Gemma 開放模型
一系列先進的開放式模型，與建立 Gemini 模型時使用的研究和技術相同
負責任的設計
這類模型採用完善的安全措施，可透過精選資料集和嚴謹的調整，確保 AI 解決方案可靠且值得信賴。
高效能，無與倫比
Gemma 模型以 20 億、7B、9B 和 270 億大小的規模達到優異的基準，成效甚至超越一些大型開啟模型。
架構彈性
Keras 3.0 與 JAX、TensorFlow 和 PyTorch 完美相容，你可以根據工作需求輕鬆選擇及切換架構。
隆重推出
Gemma 2
Gemma 2 經重新設計，可提供無與倫比的效能，且效率無與倫比，因此已針對各種硬體進行最佳化，在極短時間內推論出成效。
5 張
MMLU
MMLU 基準是一項測試，旨在評估大型語言模型在預先訓練期間獲取的知識與問題解決能力。
25 張
ARC-C
ARC-c 基準是 ARC-e 資料集的子集較為重點，只會包含一般 (擷取基礎和字詞共發生) 演算法錯誤回答的問題。
5 張
GSM8K
GSM8K 基準測試可測試語言模型能否解決中學級數學問題，但通常需要多個推理步驟。
3 到 5 個畫面
AGIEval
AGIEval 基準是藉由實際測驗目的是評估人類智能能力而提出的問題，測試語言模型的一般情報。
3 球，科 T
BBH
BBH (BIG-Bench Hard) 基準評估著重於目前語言模型能力所認定的工作，以及測試不同推理與領域的限制。
3 鏡頭、F1
丟棄
DROP 是一種閱讀理解基準，需要對段落進行獨立推理。
5 張
Winogrande
Winogrande 基準測試會測試語言模型能否透過二元選項，解決模稜兩可的空白工作，而需要一般通用推理。
10 張
HellaSwag
HellaSwag 基準測試將選擇最符合邏輯的故事結尾為故事，來挑戰語言模型對於理解及應用常識的能力。
4 桿
MATH
MATH 用於評估語言模型解決複雜數學應用問題的能力、需要推論、多步驟解決問題的能力，以及對數學概念的理解程度。
0 桿
ARC-e
ARC-e 基準是中學程度、選擇題、選擇題的科學題，可測試語言模型的進階問題回答技能。
0 桿
PIQA
PIQA 基準會回答日常互動相關問題，藉此測試語言模型理解及應用物理常見知識的能力。
0 桿
SIQA
SIQA benchmark 旨在透過詢問使用者行動及其對社會影響的問題，評估語言模型對社交互動的理解與社會常識。
0 桿
布林值
BoolQ 基準測試會測試語言模型能否回答自然發生的是非題，以及模型執行真實語言推論任務的能力。
5 張
TriviaQA
益智問答基準測試會使用題目回答三者來測試理解程度。
5 張
NQ
NQ (自然問題) 基準測試會測試語言模型在整維維基百科文章中找出並理解答案的能力，以模擬真實世界的問題回答情境。
Pass@1
HumanEval
HumanEval 基準測試會評估該語言模型的解決方案是否通過了程式設計問題的函式單元測試，藉此測試該語言模型的程式碼產生功能。
3 張
MBPP
MBPP 基準測試會測試語言模型解決 Python 程式設計問題的能力，並著重在基本的程式設計概念和標準程式庫使用方式。
100%
75%
50%
25%
0%
100%
75%
50%
25%
0%
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
青草 3 號星
80 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
Gemma 1
25 億次觀看
Gemma 2
26 億次
Mistral
70 億
Gemma 1
70 億
Gemma 2
90 億
Gemma 2
270 億次
*這些是預先訓練模型的基準，請參閱技術報表，進一步瞭解其他方法的成效。
Gemma 模型系列
開發人員快速入門指南
合作夥伴快速入門指南
Gemma 食譜集
探索一系列實用食譜和範例，瞭解 Gemma 的功能強大且多樣性，可用來執行各種任務，例如使用 PaliGemma 生成圖片說明文字、使用 CodeGemma 生成程式碼，以及使用經過微調的 Gemma 模型打造聊天機器人。
負責任的 AI 技術開發作業
設計責任
以精心挑選的資料進行預先訓練，並以安全性為優先考量，讓使用者能使用 Gemma 模型，以安全且負責任的方式開發 AI。
可靠且透明公開的評估
全方位的評估和透明化的報告，公開模型限制，讓每個用途都採用負責任的方法。
促進負責任的開發
負責任的生成式 AI 工具包可讓開發人員設計及導入負責任的 AI 技術最佳做法。
已針對 Google Cloud 完成最佳化調整
透過 Google Cloud 上的 Gemma 模型，您可以根據特定需求深入自訂模型，方法是透過 Vertex AI 的全代管工具或 GKE 的自行管理選項，將模型部署至彈性且符合成本效益的 AI 最佳化基礎架構。
運用 Google Cloud 抵免額加快學術研究速度
運用 Google Cloud 中的 Gemma 2 模型推動研究進展。這波新時代的開放式模型讓我們更多對先進研究的支援。立即申請就能獲得 Google Cloud 抵免額，藉此拓展研究範圍，促進科學社群發展。
加入社群
與機器學習模型社群中的其他使用者交流、探索及分享知識。