Dai un'occhiata al repository del libro di ricette di Gemma per esempi di generazione e ottimizzazione. Scopri di più

Questa pagina è stata tradotta dall'API Cloud Translation.

Modelli Gemma Open

Una famiglia di modelli aperti leggeri e all'avanguardia creati sulla base della stessa ricerca e tecnologia utilizzata per creare i modelli Gemini

Inizia

Responsabile per definizione

Grazie all'integrazione di misure di sicurezza complete, questi modelli contribuiscono a garantire soluzioni di IA responsabili e affidabili tramite set di dati selezionati e ottimizzazioni rigorose.

Prestazioni ineguagliabili per le dimensioni

I modelli Gemma ottengono risultati di benchmark eccezionali nelle dimensioni 2B, 7B, 9B e 27B, superando persino alcuni modelli aperti più grandi.

Framework flessibile

Con Keras 3.0, puoi usufruire di una compatibilità perfetta con JAX, TensorFlow e PyTorch, il che ti consente di scegliere e cambiare facilmente i framework in base alla tua attività.

Ti presentiamo
Gemma 2

Riprogettata per prestazioni straordinarie ed efficienza ineguagliabile, Gemma 2 ottimizza l'inferenza ultraveloce su hardware diversificato.

Prova Gemma 2 in Google AI Studio

5 scatti

MMLU

Il benchmark MMLU è un test che misura l'ampiezza delle conoscenze e la capacità di risoluzione dei problemi acquisite dai modelli linguistici di grandi dimensioni durante il preaddestramento.

25 scatti

ARC-C

Il benchmark ARC-c è un sottoinsieme più mirato del set di dati ARC-e, contenente solo domande a cui è stata data una risposta errata da algoritmi comuni (basati sul recupero e sulla cooccorrenza delle parole).

5 scatti

GSM8K

Il benchmark GSM8K testa la capacità di un modello linguistico di risolvere problemi matematici di livello scolastico che spesso richiedono più passaggi di ragionamento.

3-5-colpi

AGIEval

Il benchmark AGIEval testa l'intelligence generale di un modello linguistico utilizzando domande derivate da esami del mondo reale progettati per valutare le capacità intellettuali umane.

3 foto, Lettino

BBH

Il benchmark BBH (BIG-Bench Hard) si concentra su attività ritenute al di là delle capacità degli attuali modelli linguistici, testandone i limiti in vari domini di ragionamento e comprensione.

3 tiri, F1

RILASCIA

DROP è un benchmark di comprensione della lettura che richiede un ragionamento discreto sui paragrafi.

5 tiri

Winogrande

Il benchmark Winogrande testa la capacità di un modello linguistico di risolvere attività di completamento dei campi con opzioni binarie ambigue, che richiedono un ragionamento di buon senso generalizzato.

10 scatti

HellaSwag

Il benchmark HellaSwag mette in dubbio la capacità di un modello linguistico di comprendere e applicare il ragionamento di buon senso selezionando il finale più logico di una storia.

4-colpi

MATH

MATH valuta la capacità di un modello linguistico di risolvere problemi con enunciato matematico complessi, che richiedono ragionamento, risoluzione di problemi a più passaggi e comprensione di concetti matematici.

Zero-shot

ARC-e

Il benchmark ARC-e verifica le capacità avanzate di risposta alle domande di un modello linguistico con domande di scienza a scelta multipla autentiche a livello di scuola elementare.

Tiro 0

PIQA

Il benchmark PIQA testa la capacità di un modello linguistico di comprendere e applicare la conoscenza fisica di buon senso rispondendo a domande sulle interazioni fisiche quotidiane.

Zero-shot

SIQA

Il benchmark SIQA valuta la comprensione delle interazioni sociali e del buon senso sociale da parte di un modello linguistico ponendo domande sulle azioni delle persone e sulle loro implicazioni sociali.

Zero-shot

Boolq

Il benchmark BoolQ verifica la capacità di un modello linguistico di rispondere a domande sì/no naturali, testando la capacità del modello di eseguire attività di inferenza del linguaggio naturale nel mondo reale.

5 tiri

TriviaQA

Il benchmark TriviaQA valuta le competenze di comprensione della lettura con triplette di domande, risposte ed evidenze.

5 scatti

Il benchmark NQ (Natural Questions) testa la capacità di un modello linguistico di trovare e comprendere le risposte all'interno di interi articoli di Wikipedia, simulando scenari di risposta alle domande reali.

pass@1

HumanEval

Il benchmark HumanEval testa le capacità di generazione di codice di un modello linguistico valutando se le sue soluzioni superano i test delle unità funzionali per i problemi di programmazione.

