Gemma Open Models

กลุ่มผลิตภัณฑ์โมเดลแบบเปิดที่ทันสมัยและน้ำหนักเบาซึ่งพัฒนาขึ้นจากงานวิจัยและเทคโนโลยีเดียวกับที่ใช้สร้างโมเดล Gemini

ลองใช้ Gemma 2 ใน Google AI Studio
ไอคอนออกแบบมาเพื่อรับผิดชอบ

ออกแบบมาเพื่อรับผิดชอบ

โมเดลเหล่านี้ใช้มาตรการด้านความปลอดภัยที่ครอบคลุม ซึ่งช่วยให้มั่นใจได้ว่าโซลูชัน AI จะมีความรับผิดชอบและเชื่อถือได้ผ่านชุดข้อมูลที่ดูแลจัดการและการปรับแต่งที่เข้มงวด

ไอคอนประสิทธิภาพที่ไม่ตรงกัน

ประสิทธิภาพที่ขนาดไม่ตรงกัน

โมเดล Gemma ได้ผลลัพธ์การเปรียบเทียบที่ยอดเยี่ยมในขนาด 2, 000 ล้าน 7, 000 ล้าน 9, 000 ล้าน และ 27, 000 ล้าน แม้แต่โมเดลแบบเปิดขนาดใหญ่กว่าบางรุ่นยังมีประสิทธิภาพต่ำกว่า

เฟรมเวิร์กมีความยืดหยุ่น

การทำให้ใช้งานได้แบบยืดหยุ่น

ติดตั้งใช้งานในอุปกรณ์เคลื่อนที่ เว็บ และระบบคลาวด์ได้อย่างราบรื่นโดยใช้ Keras, JAX, MediaPipe, PyTorch, Hugging Face และอื่นๆ

ลองใช้ Gemma 2

Gemma 2 ออกแบบมาใหม่เพื่อประสิทธิภาพที่เหนือชั้นและประสิทธิภาพที่ไม่มีใครเทียบได้ โดยเพิ่มประสิทธิภาพเพื่อให้การอนุมานรวดเร็วทันใจบนฮาร์ดแวร์หลากหลาย

ลองใช้ Gemma 2 ใน Google AI Studio

5 นัด

MMLU

เกณฑ์ MMLU เป็นการทดสอบที่วัดความกว้างของความรู้และความสามารถในการแก้ปัญหาที่โมเดลภาษาขนาดใหญ่ได้รับระหว่างการฝึกล่วงหน้า

25 ภาพ

ARC-C

การเปรียบเทียบ ARC-c คือชุดข้อมูลย่อยที่มุ่งเน้นมากขึ้นของชุดข้อมูล ARC-e ซึ่งมีเฉพาะคำถามที่ตอบไม่ถูกต้องโดยอัลกอริทึมทั่วไป (แบบฐานการดึงข้อมูลและแบบคำที่พบร่วมกัน)

5 นัด

GSM8K

การทดสอบ GSM8K จะทดสอบความสามารถของโมเดลภาษาในการแก้ปัญหาคณิตศาสตร์ระดับประถมศึกษาซึ่งมักต้องใช้การหาเหตุผลหลายขั้นตอน

3-5-shot

AGIEval

การเปรียบเทียบ AGIEval จะทดสอบความฉลาดทั่วไปของโมเดลภาษาโดยใช้คำถามที่มาจากข้อสอบในชีวิตจริงซึ่งออกแบบมาเพื่อประเมินความสามารถทางปัญญาของมนุษย์

3 ช็อต, COT

BBH

การเปรียบเทียบ BBH (BIG-Bench Hard) จะมุ่งเน้นที่งานที่ถือว่าเกินความสามารถของโมเดลภาษาในปัจจุบัน เพื่อทดสอบขีดจำกัดของโมเดลในโดเมนการอนุมานและทำความเข้าใจที่หลากหลาย

3 ช็อต, F1

วาง

DROP เป็นการทดสอบการอ่านเพื่อความเข้าใจที่ต้องใช้การแยกแยะเหตุผลในย่อหน้า

5 นัด

Winogrande

การทดสอบ Winogrande จะทดสอบความสามารถของโมเดลภาษาในการแก้ปัญหาแบบเติมคำในช่องว่างที่คลุมเครือด้วยตัวเลือกแบบ 2 ทางเลือก ซึ่งต้องใช้การหาเหตุผลแบบสามัญสำนึกทั่วไป

