---
title: "Gemma (Google) (BG)"
source: "https://systems-analysis.info/int/Gemma_(Google)_(BG)"
wiki: "systems-analysis.info/int"
article: "Gemma_(Google)_(BG)"
language: "bg"
categories:
  - "Category:Bulgarian"
  - "Category:Google"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 2546
wiki_created_at: 2026-09-06T23:05:56Z
wiki_modified_at: 2026-09-06T23:05:56Z
downloaded_at: 2026-09-07T22:52:02Z
---

# Gemma (Google) (BG)

**Gemma** — това е семейство свободно достъпни езикови модели, разработени и пуснати от компанията Google (подразделение Google DeepMind). Моделите Gemma се основават на същата изследователска и технологична база като флагманското семейство Gemini и се позиционират като техни облекчени, високопроизводителни версии<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>. Наименованието произлиза от латинската дума *gemma*, означаваща „скъпоценен камък"<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>.

Gemma принадлежи към категорията *open models* (отворени модели): Google публикува теглата на моделите, което позволява на изследователи и разработчици свободно да ги използват, дообучават и разпространяват, включително в търговски проекти, при спазване на условията за отговорно използване<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>. Това е ключовото отличие от моделите Gemini, достъпът до които е възможен само чрез облачни API. Моделите Gemma могат да работят локално на потребителско оборудване (лаптопи, настолни компютри с GPU), а не само в центрове за данни<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-verge-gemma-gemini-3)</sup>.

## Разработка и издания

Семейството Gemma включва няколко поколения модели, всяко от които въвеждаше подобрения в архитектурата, производителността и възможностите.

### Първо поколение: Gemma 1

Първата версия на Gemma беше пусната **21 февруари 2024 година**<sup>[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-techcrunch-launch-4)</sup>. В нейния състав влязоха два текстови модела, основани на архитектурата на декодерен transformer:

- **Gemma 2B** (2 милиарда параметра)
- **Gemma 7B** (7 милиарда параметра)

По времето на излизането си Google заявяваше, че тези модели превъзхождат значително по-големи аналози по ключови benchmark-ове<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>. Изходните модели бяха предимно англоезични, но обучавани върху разнообразни данни, включително уеб документи, програмен код и математически задачи<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>. И двата модела бяха пуснати в два варианта: базов (*pre-trained*) и инструкционно дообучен (*instruction-tuned*) за по-добро следване на командите на потребителя<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>.

### Второ поколение: Gemma 2

Gemma 2 беше анонсирана **27 юни 2024 година** и донесе значителни подобрения<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.

- **Размери на моделите**: Бяха пуснати модели с **9 и 27 милиарда параметра**. По-малките варианти бяха обучавани с прилагане на методиката за дистилация на знания от по-голям модел с цел повишаване на качеството<sup>[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-gemma2-report-5)</sup>.
- **Контекстен прозорец**: Беше значително разширен до **80 000 token-а** (в сравнение с 8192 в първата версия)<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-gemma-arch-overview-7)</sup>.
- **Архитектурни подобрения**: Бяха въведени механизми *grouped-query attention* и редуваща се схема на локално и глобално внимание за ефективна работа с дълъг контекст<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.

### Трето поколение: Gemma 3

Gemma 3 беше представена **март 2025 година** като следваща стъпка в развитието на семейството с акцент върху мултимодалността и разширения обхват на задачите<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)</sup>.

- **Мултимодалност**: Моделите получиха поддръжка на изображения и видео като входни данни наред с текст.
- **Размери и езици**: Гамата от модели обхваща четири размера (1B, 4B, 12B, 27B) и поддържа до 140 езика<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)</sup>.
- **Контекстен прозорец**: Увеличен до **128 000 token-а**<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)</sup>.

Според данни на Google, Gemma 3 27B показа резултати на нивото на най-добрите отворени модели по своето време, отстъпвайки в класациите единствено на специализирани модели като DeepSeek-R1<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)</sup>.

## Архитектура и технически особености

Моделите Gemma се основават на архитектурата transformer в конфигурация **„само декодер"** (*decoder-only*), аналогична на моделите GPT<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-gemma-arch-overview-7)</sup>. Това означава, че моделът генерира текст авторегресионно, предсказвайки следващия token въз основа на всички предходни. Ключовите технически решения включват:

- **Ротационни позиционни embedding-и (RoPE)**: Вместо абсолютни позиционни embedding-и се използват RoPE, което позволява ефективно кодиране на позиционната информация.
- **Multi-query и Grouped-query attention**: За ускоряване и икономия на памет в по-малките модели (например Gemma 2B) се използва *multi-query attention* (единичен ключ/стойност за всички глави на внимание). В Gemma 2 беше въведен механизмът *grouped-query attention*, при който заявките се разпределят в групи, което представлява компромис между скорост и качество<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-gemma-arch-overview-7)</sup>.
- **Редуваща се схема на внимание**: В Gemma 2 е реализирана схема, при която слоевете с глобално самовнимание се редуват със слоеве с ограничен „плъзгащ се прозорец", което позволява ефективна обработка на дълги контексти<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.