3 scatti

MBPP

Il benchmark MBPP testa la capacità di un modello linguistico di risolvere problemi di programmazione di base in Python, concentrandosi sui concetti di programmazione fondamentali e sull'utilizzo della libreria standard.

100%

75%

50%

25%

100%

75%

50%

25%

Gemma 1

2,5 miliardi

42,3

Gemma 2

2,6 MLD

51,3

Mistral

7 miliardi

62,5

LLAMA 3

8 miliardi

66,6

Gemma 1

7 miliardi

64,4

Gemma 2

Oltre 9 miliardi

71,3

Gemma 2

27 mld

75,2

Gemma 1

2,5 miliardi

48,5

Gemma 2

2,6 MLD

55,4

Mistral

7 miliardi

60.5

LLAMA 3

8 miliardi

59,2

Gemma 1

7 MLD

61,1

Gemma 2

Oltre 9 miliardi

68,4

Gemma 2

27 mld

71,4

Gemma 1

2,5 MLD

15.1

Gemma 2

2,6 MLD

23,9

Mistral

7 miliardi

39,6

LLAMA 3

8 miliardi

45,7

Gemma 1

7 miliardi

51,8

Gemma 2

Oltre 9 miliardi

68,6

Gemma 2

27 mld

74,0

Gemma 1

2,5 miliardi

24,2

Gemma 2

2,6 MLD

30,6

Mistral

7 miliardi

44,0

LLAMA 3

8 miliardi

45,9

Gemma 1

7 miliardi

44,9

Gemma 2

Oltre 9 miliardi

52,8

Gemma 2

27 mld

55.1

Gemma 1

2,5 miliardi

35,2

Gemma 2

2,6 MLD

41,9

Mistral

7 miliardi

56,0

LLAMA 3

8 miliardi

61.1

Gemma 1

7 miliardi

59,0

Gemma 2

Oltre 9 miliardi

68,2

Gemma 2

27 mld

74,9

Gemma 1

2,5 miliardi

48,5

Gemma 2

2,6 MLD

52,0

Mistral

7 miliardi

63,8

LLAMA 3

8 Mld

58,4

Gemma 1

7 MLD

56,3

Gemma 2

Oltre 9 miliardi

69,4

Gemma 2

27 mld

74,2

Gemma 1

2,5 MLD

66,8

Gemma 2

2,6 MLD

70,9

Mistral

7 miliardi

78,5

LLAMA 3

8 miliardi

76,1

Gemma 1

7 miliardi

79,0

Gemma 2

Oltre 9 miliardi

80,6

Gemma 2

27 MLD

83,7

Gemma 1

2,5 miliardi

71,7

Gemma 2

2,6 MLD

73,0

Mistral

7 miliardi

83,0

LLAMA 3

8 miliardi

82,0

Gemma 1

7 miliardi

82,3

Gemma 2

Oltre 9 miliardi

81,9

Gemma 2

27 mld

86,4

Gemma 1

2,5 miliardi

11,8

Gemma 2

2,6 MLD

15,0

Mistral

7 miliardi

12,7

Gemma 1

7 MLD

24,3

Gemma 2

Oltre 9 miliardi

36,6

Gemma 2

27 mld

42,3

Gemma 1

2,5 miliardi

73,2

Gemma 2

2,6 MLD

80,1

Mistral

7 miliardi

80,5

Gemma 1

7 miliardi

81,5

Gemma 2

Oltre 9 miliardi

88,0

Gemma 2

27 mld

88,6

Gemma 1

2,5 MLD

77,3

Gemma 2

2,6 MLD

77,8

Mistral

7 MLD

82,2

Gemma 1

7 MLD

81,2

Gemma 2

Oltre 9 miliardi

81,7

Gemma 2

27 mld

83,2

Gemma 1

2,5 miliardi

49,7

Gemma 2

2,6 MLD

51,9

Mistral

7 MLD

47,0

Gemma 1

7 miliardi

51,8

Gemma 2

Oltre 9 miliardi

53,4

Gemma 2

27 MLD

53,7

Gemma 1

2,5 miliardi

69,4

Gemma 2

2,6 MLD

72,5

Mistral

7 miliardi

83,2

Gemma 1

7 miliardi

83,2

Gemma 2

Oltre 9 miliardi

84,2

Gemma 2

27 mld

84,8

Gemma 1

2,5 miliardi

53,2

Gemma 2

2,6 MLD

59,4

Mistral

7 miliardi

62,5

Gemma 1

7 miliardi

63,4

Gemma 2

Oltre 9 miliardi

76,6

Gemma 2

27 MLD

83,7

Gemma 1

2,5 miliardi

12,5

Gemma 2

2,6 MLD

16,7

Mistral

7 miliardi

23.2

Gemma 1

7 miliardi

23,0

Gemma 2

Oltre 9 miliardi

29,2

Gemma 2

27 MLD

34,5

Gemma 1

2,5 MLD

22.0

Gemma 2

2,6 MLD

17,7

Mistral

7 MLD

26,2

Gemma 1

7 miliardi

32,3

Gemma 2

Oltre 9 miliardi

40,2

Gemma 2

27 mld

51,8