10 ช็อต

HellaSwag

เกณฑ์ HellaSwag ท้าทายความสามารถของโมเดลภาษาในการเข้าใจและใช้เหตุผลเชิงตรรกะทั่วไปโดยการเลือกตอนจบที่สมเหตุสมผลที่สุดสำหรับเรื่องราว

4 ช็อต

MATH

MATH จะประเมินความสามารถของโมเดลภาษาในการแก้ปัญหาโจทย์คณิตศาสตร์ที่ซับซ้อน ซึ่งต้องใช้การหาเหตุผล การแก้ปัญหาแบบหลายขั้นตอน และความเข้าใจในแนวคิดทางคณิตศาสตร์

0 ช็อต

ARC-e

การเปรียบเทียบ ARC-e จะทดสอบทักษะการตอบคำถามขั้นสูงของโมเดลภาษาด้วยคำถามแบบหลายตัวเลือกเกี่ยวกับวิทยาศาสตร์ระดับประถมศึกษาที่แท้จริง

0 ช็อต

PIQA

การเปรียบเทียบ PIQA จะทดสอบความสามารถของโมเดลภาษาในการทำความเข้าใจและใช้ความรู้ทั่วไปเกี่ยวกับร่างกายโดยการตอบคำถามเกี่ยวกับการโต้ตอบทางกายภาพในชีวิตประจำวัน

0 ช็อต

SIQA

เกณฑ์ SIQA จะประเมินความเข้าใจของโมเดลภาษาเกี่ยวกับการโต้ตอบทางสังคมและสามัญสำนึกทางสังคมโดยการถามคำถามเกี่ยวกับการกระทำของผู้คนและผลกระทบทางสังคม

0 ช็อต

Boolq

การเปรียบเทียบ BoolQ จะทดสอบความสามารถของโมเดลภาษาในการตอบคำถามแบบใช่/ไม่ใช่ที่เกิดขึ้นตามปกติ ซึ่งทดสอบความสามารถของโมเดลในการทํางานอนุมานภาษาธรรมชาติในชีวิตจริง

5 นัด

TriviaQA

เกณฑ์เปรียบเทียบของ TriviaQA จะทดสอบทักษะการอ่านเพื่อความเข้าใจด้วยชุดข้อมูล 3 รายการ ได้แก่ คำถาม คำตอบ และหลักฐาน

5 นัด

NQ

การเปรียบเทียบ NQ (คำถามที่เป็นภาษาธรรมชาติ) จะทดสอบความสามารถของโมเดลภาษาในการค้นหาและทำความเข้าใจคำตอบภายในบทความ Wikipedia ทั้งหมด โดยจำลองสถานการณ์การตอบคำถามในชีวิตจริง

pass@1

HumanEval

การทดสอบประสิทธิภาพ HumanEval จะทดสอบความสามารถในการสร้างโค้ดของโมเดลภาษาโดยประเมินว่าโซลูชันของโมเดลผ่านการทดสอบหน่วยฟังก์ชันสำหรับปัญหาการเขียนโปรแกรมหรือไม่

3 ช็อต

MBPP

การทดสอบ MBPP จะทดสอบความสามารถของโมเดลภาษาในการแก้ปัญหาการเขียนโปรแกรม Python พื้นฐาน โดยมุ่งเน้นที่แนวคิดการเขียนโปรแกรมพื้นฐานและการใช้ไลบรารีมาตรฐาน