## Семейство модели и варианти

Освен универсалните базови модели, Google пусна няколко производни версии на Gemma, оптимизирани за конкретни задачи.

- **CodeGemma**: Модел за генериране и допълване на програмен код, поддържащ C++, C#, Go, Java, JavaScript, Python, Rust и други езици<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.
- **DataGemma**: Семейство модели, дообучени за интеграция с външни данни с използване на техники RAG. Моделът може да изпълнява заявки за търсене в бази данни (например Google Data Commons) за повишаване на фактическата точност на отговорите<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.
- **PaliGemma**: Мултимодален модел, способен да приема изображения и текст като входни данни. Той е предназначен за задачи на визуално въпросно-отговорно взаимодействие, като описание на изображения и разпознаване на обекти<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.
- **RecurrentGemma**: Експериментален вариант с хибридна архитектура *Griffin*, съчетаваща локално внимание и линейни рекурентни връзки. Това позволява значително ускоряване на генерирането на дълги последователности<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-gemma-arch-overview-7)</sup>.
- **MedGemma**: Специализирана версия на Gemma 3 за медицинската област. Включва мултимодални (4B) и текстови (27B) модели за анализ на медицински изображения (рентгенограми, срезове) и клинични документи. Моделите се разпространяват като отворени, но не са предназначени за пряко клинично използване без допълнителна валидация<sup>[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-infoq-medgemma-8)</sup>.
- **DolphinGemma**: Изследователски проект за прилагане на технологиите Gemma за разшифроване на комуникациите на делфини. Моделът е обучен върху многогодишни аудиозаписи и се използва за разкриване на модели в езика на животните<sup>[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-smithsonian-dolphin-9)</sup>.

## Достъпност и приложение

Моделите Gemma са достъпни на платформите **Kaggle** и **Hugging Face**, а също така са интегрирани в услугите **Google Colab** и **Vertex AI Model Garden**<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>. За ускоряване на инференса Google в сътрудничество с NVIDIA извърши адаптация на моделите за TensorRT. Лицензионните условия на Gemma допускат **търговско използване** и модификация на моделите, което ги отличава от някои други отворени проекти. Разпространението се регулира от лиценза **Responsible AI License**, който налага ограничения върху използването в определени области (например разработка на оръжие) и изисква от производните продукти да спазват принципите за безопасно и етично прилагане на ИИ<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-verge-gemma-gemini-3)</sup>.

## Безопасност и отговорност

Разработчиците обърнаха голямо внимание на въпросите за безопасност, като се имат предвид отворения характер на моделите.

- **Филтриране на данни**: При подготовката на обучителните dataset-и личните данни и друга чувствителна информация бяха автоматично филтрирани за намаляване на риска от изтичане<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>.
- **Изравняване (Alignment)**: Инструкционните версии на моделите преминаха многоетапно изравняване с използване на методиките *Supervised Fine-Tuning (SFT)* и RLHF (обучение с подкрепление въз основа на обратна връзка от хора) за затвърждаване на предпочитани стилове на отговор<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-ibm-what-is-gemma-1)</sup>.
- **Ред-тийминг (Red Teaming)**: Преди пускането модели бяха подложени на задълбочена проверка за устойчивост към злонамерени заявки. Експерти се опитваха да предизвикат генериране на опасно или нежелано съдържание с цел разкриване на уязвимости<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-verge-gemma-gemini-3)</sup>.
- **Инструментариум Responsible AI Toolkit**: Заедно с моделите Google пусна набор от инструменти за улесняване на безопасното внедряване, включително помощната програма **Gemma Debugger** за анализ на вътрешните състояния на модела и класификатори на нежелано съдържание<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-google-blog-intro-2)</sup>.
- **ShieldGemma**: Специализиран модел-филтър, предназначен за предотвратяване на генерирането на опасно съдържание в мултимодалните версии на Gemma<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_note-venturebeat-gemma3-6)</sup>.

