A Gemini 1.5 után frissen kiszállva a Google piacra dobja az új Gemma mesterséges intelligencia modellt
Ugyanabból a technológiából épül fel, mint a Gemini modelleknél.
2 perc olvas
Publikálva
Ossza meg ezt a cikket
Javítsa ezt az útmutatót
Olvassa el közzétételi oldalunkat, hogy megtudja, hogyan segítheti az MSPowerusert a szerkesztői csapat fenntartásában Tovább
Főbb megjegyzések
- A Google bejelentette a Gemmát, egy másik modellt, amely a Gemini modelleknél használt technológiából készült.
- Ez egy könnyű modell, amelyet kifejezetten arra terveztek, hogy segítse a fejlesztőket és a kutatókat a felelős AI kialakításában.
- A Gemma AI két modellben kapható: Gemma 2B és Gemma 7B.
A Google-nek elég dolgos néhány hónapja van, hogy utolérje a Microsoftot az AI-versenyben. Nem sokkal később a Gemini elindítása és a Gemini 1.5, az eddigi legképességesebb mesterséges intelligencia modellje, a cég jelentette be Gemma, egy másik modell, amely ugyanazzal a technológiával készült, mint a Gemini modelleknél.
„A Google DeepMind és a Google más csapatai által kifejlesztett Gemma-t a Gemini ihlette, és a név a latin nyelvet tükrözi. levélrügy, azaz „drágakő” – mondja a Google a hivatalos közleményben, csak azután a Gemini 1.5 meghirdetése ez akár 20-szor is lehet gyorsabb, mint a GPT-4.
A Google Gemma AI két modellben érhető el: Gemma 2B és Gemma 7B. Ezek méretükben és képességeikben különböznek. Mindkettő kétféle ízben kapható: „előkészített” általános használatra és „utasításra hangolt” konkrét feladatokra.
De mi is pontosan a különbség? A Gemma nem csak egy nyílt forráskódú mesterséges intelligencia modell. Ez egy könnyű modell, amelyet kifejezetten arra terveztek, hogy segítse a fejlesztőket és a kutatókat felelős mesterséges intelligencia felépítésében, a Google AI-elveit szem előtt tartva.
Biztonságosabb és etikusabb AI-alkalmazásokat is készíthet a Google Responsible Generative AI Toolkit segítségével, amely szintén ebbe a modellbe tartozik.
Az eszközkészlet eszközláncokat is biztosít a következtetésekhez és a finomhangoláshoz az olyan népszerű keretrendszereken, mint a JAX, a PyTorch és a TensorFlow, valamint a használatra kész notebookokat és az olyan bevált eszközökkel való integrációt, mint a Hugging Face és az NVIDIA NeMo.