100%

75%

50%

25%

0%

100%

75%

50%

25%

0%

Gemma 1

2.5 พันล้าน

42.3

Gemma 2

2.6 พันล้าน

51.3

Mistral

7B

62.5

LLAMA 3

8B

66.6

Gemma 1

7B

64.4

Gemma 2

9B

71.3

Gemma 2

2.7 พันล้าน

75.2

Gemma 1

2.5 พันล้าน

48.5

Gemma 2

2.6 พันล้าน

55.4

Mistral

7B

60.5

LLAMA 3

8B

59.2

Gemma 1

7B

61.1

Gemma 2

9B

68.4

Gemma 2

2.7 พันล้าน

71.4

Gemma 1

2.5 พันล้าน

15.1

Gemma 2

2.6 พันล้าน

23.9

Mistral

7B

39.6

LLAMA 3

8B

45.7

Gemma 1

7B

51.8

Gemma 2

9B

68.6

Gemma 2

2.7 พันล้าน

74.0

Gemma 1

2.5 พันล้าน

24.2

Gemma 2

2.6 พันล้าน

30.6

Mistral

7B

44.0

LLAMA 3

8B

45.9

Gemma 1

7B

44.9

Gemma 2

9B

52.8

Gemma 2

2.7 พันล้าน

55.1

Gemma 1

2.5 พันล้าน

35.2

Gemma 2

2.6 พันล้าน

41.9

Mistral

7B

56.0

LLAMA 3

8B

61.1

Gemma 1

7B

59.0

Gemma 2

9B

68.2

Gemma 2

2.7 พันล้าน

74.9

Gemma 1

2.5 พันล้าน

48.5

Gemma 2

2.6 พันล้าน

52.0

Mistral

7B

63.8

LLAMA 3

8B

58.4

Gemma 1

7B

56.3

Gemma 2

9B

69.4

Gemma 2

2.7 พันล้าน

74.2

Gemma 1

2.5 พันล้าน

66.8

Gemma 2

2.6 พันล้าน

70.9

Mistral

7B

78.5

LLAMA 3

8B

76.1

Gemma 1

7B

79.0

Gemma 2

9B

80.6

Gemma 2

2.7 พันล้าน

83.7

Gemma 1

2.5 พันล้าน

71.7

Gemma 2

2.6 พันล้าน

73.0

Mistral

7B

83.0

LLAMA 3

8B

82.0

Gemma 1

7B

82.3

Gemma 2

9B

81.9

Gemma 2

2.7 พันล้าน

86.4

Gemma 1

2.5 พันล้าน

11.8

Gemma 2

2.6 พันล้าน

15.0

Mistral

7B

12.7

Gemma 1

7B

24.3

Gemma 2

9B

36.6

Gemma 2

2.7 พันล้าน

42.3

Gemma 1

2.5 พันล้าน

73.2

Gemma 2

2.6 พันล้าน

80.1

Mistral

7B

80.5

Gemma 1

7B

81.5

Gemma 2

9B

88.0

Gemma 2

2.7 พันล้าน

88.6

Gemma 1

2.5 พันล้าน

77.3

Gemma 2

2.6 พันล้าน

77.8

Mistral

7B

82.2

Gemma 1

7B

81.2

Gemma 2

9B

81.7

Gemma 2

2.7 พันล้าน

83.2

Gemma 1

2.5 พันล้าน

49.7

Gemma 2

2.6 พันล้าน

51.9

Mistral

7B

47.0

Gemma 1

7B

51.8

Gemma 2

9B

53.4

Gemma 2

2.7 พันล้าน

53.7

Gemma 1

2.5 พันล้าน

69.4

Gemma 2

2.6 พันล้าน

72.5

Mistral

7B

83.2

Gemma 1

7B

83.2

Gemma 2

9B

84.2

Gemma 2

2.7 พันล้าน

84.8

Gemma 1

2.5 พันล้าน

53.2

Gemma 2

2.6 พันล้าน

59.4

Mistral

7B

62.5

Gemma 1

7B

63.4

Gemma 2

9B

76.6

Gemma 2

2.7 พันล้าน

83.7

Gemma 1

2.5 พันล้าน

12.5

Gemma 2

2.6 พันล้าน

16.7

Mistral

7B

23.2

Gemma 1

7B

23.0

Gemma 2

9B

29.2

Gemma 2

2.7 พันล้าน

34.5

Gemma 1

2.5 พันล้าน

22.0

Gemma 2

2.6 พันล้าน

17.7

Mistral

7B

26.2

Gemma 1

7B

32.3

Gemma 2

9B

40.2

Gemma 2

2.7 พันล้าน

51.8

Gemma 1

2.5 พันล้าน

29.2

Gemma 2

2.6 พันล้าน

29.6

Mistral

7B

40.2

Gemma 1

7B

44.4

Gemma 2

9B

52.4

Gemma 2

2.7 พันล้าน

62.6

*นี่คือการเปรียบเทียบสำหรับโมเดลที่ผ่านการฝึกล่วงหน้า โปรดดูรายละเอียดเกี่ยวกับประสิทธิภาพด้วยวิธีการอื่นๆ ในรายงานทางเทคนิค

อ่านรายงานทางเทคนิค

PaliGemma 2 ใหม่

PaliGemma 2 เพิ่มความสามารถในการมองเห็นที่ปรับแต่งได้ง่ายให้กับโมเดลภาษา Gemma 2 ซึ่งช่วยให้แอปพลิเคชันต่างๆ มากมายรวมการทำความเข้าใจข้อความและรูปภาพเข้าด้วยกันได้