Gemma 1

2,5 miliardi

29,2

Gemma 2

2,6 MLD

29,6

Mistral

7 miliardi

40,2

Gemma 1

7 MLD

44,4

Gemma 2

Oltre 9 miliardi

52,4

Gemma 2

27 mld

62,6

*Questi sono i benchmark per i modelli preaddestrati. Consulta il report tecnico per dettagli sulle prestazioni con altre metodologie.

Leggi il report tecnico

Famiglia di modelli Gemma

Nuova release

Gemma 2

Gemma 2 offre tre nuovi modelli potenti ed efficienti disponibili in dimensioni di parametri di 2, 9 e 27 miliardi, tutti con miglioramenti di sicurezza integrati.

Iniziare a utilizzare Hugging Face Iniziare a utilizzare Kaggle

Nuova release

DataGemma

DataGemma sono i primi modelli aperti progettati per collegare gli LLM a vasti dati reali tratti dal Data Commons di Google.

Inizia su Kaggle

Gemma 1

I modelli Gemma sono modelli linguistici di grandi dimensioni leggeri, di tipo text-to-text e solo decodificatore, addestrati su un enorme set di dati di testo, codice e contenuti matematici per una serie di attività di elaborazione del linguaggio naturale.

Inizia su Kaggle

RecurrentGemma

RecurrentGemma è un modello tecnicamente distinto che sfrutta le reti neurali ricorrenti e l'attenzione locale per migliorare l'efficienza della memoria.

Inizia su Kaggle

PaliGemma

PaliGemma è un modello di linguaggio di visione aperto ispirato a PaLI-3, che sfrutta SigLIP e Gemma, progettato come modello versatile per il trasferimento a una vasta gamma di attività basate su linguaggio di visione artificiale.

Inizia su Kaggle

CodeGemma

Sfruttando le basi dei nostri modelli Gemma preaddestrati originali, CodeGemma offre potenti funzionalità di generazione e completamento del codice in dimensioni adatte al computer locale.

Inizia su Kaggle

Esplora i nostri strumenti

ShieldGemma

ShieldGemma è una suite di modelli di classificazione dei contenuti per la sicurezza basati su Gemma 2 per filtrare gli input e gli output dei modelli di IA e garantire la sicurezza dell'utente.

Ambito Gemma

Gemma Scope offre ai ricercatori una trasparenza senza precedenti sui processi decisionali dei nostri modelli Gemma 2.

Guide rapide per gli sviluppatori

Scopri le guide rapide su Kaggle

Visita la pagina Modelli Kaggle per trovare guide rapide, esempi di codice e discussioni su Gemma.

Apri in Kaggle

Addestramento e deployment su Google Cloud

Gemma 2 funziona al meglio su Google Cloud, con ottimizzazione TPU end-to-end per prestazioni leader di mercato e costo totale di proprietà su Vertex.

Apri in Vertex AI

Prova l'adattamento a rango ridotto con JAX tramite Keras 3

Adatta i modelli Gemma al tuo dominio e ai tuoi dati unici con il framework di backend che preferisci tramite Keras 3.

Apri in Colab

Visualizza tutte le guide rapide nella nostra documentazione Visualizza tutte le guide rapide

Guide rapide per i partner

Hugging Face

Utilizza Hugging Face Transformers e TRL per le attività di ottimizzazione e inferenza con i modelli Gemma.

NVIDIA

Perfeziona i modelli Gemma con il framework NVIDIA NeMo ed esportali in TensorRT-LLM per la produzione.

