---
title: "Gemma (Google) (ES)"
source: "https://systems-analysis.info/int/Gemma_(Google)_(ES)"
wiki: "systems-analysis.info/int"
article: "Gemma_(Google)_(ES)"
language: "es"
categories:
  - "Category:Google"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Spanish"
revision_id: 2551
wiki_created_at: 2026-09-06T23:06:00Z
wiki_modified_at: 2026-09-06T23:06:00Z
downloaded_at: 2026-09-07T22:52:04Z
---

# Gemma (Google) (ES)

**Gemma** es una familia de modelos de lenguaje de libre acceso, desarrollados y publicados por Google (división Google DeepMind). Los modelos Gemma se basan en la misma investigación y tecnología que la familia insignia Gemini, y se posicionan como sus versiones ligeras y de alto rendimiento<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>. El nombre proviene de la palabra latina *gemma*, que significa «piedra preciosa»<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>.

Gemma pertenece a la categoría de *modelos abiertos* (\*open models\*): Google publica los pesos de los modelos, lo que permite a investigadores y desarrolladores usarlos, reentrenarlos y distribuirlos libremente, incluso en proyectos comerciales, siempre que se cumplan las condiciones de uso responsable<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>. Esta es una diferencia clave con los modelos Gemini, cuyo acceso solo es posible a través de API en la nube. Los modelos Gemma pueden funcionar localmente en hardware de consumo (portátiles, ordenadores de sobremesa con GPU), y no solo en centros de datos<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-verge-gemma-gemini-3)</sup>.

## Desarrollo y lanzamientos

La familia Gemma incluye varias generaciones de modelos, cada una de las cuales ha introducido mejoras en la arquitectura, el rendimiento y las capacidades.

### Primera generación: Gemma 1

La primera versión de Gemma fue lanzada el **21 de febrero de 2024**<sup>[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-techcrunch-launch-4)</sup>. Incluía dos modelos de texto basados en la arquitectura de transformador de solo decodificador:

- **Gemma 2B** (2 mil millones de parámetros)
- **Gemma 7B** (7 mil millones de parámetros)

En el momento de su lanzamiento, Google afirmó que estos modelos superaban a sus análogos considerablemente más grandes en benchmarks clave<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>. Los modelos originales eran predominantemente en inglés, pero se entrenaron con una variedad de datos, incluyendo documentos web, código de programación y problemas matemáticos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>. Ambos modelos se lanzaron en dos variantes: una básica (\*pre-trained\*) y otra ajustada por instrucciones (\*instruction-tuned\*) para seguir mejor los comandos del usuario<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>.

### Segunda generación: Gemma 2

Gemma 2 se anunció el **27 de junio de 2024** y trajo consigo mejoras significativas<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.

- **Tamaños de los modelos**: Se lanzaron modelos de **9 y 27 mil millones de parámetros**. Las variantes más pequeñas se entrenaron utilizando la técnica de destilación de conocimiento de un modelo más grande para mejorar la calidad<sup>[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-gemma2-report-5)</sup>.
- **Ventana de contexto**: Se amplió significativamente a **80 000 tokens** (en comparación con los 8192 de la primera versión)<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-gemma-arch-overview-7)</sup>.
- **Mejoras arquitectónicas**: Se introdujeron mecanismos de *atención de consulta agrupada* (\*grouped-query attention\*) y un esquema alterno de atención local y global para trabajar eficientemente con contextos largos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.

### Tercera generación: Gemma 3

Gemma 3 se presentó en **marzo de 2025** como el siguiente paso en el desarrollo de la familia, con un enfoque en la multimodalidad y una cobertura de tareas ampliada<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)</sup>.

- **Multimodalidad**: Los modelos obtuvieron soporte para imágenes y video como datos de entrada, además de texto.
- **Tamaños e idiomas**: La gama de modelos abarca cuatro tamaños (1B, 4B, 12B, 27B) y admite hasta 140 idiomas<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)</sup>.
- **Ventana de contexto**: Aumentada a **128 000 tokens**<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)</sup>.

Según Google, Gemma 3 27B demostró resultados a la par de los mejores modelos abiertos de su tiempo, siendo superada en las clasificaciones solo por modelos especializados como DeepSeek-R1<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)</sup>.

## Arquitectura y características técnicas

Los modelos Gemma se basan en la arquitectura de transformador en una configuración de **«solo decodificador»** (\*decoder-only\*), similar a los modelos GPT<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-gemma-arch-overview-7)</sup>. Esto significa que el modelo genera texto de forma autorregresiva, prediciendo el siguiente token basándose en todos los anteriores. Las soluciones técnicas clave incluyen:

- **Incrustaciones posicionales rotatorias (RoPE)**: En lugar de incrustaciones posicionales absolutas, se utilizan RoPE, lo que permite codificar la información posicional de manera eficiente.
- **Atención *multi-query* y *grouped-query***: Para acelerar y ahorrar memoria en los modelos más pequeños (por ejemplo, Gemma 2B), se utiliza la *atención multi-consulta* (\*multi-query attention\*) (una única clave/valor para todas las cabezas de atención). En Gemma 2 se implementó el mecanismo de *atención de consulta agrupada* (\*grouped-query attention\*), donde las consultas se dividen en grupos, lo que representa un compromiso entre velocidad y calidad<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-gemma-arch-overview-7)</sup>.
- **Esquema de atención alterno**: En Gemma 2 se implementa un esquema donde las capas con autoatención global se alternan con capas de «ventana deslizante» limitada, lo que permite procesar eficientemente contextos largos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.

