Gemma è un insieme di modelli aperti di intelligenza artificiale (AI) generativa leggeri. I modelli Gemma sono disponibili per l'esecuzione nelle tue applicazioni e sul tuo hardware, sui tuoi dispositivi mobili o sui tuoi servizi in hosting. Puoi anche personalizzare questi modelli utilizzando tecniche di ottimizzazione in modo che eccellano nello svolgimento di attività importanti per te e per i tuoi utenti. I modelli Gemma si basano sui modelli Gemini e sono destinati alla community di sviluppo dell'AI per essere estesi e portati avanti.
L'ottimizzazione può contribuire a migliorare le prestazioni di un modello in attività specifiche. Poiché i modelli della famiglia Gemma sono open weight, puoi ottimizzarli utilizzando il framework di AI che preferisci e l'SDK Vertex AI. Puoi aprire un esempio di notebook per ottimizzare il modello Gemma utilizzando un link disponibile nella scheda del modello Gemma in Model Garden.
I seguenti modelli Gemma sono disponibili per l'utilizzo con Gemini Enterprise Agent Platform. Per scoprire di più sui modelli Gemma e testarli, consulta le relative schede del modello in Model Garden.
| Nome del modello | Casi d'uso | Scheda del modello di Model Garden |
|---|---|---|
| Gemma 4 | In grado di gestire input multimodali, tra cui testo, immagini e audio, e di generare output di testo. | Vai alla scheda del modello Gemma 4 |
| TranslateGemma | Una famiglia di modelli di traduzione aperti e leggeri progettati per gestire attività di traduzione in 55 lingue. | Vai alla scheda del modello TranslateGemma |
| FunctionGemma | Un modello aperto e leggero, creato come base per la creazione di modelli di chiamata di funzione specializzati e progettato per offrire prestazioni elevate dopo un'ulteriore ottimizzazione. | Vai alla scheda del modello FunctionGemma |
| Gemma 3n | In grado di gestire input multimodali, tra cui testo, immagini e audio, e di generare output di testo. | Vai alla scheda del modello Gemma 3n |
| Gemma 3 | Ideale per attività di generazione di testo e comprensione delle immagini, tra cui rispondere a domande, riassumere contenuti ed elaborare ragionamenti. | Vai alla scheda del modello Gemma 3 |
| Gemma 2 | Ideale per la generazione, il riassunto e l'estrazione di testo. | Vai alla scheda del modello Gemma 2 |
| Gemma | Ideale per la generazione, il riassunto e l'estrazione di testo. | Vai alla scheda del modello Gemma |
| CodeGemma | Ideale per la generazione e il completamento del codice. | Vai alla scheda del modello CodeGemma |
| PaliGemma 2 | Ideale per attività di descrizione di immagini e di domande e risposte visive. | Vai alla scheda del modello PaliGemma 2 |
| PaliGemma | Ideale per attività di descrizione di immagini e di domande e risposte visive. | Vai alla scheda del modello PaliGemma |
| ShieldGemma 2 | Controlla la sicurezza delle immagini sintetiche e naturali per aiutarti a creare set di dati e modelli solidi. | Vai alla scheda del modello ShieldGemma 2 |
| TxGemma | Ideale per attività di previsione terapeutica, tra cui classificazione, regressione o generazione, e attività di ragionamento. | Vai alla scheda del modello TxGemma |
| MedGemma | Varianti di Gemma 3 addestrate per ottenere prestazioni ottimali nella comprensione di testi e immagini in ambito medico. | Vai alla scheda del modello MedGemma |
| MedSigLIP | Variante di SigLIP addestrata per codificare immagini e testo medici in uno spazio di embedding comune. | Vai alla scheda del modello MedSigLIP |
| T5Gemma | Adatto a una serie di attività generative, tra cui rispondere a domande, riassumere contenuti ed elaborare ragionamenti. | Vai alla scheda del modello T5Gemma |
| T5Gemma 2 | Adatto a una serie di attività generative, tra cui rispondere a domande, riassumere contenuti ed elaborare ragionamenti. | Vai alla scheda del modello T5Gemma 2 |
Ecco alcune opzioni per l'utilizzo di Gemma:
Utilizza Gemma con Gemini Enterprise Agent Platform
Gemini Enterprise Agent Platform offre una piattaforma gestita per creare e scalare rapidamente progetti di machine learning senza la necessità di competenze MLOps interne. Puoi utilizzare Gemini Enterprise Agent Platform come applicazione downstream che gestisce i modelli Gemma. Ad esempio, potresti trasferire i pesi dall'implementazione Keras di Gemma. Successivamente, puoi utilizzare Agent Platform per pubblicare quella versione di Gemma e ottenere previsioni. Ti consigliamo di utilizzare Gemini Enterprise Agent Platform se vuoi funzionalità MLOps end-to-end, funzionalità ML a valore aggiunto e un'esperienza serverless per uno sviluppo semplificato.
