Gemma オープンモデル

Gemini モデルの作成に使用されたものと同じ研究とテクノロジーに基づいて構築された、軽量で最先端のオープンモデルのファミリー

使ってみる をご覧ください。
「責任ある設計」のアイコン

責任に配慮した設計

包括的な安全対策が組み込まれたこれらのモデルは、厳選されたデータセットと厳密なチューニングを通じて、責任ある信頼できる AI ソリューションを実現します。

比類ないパフォーマンスのアイコン

規模において比類のないパフォーマンス

Gemma モデルは、2B、7B、9B、27B のサイズで優れたベンチマーク結果を達成し、一部のより大規模なオープンモデルさえも上回ります。

フレームワークの柔軟性

フレームワークの柔軟性

Keras 3.0 を使用すると、JAX、TensorFlow、PyTorch とシームレスに互換性があり、タスクに応じてフレームワークを簡単に選択して切り替えられるようになります。


Gemma 2 のご紹介

大きなパフォーマンスと卓越した効率性のために再設計された Gemma 2 は、多様なハードウェアでの超高速推論向けに最適化されています。

Google AI Studio で Gemma 2 を試す をご覧ください。

5 ショット

MMLU

MMLU ベンチマークは、事前トレーニング中に大規模言語モデルによって習得された幅広い知識と問題解決能力を測定するテストです。

25 ショット

ARC-C

ARC-c ベンチマークは ARC-e データセットのより焦点を絞ったサブセットで、一般的な（検索ベースと単語の共起）アルゴリズムで誤って回答された質問のみが含まれています。

5 ショット

GSM8K

GSM8K ベンチマークは、複数の段階の推論が必要になることの多い小学校レベルの数学の問題を、言語モデルが解く能力をテストします。

3-5 ショット

AGIEval

AGIEval ベンチマークは、人間の知的能力を評価するよう設計された現実世界の試験で出された問題を使用して、言語モデルの一般的な知性をテストします。

3 ショット、コットン

BBH

BBH（BIG-Bench Hard）ベンチマークは、現在の言語モデルの能力を超えると見なされるタスクに焦点を当て、さまざまな推論と理解の領域で限界をテストします。

3 ショット、F1

DROP

DROP は読解力のベンチマークであり、段落に対する個別の推論が必要です。

5 ショット

Winogrande

Winogrande ベンチマークは、一般化された常識的な推論を必要とする、あいまいな穴埋めタスクをバイナリ オプションによって解決する言語モデルの能力をテストします。

10 ショット

HellaSwag

HellaSwag ベンチマークは、ストーリーにとって最も論理的な結末を選択することで、常識的な推論を理解し、適用する能力を言語モデルの能力に試します。

4 ショット

MATH

MATH は、推論、複数ステップの問題解決、数学的概念の理解を必要とする、複雑な数学の文章問題を解く言語モデルの能力を評価します。

ゼロショット

ARC-e

ARC-e ベンチマークは、本物の小学校レベルの多肢選択式科学の問題で、言語モデルの高度な質問応答スキルをテストします。

ゼロショット

PIQA

PIQA ベンチマークは、日々の身体的なやり取りに関する質問に答えることで、言語モデルの身体的な常識的な知識を理解し応用する能力をテストします。

ゼロショット

SIQA

SIQA ベンチマークは、人々の行動と社会的影響について質問することで、言語モデルの社会的インタラクションと社会的常識に対する理解度を評価します。

ゼロショット

ブールク

BoolQ ベンチマークは、自然に生じる「はい/いいえ」の質問に答える言語モデルの能力をテストし、現実世界の自然言語推論タスクを実行するモデルの能力をテストします。

5 ショット

TriviaQA

TriviaQA ベンチマークは、質問と回答の 3 つのエビデンスで読解力をテストします。

5 ショット

NQ

NQ（Natural Questions）ベンチマークは、現実世界の質問応答シナリオをシミュレートして、Wikipedia の記事全体から回答を見つけて理解する言語モデルの能力をテストします。

パス@1

HumanEval

HumanEval ベンチマークは、言語モデルのコード生成能力をテストするために、そのソリューションがプログラミングの問題に対する機能単体テストに合格するかどうかを評価します。

スリーショット

MBPP

MBPP ベンチマークは、基本的なプログラミングの概念と標準的なライブラリの使用方法に重点を置き、基本的な Python プログラミングの問題を解決する言語モデルの能力をテストします。