LangChain

Questo tutorial mostra come iniziare a utilizzare Gemma e LangChain, in esecuzione in Google Cloud o nel tuo ambiente Colab.

Anyscale

Queste documentazioni mostrano come utilizzare Gemma tramite Anyscale Endpoint come endpoint API completamente gestiti.

MongoDB

Questo articolo illustra come utilizzare Gemma come modello di base in un sistema o una pipeline di generazione basata sul recupero.

Weights and Biases

Approfondisci gli strumenti Model Registry e Launch di W&B tramite un esempio passo passo che utilizza i modelli Gemma di Google.

Gemma Cookbook

Esplora una raccolta di ricette ed esempi pratici che mostrano la potenza e la versatilità di Gemma per attività come la sottotitolazione delle immagini con PaliGemma, la generazione di codice con CodeGemma e la creazione di chatbot con i modelli Gemma ottimizzati.

Preparati

Accedi subito ai modelli di Gemma

Modelli Kaggle

Accedere ai modelli di Gemma 2 su Kaggle

Model Garden di Vertex AI

Personalizza Gemma 2 con i tuoi dati

Modelli Hugging Face

Accedi, ottimizza ed esegui il deployment di Gemma

Sviluppo di un'IA responsabile

Responsabilità by design

Preaddestrati su dati attentamente selezionati e ottimizzati per la sicurezza in alto, contribuendo a potenziare lo sviluppo di un'IA sicura e responsabile basata sui modelli Gemma.

Valutazione solida e trasparente

Valutazioni complete e report trasparenti svelano le limitazioni del modello per adottare un approccio responsabile per ogni caso d'uso.

Favorire uno sviluppo responsabile

Il toolkit per l'IA generativa responsabile aiuta gli sviluppatori a progettare e implementare best practice per l'IA responsabile.

Esplora il Responsible AI Toolkit

Ottimizzato per Google Cloud

Con i modelli Gemma su Google Cloud, puoi personalizzare in modo approfondito il modello in base alle tue esigenze specifiche con gli strumenti completamente gestiti di Vertex AI o l'opzione self-managed di GKE ed eseguirlo in un'infrastruttura ottimizzata per l'IA flessibile e conveniente.

Scopri di più nel blog di Google Cloud

Accelerare la ricerca accademica con i crediti Google Cloud

Di recente, il programma di ricerca accademica ha concluso il periodo di richiesta, assegnando crediti Google Cloud per supportare i ricercatori che spingono i confini della scoperta scientifica utilizzando i modelli Gemma. Siamo entusiasti di vedere la rivoluzionaria ricerca che emerge da questa iniziativa.

Continua a seguirci per non perderti le opportunità future per far progredire la tua ricerca con Google Cloud.

Unisciti alla community

Connettiti, esplora e condividi le tue conoscenze con gli altri nella community dei modelli ML.

Modelli Gemma Open

Responsabile per definizione

Prestazioni ineguagliabili per le dimensioni

Framework flessibile

Ti presentiamo
Gemma 2

Famiglia di modelli Gemma

Gemma 2

DataGemma

Gemma 1

RecurrentGemma

PaliGemma

CodeGemma

Esplora i nostri strumenti

Guide rapide per gli sviluppatori

Scopri le guide rapide su Kaggle

Addestramento e deployment su Google Cloud

Prova l'adattamento a rango ridotto con JAX tramite Keras 3

Guide rapide per i partner

Gemma Cookbook

Accedi subito ai modelli di Gemma

Sviluppo di un'IA responsabile

Ottimizzato per Google Cloud

Accelerare la ricerca accademica con i crediti Google Cloud

Unisciti alla community

Kaggle

Discord

Blog

Modelli Gemma Open

Responsabile per definizione

Prestazioni ineguagliabili per le dimensioni

Framework flessibile

Ti presentiamo Gemma 2

Famiglia di modelli Gemma

Gemma 2

DataGemma

Gemma 1

RecurrentGemma

PaliGemma

CodeGemma

Esplora i nostri strumenti

Guide rapide per gli sviluppatori

Scopri le guide rapide su Kaggle

Addestramento e deployment su Google Cloud

Prova l'adattamento a rango ridotto con JAX tramite Keras 3

Guide rapide per i partner

Gemma Cookbook

Accedi subito ai modelli di Gemma

Sviluppo di un'IA responsabile

Ottimizzato per Google Cloud

Accelerare la ricerca accademica con i crediti Google Cloud

Unisciti alla community

Kaggle

Discord

Blog

Ti presentiamo
Gemma 2