Per iniziare a utilizzare Gemma, consulta i seguenti notebook:
Ottimizza Gemma utilizzando KerasNLP ed esegui il deployment su Gemini Enterprise Agent Platform
Esegui l'inferenza locale con ShieldGemma 2 con i transformer Hugging Face
Esegui l'inferenza locale con T5Gemma con i transformer Hugging Face
Utilizza Gemma in altri prodotti Google Cloud
Puoi utilizzare Gemma con altri prodotti Google Cloud , come Google Kubernetes Engine e Dataflow.
Utilizza Gemma con GKE
Google Kubernetes Engine (GKE) è la soluzione Google Cloud per Kubernetes gestito che offre scalabilità, sicurezza, resilienza ed efficacia in termini di costi. Consigliamo questa opzione se hai già investito in Kubernetes, se la tua organizzazione dispone di competenze MLOps interne o se hai bisogno di un controllo granulare su workload AI/ML complessi con requisiti unici di sicurezza, pipeline di dati e gestione delle risorse. Per saperne di più, consulta i seguenti tutorial nella documentazione di GKE:
Utilizza Gemma con Dataflow
Puoi utilizzare i modelli Gemma con Dataflow per l'analisi del sentiment. Utilizza Dataflow per eseguire pipeline di inferenza che utilizzano i modelli Gemma. Per saperne di più, consulta Esegui pipeline di inferenza con i modelli aperti Gemma.
Utilizza Gemma con Colab
Puoi utilizzare Gemma con Colaboratory per creare la tua soluzione Gemma. In Colab, puoi utilizzare Gemma con opzioni di framework come PyTorch e JAX. Per saperne di più, consulta:
- Inizia a utilizzare Gemma con Keras.
- Inizia a utilizzare Gemma con PyTorch.
- Ottimizzazione di base con Gemma utilizzando Keras.
- Ottimizzazione distribuita con Gemma utilizzando Keras.
Dimensioni e funzionalità dei modelli Gemma
I modelli Gemma sono disponibili in diverse dimensioni, per consentirti di creare soluzioni di AI generativa in base alle risorse di computing disponibili, alle funzionalità di cui hai bisogno e alla posizione in cui vuoi eseguirle. Ogni modello è disponibile in una versione ottimizzata e una non ottimizzata:
Preaddestrato: questa versione del modello non è stata addestrata su attività o istruzioni specifiche oltre al set di dati di addestramento di base di Gemma. Sconsigliamo di utilizzare questo modello senza eseguire un'ottimizzazione.
Ottimizzato per le istruzioni: questa versione del modello è stata addestrata con interazioni in linguaggio umano in modo da poter partecipare a una conversazione, in modo simile a un chatbot di base.
Mix ottimizzato: questa versione del modello è ottimizzata su una combinazione di set di dati accademici e accetta prompt in linguaggio naturale.