100%

75%

50%

25%

0%

100%

75%

50%

25%

0%

Gemma 1

25 億

42.3

Gemma 2

26 億

5,130

Mistral

70 億人

62.5

LLAMA 3 星

80 億

66.6

Gemma 1

70 億人

64.4

Gemma 2

90 億

71.3

Gemma 2

270 億

75.2

Gemma 1

25 億

48.5

Gemma 2

26 億

55.4

Mistral

70 億人

60.5

LLAMA 3 星

80 億

59.2

Gemma 1

70 億人

61.1

Gemma 2

90 億

68.4

Gemma 2

270 億

71.4

Gemma 1

25 億

15.1

Gemma 2

26 億

23.9

Mistral

70 億人

39.6

LLAMA 3 星

80 億

45.7

Gemma 1

70 億人

51.8

Gemma 2

90 億

68.6

Gemma 2

270 億

74.0

Gemma 1

25 億

24.2

Gemma 2

26 億

30.6

Mistral

70 億人

4400

LLAMA 3 星

80 億

45.9

Gemma 1

70 億人

44.9

Gemma 2

90 億

52.8

Gemma 2

270 億

55.1

Gemma 1

25 億

35.2

Gemma 2

26 億

41.9

Mistral

70 億人

56.0

LLAMA 3 星

80 億

61.1

Gemma 1

70 億人

59.0

Gemma 2

90 億

68.2

Gemma 2

270 億

74.9

Gemma 1

25 億

48.5

Gemma 2

26 億

52.0

Mistral

70 億人

63.8

LLAMA 3 星

80 億

58.4

Gemma 1

70 億人

56.3

Gemma 2

90 億

69.4

Gemma 2

270 億

74.2

Gemma 1

25 億

66.8

Gemma 2

26 億

70.9

Mistral

70 億人

78.5

LLAMA 3 星

80 億

76.1

Gemma 1

70 億人

79.0

Gemma 2

90 億

80.6

Gemma 2

270 億

83.7

Gemma 1

25 億

71.7

Gemma 2

26 億

73.0

Mistral

70 億人

83.0

LLAMA 3 星

80 億

82.0

Gemma 1

70 億人

82.3

Gemma 2

90 億

81.9

Gemma 2

270 億

86.4

Gemma 1

25 億

11.8

Gemma 2

26 億

15.0

Mistral

70 億人

12.7

Gemma 1

70 億人

2,430

Gemma 2

90 億

36.6

Gemma 2

270 億

42.3

Gemma 1

25 億

73.2

Gemma 2

26 億

80.1

Mistral

70 億人

80.5

Gemma 1

70 億人

81.5

Gemma 2

90 億

88.0

Gemma 2

270 億

88.6

Gemma 1

25 億

77.3

Gemma 2

26 億

77.8

Mistral

70 億人

82.2

Gemma 1

70 億人

81.2

Gemma 2

90 億

81.7

Gemma 2

270 億

83.2

Gemma 1

25 億

49.7

Gemma 2

26 億

51.9

Mistral

70 億人

47.0

Gemma 1

70 億人

51.8

Gemma 2

90 億

53.4

Gemma 2

270 億

53.7

Gemma 1

25 億

69.4

Gemma 2

26 億

72.5

Mistral

70 億人

83.2

Gemma 1

70 億人

83.2

Gemma 2

90 億

84.2

Gemma 2

270 億

84.8

Gemma 1

25 億

53.2

Gemma 2

26 億

59.4

Mistral

70 億人

62.5

Gemma 1

70 億人

63.4

Gemma 2

90 億

76.6

Gemma 2

270 億

83.7

Gemma 1

25 億

12.5

Gemma 2

26 億

16.7

Mistral

70 億人

23.2

Gemma 1

70 億人

23.0

Gemma 2

90 億

29.2

Gemma 2

270 億

34.5

Gemma 1

25 億

22.0

Gemma 2

26 億

17.7

Mistral

70 億人

2,620

Gemma 1

70 億人

32.3

Gemma 2

90 億

40.2

Gemma 2

270 億

51.8

Gemma 1

25 億

29.2

Gemma 2

26 億

29.6

Mistral

70 億人

40.2

Gemma 1

70 億人

44.4

Gemma 2

90 億

52.4

Gemma 2

270 億

62.6

*これらは事前トレーニング済みモデルのベンチマークです。他の手法でのパフォーマンスの詳細については、技術レポートをご覧ください。

技術レポートを読む をご覧ください。

Gemma モデル ファミリー

新作

Gemma 2

Gemma 2 は、200 億、900 億、270 億のパラメータ サイズで利用可能な 3 つの新しいパワフルで効率的なモデルを提供し、すべて安全機能を備えています。

ご利用方法

Gemma 1

Gemma モデルは、軽量でテキストからテキストを生成する、デコーダのみの大規模言語モデルです。さまざまな自然言語処理タスク用に、テキスト、コード、数学コンテンツの膨大なデータセットでトレーニングされています。

ご利用方法

RecurrentGemma

RecurrentGemma は、再帰型ニューラル ネットワークとローカル アテンションを活用してメモリ効率を向上させる、技術的に異なるモデルです。

ご利用方法

PaliGemma

PaliGemma は、SigLIP と Gemma を活用した、PaLI-3 に着想を得たオープンなビジョン言語モデルです。これは、幅広い視覚言語タスクに転送するための汎用モデルとして設計されています。

ご利用方法

CodeGemma

CodeGemma は、オリジナルの事前トレーニング済み Gemma モデルの基盤を利用して、ローカル コンピュータに適したサイズの強力なコード補完と生成機能を提供します。

