pour aider les chercheurs à repousser les limites de la découverte scientifique grâce aux modèles Gemma. Nous avons hâte de découvrir les avancées révolutionnaires de cette initiative.
Tenez-vous informé des futures opportunités d'approfondir vos recherches avec Google Cloud.
Rejoindre la communauté
Échangez, explorez et partagez vos connaissances avec d'autres membres de la communauté des modèles de ML.
Participez au concours de création du meilleur assistant d'IA pour les ingénieurs en ML
Kaggle organise un concours mettant les participants au défi d'utiliser des modèles Gemma afin de créer les meilleurs assistants d'IA pour les tâches d'ingénierie de ML. Les lauréats seront annoncés lors de Google I/O.
Participer au concours