โลโก้ Kaggle ดาวน์โหลดจาก Kaggle โลโก้ใบหน้ากอด ดาวน์โหลดจาก Hugging Face ไอคอนเอกสารประกอบ อ่านเอกสาร

DataGemma

DataGemma เป็นโมเดลแบบเปิดโมเดลแรกๆ ที่ออกแบบมาเพื่อเชื่อมต่อ LLM กับข้อมูลในชีวิตจริงที่ครอบคลุมซึ่งดึงมาจาก Data Commons ของ Google

โลโก้ Kaggle ดาวน์โหลดจาก Kaggle โลโก้ใบหน้ากอด ดาวน์โหลดจาก Hugging Face ไอคอนเอกสารประกอบ อ่านเอกสาร

ขอบเขต Gemma

Gemma Scope มอบความโปร่งใสอย่างที่ไม่เคยมีมาก่อนให้แก่นักวิจัยเกี่ยวกับกระบวนการตัดสินใจของโมเดล Gemma 2

โลโก้ใบหน้ากอด ดาวน์โหลดจาก Hugging Face ไอคอนเอกสารประกอบ อ่านเอกสาร

สำรวจ Gemmaverse

ระบบนิเวศอันกว้างใหญ่ของโมเดลและเครื่องมือ Gemma ที่ชุมชนสร้างขึ้น ซึ่งพร้อมที่จะขับเคลื่อนและสร้างแรงบันดาลใจให้กับนวัตกรรมของคุณ

สำรวจตัวแปร ค้นหาสมุดบันทึก

สร้าง

เริ่มสร้างด้วย Gemma

อ่านตำราอาหาร Gemma

ตัวอย่างและบทแนะนำที่เป็นประโยชน์สำหรับโมเดลแบบเปิดของ Google

สำรวจสมุดบันทึก

โลโก้หน้ากอด

หน้ากอด

สมุดบันทึกนี้สาธิตวิธีปรับโมเดล Gemma-2 โดยใช้ DPO (Direct Preference Optimization)
โลโก้ NVIDIA

NVIDIA

ปรับแต่งโมเดล Gemma ด้วย NVIDIA NeMo Framework และส่งออกไปยัง TensorRT-LLM สำหรับเวอร์ชันที่ใช้งานจริง
โลโก้ Ollama

Ollama

เรียกใช้การอนุมานในเครื่องกับโมเดล Gemma โดยใช้ Ollama
โลโก้ Unsloth

Unsloth

ปลดล็อกการปรับแต่ง Gemma 2 (9B) อย่างรวดเร็วและประหยัดหน่วยความจำโดยใช้ UnSloth

ทำให้โมเดลใช้งานได้

เลือกเป้าหมายการติดตั้งใช้งาน

ไอคอน "ทำให้ใช้งานได้บนอุปกรณ์เคลื่อนที่"อุปกรณ์เคลื่อนที่

ติดตั้งใช้งานในอุปกรณ์ด้วย Google AI Edge

ติดตั้งใช้งานในอุปกรณ์โดยตรงเพื่อให้ฟังก์ชันการทำงานแบบออฟไลน์ที่มีเวลาในการตอบสนองต่ำ เหมาะสําหรับแอปพลิเคชันที่ต้องมีความตอบสนองและความเป็นส่วนตัวแบบเรียลไทม์ เช่น แอปบนอุปกรณ์เคลื่อนที่ อุปกรณ์ IoT และระบบฝัง

ทำให้อุปกรณ์เคลื่อนที่ใช้งานได้

ไอคอนเว็บเว็บ

ผสานรวมเข้ากับเว็บแอปพลิเคชันได้อย่างราบรื่น

เพิ่มประสิทธิภาพเว็บไซต์และเว็บเซอร์วิสด้วยความสามารถขั้นสูงของ AI ซึ่งเปิดใช้ฟีเจอร์แบบอินเทอร์แอกทีฟ เนื้อหาที่ปรับเปลี่ยนในแบบของคุณ และการทำงานอัตโนมัติที่ชาญฉลาด

ทำให้เว็บใช้งานได้

ไอคอน Cloudระบบคลาวด์

ปรับขนาดได้อย่างง่ายดายด้วยโครงสร้างพื้นฐานระบบคลาวด์

ใช้ประโยชน์จากความยืดหยุ่นและความสามารถในการปรับขนาดของคลาวด์เพื่อจัดการกับการใช้งานขนาดใหญ่ ภาระงานที่หนักหน่วง และแอปพลิเคชัน AI ที่ซับซ้อน

ทำให้ระบบคลาวด์ใช้งานได้