ご利用方法

Google のツールを見る

ShieldGemma アイコン

ShieldGemma

ShieldGemma は、Gemma 2 上に構築された一連の安全性コンテンツ分類モデルで、AI モデルの入力と出力をフィルタし、ユーザーの安全を確保します。

Gemma Scope のアイコン

Gemma スコープ

Gemma Scope は、Gemma 2 モデルの意思決定プロセスについて、これまでにない透明性を研究者に提供します。

デベロッパー向けクイック スタートガイド

Kaggle アイコン

Kaggle でクイックスタートを確認する

Kaggle モデルのページにアクセスすると、Gemma のクイックスタート、コードサンプル、ディスカッションを確認できます。

Kaggle で開く
Google Cloud アイコン

Google Cloud でのトレーニングとデプロイ

Gemma 2 は Google Cloud で最適に動作し、エンドツーエンドの TPU 最適化により、市場をリードするパフォーマンスと Vertex の総所有コストを実現します。

Vertex AI で開く
Google Colab アイコン

Keras 3 を使用した JAX による低ランク適応を試す

Keras 3 を介して任意のバックエンド フレームワークを使用して、Gemma モデルを独自のドメインやデータに適応させます。

Colab で開く
ドキュメントですべてのクイックスタートを見る すべてのクイックスタートを見る

パートナー様向けクイック スタートガイド

Hugging Face ロゴ

Hugging Face

Gemma モデルによるファインチューニングと推論タスクに Hugging Face Transformers と TRL を利用します。
NVIDIA のロゴ

NVIDIA

NVIDIA NeMo フレームワークを使用して Gemma モデルをファインチューニングし、本番環境用に TensorRT-LLM にエクスポートします。
NVIDIA のロゴ

LangChain

このチュートリアルでは、Google Cloud または Colab 環境で実行する Gemma と LangChain の使用を開始する方法について説明します。
NVIDIA のロゴ

エニースケール

これらのドキュメントでは、フルマネージド API エンドポイントとして、Anyscale Endpoint を介して Gemma を使用する方法を示します。
NVIDIA のロゴ

MongoDB

この記事では、検索拡張生成パイプラインまたはシステムで Gemma を基盤モデルとして活用する方法について説明します。
NVIDIA のロゴ

重みとバイアス

Google の Gemma モデルを使用した順を追った例で、W&B の Model Registry と Launch ツールについて詳しく説明します。

Gemma クックブック

PaliGemma による画像キャプション、CodeGemma によるコード生成、ファインチューニングされた Gemma モデルを使用した chatbot の構築などのタスクにおける Gemma のパワーと汎用性を示す実用的なレシピと例のコレクションをご覧ください。

料理する をご覧ください。

Gemma モデルに今すぐアクセス

Kaggle ロゴ

Kaggle モデル

Kaggle で Gemma 2 モデルにアクセスする
Vertex AI のロゴ

Vertex AI Model Garden

独自のデータで Gemma 2 をカスタマイズする
Hugging Face のロゴ

Hugging Face モデル

Gemma へのアクセス、ファインチューニング、デプロイ

責任ある AI 開発

設計による責任

慎重にキュレートされたデータで事前にトレーニングされ、安全性を考慮して調整されているため、Gemma モデルに基づく安全で責任ある AI 開発に役立ちます。

堅牢で透明性の高い評価

包括的な評価と透明性の高い報告により、各ユースケースに対して責任あるアプローチを採用するためのモデルの限界が明らかになります。

責任ある開発の促進

責任ある生成 AI ツールキットは、責任ある AI のベスト プラクティスを設計して実装する開発者をサポートします。

責任ある生成 AI ツールキットの詳細を確認する をご覧ください。
Google Cloud アイコン

Google Cloud 向けに最適化

Google Cloud で Gemma モデルを使用すると、Vertex AI のフルマネージド ツールや GKE のセルフマネージド オプションを使用して、特定のニーズに合わせてモデルを詳細にカスタマイズし、AI に最適化された柔軟で費用対効果の高いインフラストラクチャにデプロイできます。

詳細は Google Cloud ブログをご覧ください をご覧ください。

Google Cloud クレジットで学術研究を加速

Google Cloud で Gemma 2 モデルを使用して研究を進めましょう。この新たなオープンモデルの波により、最先端の研究に対する Google のサポートが拡大します。今すぐ応募して Google Cloud クレジットを獲得しましょう。研究の限界を押し広げ、科学コミュニティの発展に貢献できます。

選ばれた研究者は、科学的研究を加速するために Google Cloud クレジットを授与されます。

今すぐ申し込む をご覧ください。

コミュニティに参加

ML モデル コミュニティで他のユーザーとつながり、探索し、知識を共有します。

Kaggle

モデルカードにアクセスし、インタラクティブなノートブックを探索し、コミュニティのディスカッションに参加しましょう。

Kaggle アイコン Kaggle に参加する

Discord

Google Developer Discord の #gemma チャンネルで、チャットやアイデアを共有し、他のユーザーとすぐ交流できます。

Discord アイコン 今すぐチャット

ブログ

デベロッパー向けの Google AI に関する詳細なニュースとストーリーをご覧ください。

ブログアイコン ブログを見る