## Препратки

- Официална страница на Gemma на сайта Google AI
- Модели Gemma на Hugging Face

## Литература

- Mesnard, T. et al. (2024). *Gemma: Open Models Based on Gemini Research and Technology*. arXiv:2403.08295.
- Rivière, M. et al. (2024). *Gemma 2: Improving Open Language Models at a Practical Size*. arXiv:2408.00118.
- Kamath, A. et al. (2025). *Gemma 3 Technical Report*. arXiv:2503.19786.
- Zhao, H. et al. (2024). *CodeGemma: Open Code Models Based on Gemma*. arXiv:2406.11409.
- Beyer, L. et al. (2024). *PaliGemma: A Versatile 3B VLM for Transfer*. arXiv:2407.07726.
- Steiner, A. et al. (2024). *PaliGemma 2: A Family of Versatile VLMs for Transfer*. arXiv:2412.03555.
- Botev, A. et al. (2024). *RecurrentGemma: Moving Past Transformers for Efficient Open Language Models*. arXiv:2404.07839.
- Ainslie, J. et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models from Multi‑Head Checkpoints*. arXiv:2305.13245.
- Chinnakonduru, S. S. & Mohapatra, A. (2024). *Weighted Grouped Query Attention in Transformers*. arXiv:2407.10855.
- Su, J. et al. (2021). *RoFormer: Enhanced Transformer with Rotary Position Embedding*. arXiv:2104.09864.
- Radhakrishnan, P. et al. (2024). *Knowing When to Ask — Bridging Large Language Models and Data*. arXiv:2409.13741.

## Бележки

1.  <span id="cite_note-ibm-what-is-gemma-1">↑ <sup>[1.00](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-ibm-what-is-gemma_1-9)</sup> «What Is Google Gemma?». *IBM*. <a href="https://www.ibm.com/think/topics/google-gemma" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-google-blog-intro-2">↑ <sup>[2.0](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-google-blog-intro_2-6)</sup> «Gemma: Google introduces new state-of-the-art open models». *Google Developers Blog*. <a href="https://blog.google/technology/developers/gemma-open-models/" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-verge-gemma-gemini-3">↑ <sup>[3.0](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-verge-gemma-gemini_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-verge-gemma-gemini_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-verge-gemma-gemini_3-2)</sup> «Google's open-source Gemma AI models draw from the research behind Gemini». *The Verge*. <a href="https://www.theverge.com/2024/2/21/24078610/google-gemma-gemini-small-ai-model-open-source" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-techcrunch-launch-4">[↑](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-techcrunch-launch_4-0) «Google launches two new open LLMs». *TechCrunch*. <a href="https://techcrunch.com/2024/02/21/google-launches-two-new-open-llms/" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-gemma2-report-5">[↑](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-gemma2-report_5-0) «Gemma 2: Improving Open Language Models at a Practical Size». *Google*.</span>
6.  <span id="cite_note-venturebeat-gemma3-6">↑ <sup>[6.0](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-4)</sup> <sup>[6.5](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-venturebeat-gemma3_6-5)</sup> «Google unveils open source Gemma 3 model with 128k context window». *VentureBeat*. <a href="https://venturebeat.com/ai/google-unveils-open-source-gemma-3-model-with-128k-context-window/" class="external autonumber" rel="nofollow">[5]</a></span>
7.  <span id="cite_note-gemma-arch-overview-7">↑ <sup>[7.0](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-gemma-arch-overview_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-gemma-arch-overview_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-gemma-arch-overview_7-2)</sup> <sup>[7.3](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-gemma-arch-overview_7-3)</sup> «Gemma explained: An overview of Gemma model family architectures». *Google Developers Blog*. <a href="https://developers.googleblog.com/en/gemma-explained-overview-gemma-model-family-architectures/" class="external autonumber" rel="nofollow">[6]</a></span>
8.  <span id="cite_note-infoq-medgemma-8">[↑](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-infoq-medgemma_8-0) «Google Releases MedGemma: Open AI Models for Medical Text and Image Analysis». *InfoQ*. <a href="https://www.infoq.com/news/2025/05/google-medgemma/" class="external autonumber" rel="nofollow">[7]</a></span>
9.  <span id="cite_note-smithsonian-dolphin-9">[↑](https://systems-analysis.info/int/Gemma_(Google)_(BG)#cite_ref-smithsonian-dolphin_9-0) «Google Is Training a New A.I. Model to Decode Dolphin Chatter—and Potentially Talk Back». *Smithsonian Magazine*. <a href="https://www.smithsonianmag.com/smart-news/google-is-training-a-new-ai-model-to-decode-dolphin-chatter-and-potentially-talk-back-180986434/" class="external autonumber" rel="nofollow">[8]</a></span>