Dimensioni dei parametri inferiori significano requisiti di risorse inferiori e maggiore flessibilità di deployment.
| Nome del modello | Dimensioni dei parametri | Input | Output | Versioni ottimizzate | Piattaforme previste |
|---|---|---|---|---|---|
| Gemma 4 | |||||
| Gemma 4 31B | 31 miliardi di parametri | Testo e immagine | Testo |
|
Server o cluster di server di grandi dimensioni |
| Gemma 4 26B A4B | 26 miliardi di parametri, 4 miliardi di parametri attivi | Testo e immagine | Testo |
|
Computer desktop e server di fascia alta |
| Gemma 4 E4B | 4 miliardi di parametri effettivi | Testo, immagini e audio | Testo |
|
Dispositivi mobili e laptop |
| Gemma 4 E2B | 2 miliardi di parametri effettivi | Testo, immagini e audio | Testo |
|
Dispositivi mobili e laptop |
| Gemma 3n | |||||
| Gemma 3n E4B | 4 miliardi di parametri effettivi | Testo, immagini e audio | Testo |
|
Dispositivi mobili e laptop |
| Gemma 3n E2B | 2 miliardi di parametri effettivi | Testo, immagini e audio | Testo |
|
Dispositivi mobili e laptop |
| Gemma 3 | |||||
| Gemma 3 27B | 27 miliardi | Testo e immagine | Testo |
|
Server o cluster di server di grandi dimensioni |
| Gemma 3 12B | 12 miliardi | Testo e immagine | Testo |
|
Computer desktop e server di fascia alta |
| Gemma 3 4B | 4 miliardi | Testo e immagine | Testo |
|
Computer desktop e piccoli server |
| Gemma 3 1B | 1 miliardo | Testo | Testo |
|
Dispositivi mobili e laptop |
| Gemma 2 | |||||
| Gemma 2 27B | 27 miliardi | Testo | Testo |
|
Server o cluster di server di grandi dimensioni |
| Gemma 2 9B | 9 miliardi di | Testo | Testo |
|
Computer desktop e server di fascia alta |
| Gemma 2 2B | 2 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| Gemma | |||||
| Gemma 7B | 7 miliardi | Testo | Testo |
|
Computer desktop e piccoli server |
| Gemma 2B | 2,2 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| CodeGemma | |||||
| CodeGemma 7B | 7 miliardi | Testo | Testo |
|
Computer desktop e piccoli server |
| CodeGemma 2B | 2 miliardi | Testo | Testo |
|
Computer desktop e piccoli server |
| PaliGemma 2 | |||||
| PaliGemma 28B | 28 miliardi | Testo e immagine | Testo |
|
Server o cluster di server di grandi dimensioni |
| PaliGemma 10B | 10 miliardi | Testo e immagine | Testo |
|
Computer desktop e server di fascia alta |
| PaliGemma 3B | 3 miliardi | Testo e immagine | Testo |
|
Computer desktop e piccoli server |
| PaliGemma | |||||
| PaliGemma 3B | 3 miliardi | Testo e immagine | Testo |
|
Computer desktop e piccoli server |
| ShieldGemma 2 | |||||
| ShieldGemma 2 | 4 miliardi | Testo e immagine | Testo |
|
Computer desktop e piccoli server |
| TxGemma | |||||
| TxGemma 27B | 27 miliardi | Testo | Testo |
|
Server o cluster di server di grandi dimensioni |
| TxGemma 9B | 9 miliardi di | Testo | Testo |
|
Computer desktop e server di fascia alta |
| TxGemma 2B | 2 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| MedGemma | |||||
| MedGemma 27B | 27 miliardi | Testo e immagine | Testo |
|
Server o cluster di server di grandi dimensioni |
| MedGemma 4B | 4 miliardi | Testo e immagine | Testo |
|
Computer desktop e piccoli server |
| MedSigLIP | |||||
| MedSigLIP | 800 milioni | Testo e immagine | Embedding |
|
Dispositivi mobili e laptop |
| T5Gemma | |||||
| T5Gemma 9B-9B | 18 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma 9B-2B | 11 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma 2B-2B | 4 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma XL-XL | 4 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma M-L | 2 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma L-L | 1 miliardo | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma B-B | 0,6 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
| T5Gemma S-S | 0,3 miliardi | Testo | Testo |
|
Dispositivi mobili e laptop |
Gemma è stato testato utilizzando l'hardware TPU v5e di Google, progettato appositamente, e l'hardware GPU L4 (G2 Standard), A100 (A2 Standard) e H100 (A3 High) di NVIDIA.
Passaggi successivi
- Consulta la documentazione di Gemma.