Direkt nach Gemini 1.5 bringt Google das neue KI-Modell Gemma auf den Markt
Es basiert auf der gleichen Technologie wie die Gemini-Modelle.
2 Minute. lesen
Veröffentlicht am
Teile diesen Artikel
Verbessern Sie diesen Leitfaden
Lesen Sie unsere Offenlegungsseite, um herauszufinden, wie Sie MSPoweruser dabei helfen können, das Redaktionsteam zu unterstützen Lesen Sie weiter
Wichtige Hinweise
- Google hat Gemma angekündigt, ein weiteres Modell, das auf der gleichen Technologie basiert wie die Gemini-Modelle.
- Es handelt sich um ein leichtes Modell, das speziell entwickelt wurde, um Entwicklern und Forschern beim Aufbau einer verantwortungsvollen KI zu helfen.
- Gemma AI gibt es in zwei Modellen: Gemma 2B und Gemma 7B.
Google hat einige arbeitsreiche Monate vor sich, um im KI-Wettlauf mit Microsoft gleichzuziehen. Nicht allzu lange danach Gemini starten und Zwillinge 1.5, das bisher leistungsfähigste KI-Modell des Unternehmens verkündete Gemma, ein weiteres Modell, das auf der gleichen Technologie basiert wie die Gemini-Modelle.
„Gemma wurde von Google DeepMind und anderen Teams bei Google entwickelt und ist von Gemini inspiriert, und der Name spiegelt das Lateinische wider gemma, was „Edelstein“ bedeutet, sagt Google kurz danach in der offiziellen Ankündigung Ankündigung von Gemini 1.5 das könnte 20 mal sein schneller als GPT-4.
Googles Gemma AI gibt es in zwei Modellen: Gemma 2B und Gemma 7B. Diese unterscheiden sich in Größe und Leistungsfähigkeit. Beide gibt es in zwei Varianten: „vortrainiert“ für den allgemeinen Gebrauch und „anweisungsabgestimmt“ für bestimmte Aufgaben.
Aber was genau ist der Unterschied? Gemma ist nicht irgendein Open-Source-KI-Modell. Es handelt sich um ein leichtes Modell, das speziell entwickelt wurde, um Entwicklern und Forschern beim Aufbau einer verantwortungsvollen KI zu helfen, die sich an den KI-Prinzipien von Google orientiert.
Mit dem Responsible Generative AI Toolkit von Google, das ebenfalls zu diesem Modell gehört, können Sie auch sicherere und ethischere KI-Anwendungen erstellen.
Das Toolkit bietet außerdem Toolchains für Inferenz und Feinabstimmung über gängige Frameworks wie JAX, PyTorch und TensorFlow hinweg sowie gebrauchsfertige Notebooks und Integrationen mit etablierten Tools wie Hugging Face und NVIDIA NeMo.