## Familia de modelos y variantes

Además de los modelos base de propósito general, Google ha lanzado varias versiones derivadas de Gemma, optimizadas para tareas específicas.

- **CodeGemma**: Un modelo para la generación y completado de código de programación, que soporta C++, C#, Go, Java, JavaScript, Python, Rust y otros lenguajes<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.
- **DataGemma**: Una familia de modelos reentrenados para la integración con datos externos utilizando técnicas de RAG. El modelo es capaz de realizar consultas a bases de datos (por ejemplo, Google Data Commons) para mejorar la precisión factual de las respuestas<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.
- **PaliGemma**: Un modelo multimodal capaz de recibir imágenes y texto como entrada. Está diseñado para tareas de preguntas y respuestas visuales, como la descripción de imágenes y el reconocimiento de objetos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.
- **RecurrentGemma**: Una variante experimental con una arquitectura híbrida *Griffin*, que combina atención local y conexiones recurrentes lineales. Esto permite acelerar significativamente la generación de secuencias largas<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-gemma-arch-overview-7)</sup>.
- **MedGemma**: Una versión especializada de Gemma 3 para el campo de la medicina. Incluye modelos multimodales (4B) y de texto (27B) para el análisis de imágenes médicas (radiografías, cortes) y documentos clínicos. Los modelos se distribuyen como abiertos, pero no están destinados para uso clínico directo sin validación adicional<sup>[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-infoq-medgemma-8)</sup>.
- **DolphinGemma**: Un proyecto de investigación sobre la aplicación de las tecnologías de Gemma para descifrar la comunicación de los delfines. El modelo ha sido entrenado con grabaciones de audio de varios años y se utiliza para identificar patrones en el lenguaje animal<sup>[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-smithsonian-dolphin-9)</sup>.

## Disponibilidad y aplicación

Los modelos Gemma están disponibles en las plataformas **Kaggle** y **Hugging Face**, y también están integrados en los servicios **Google Colab** y **Vertex AI Model Garden**<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>. Para acelerar la inferencia, Google, en colaboración con NVIDIA, ha adaptado los modelos para TensorRT. Los términos de la licencia de Gemma permiten el **uso comercial** y la modificación de los modelos, lo que los diferencia de otros proyectos abiertos. La distribución se rige por la licencia **Responsible AI License**, que impone restricciones de uso en ciertas áreas (por ejemplo, el desarrollo de armamento) y exige que los productos derivados cumplan con los principios de aplicación segura y ética de la IA<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-verge-gemma-gemini-3)</sup>.

## Seguridad y responsabilidad

Los desarrolladores prestaron gran atención a las cuestiones de seguridad, dado el carácter abierto de los modelos.

- **Filtrado de datos**: Durante la preparación de los conjuntos de datos de entrenamiento, se filtraron automáticamente datos personales y otra información sensible para reducir el riesgo de fugas<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>.
- **Alineación (\*Alignment\*)**: Las versiones ajustadas por instrucciones de los modelos pasaron por una alineación multifásica utilizando técnicas de *ajuste fino supervisado* (\*Supervised Fine-Tuning\*, SFT) y RLHF (aprendizaje por refuerzo con retroalimentación humana) para consolidar los estilos de respuesta preferidos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-ibm-what-is-gemma-1)</sup>.
- **Red Teaming**: Antes de su lanzamiento, los modelos fueron sometidos a pruebas exhaustivas de resistencia a prompts maliciosos. Los expertos intentaron provocar la generación de contenido peligroso o no deseado para identificar vulnerabilidades<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-verge-gemma-gemini-3)</sup>.
- **Kit de herramientas de IA Responsable (\*Responsible AI Toolkit\*)**: Junto con los modelos, Google lanzó un conjunto de herramientas para facilitar una implementación segura, incluida la utilidad **Gemma Debugger** para analizar los estados internos del modelo y clasificadores de contenido no deseado<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-google-blog-intro-2)</sup>.
- **ShieldGemma**: Un modelo-filtro especializado diseñado para prevenir la generación de contenido no seguro en las versiones multimodales de Gemma<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_note-venturebeat-gemma3-6)</sup>.

## Enlaces externos

- <a href="https://ai.google/gemma/" class="external text" rel="nofollow">Página oficial de Gemma en el sitio web de Google AI</a>
- <a href="https://huggingface.co/collections/google/gemma-65d5ef18339f5c493c7a36f4" class="external text" rel="nofollow">Modelos Gemma en Hugging Face</a>

## Bibliografía

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

## Referencias

1.  <span id="cite_note-ibm-what-is-gemma-1">↑ <sup>[1.00](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-ibm-what-is-gemma_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Gemma_(Google)_(ES)#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)_(ES)#cite_ref-google-blog-intro_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-google-blog-intro_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-google-blog-intro_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-google-blog-intro_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-google-blog-intro_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-google-blog-intro_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Gemma_(Google)_(ES)#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)_(ES)#cite_ref-verge-gemma-gemini_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-verge-gemma-gemini_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Gemma_(Google)_(ES)#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)_(ES)#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)_(ES)#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)_(ES)#cite_ref-venturebeat-gemma3_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-venturebeat-gemma3_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-venturebeat-gemma3_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-venturebeat-gemma3_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-venturebeat-gemma3_6-4)</sup> <sup>[6.5](https://systems-analysis.info/int/Gemma_(Google)_(ES)#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)_(ES)#cite_ref-gemma-arch-overview_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-gemma-arch-overview_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Gemma_(Google)_(ES)#cite_ref-gemma-arch-overview_7-2)</sup> <sup>[7.3](https://systems-analysis.info/int/Gemma_(Google)_(ES)#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)_(ES)#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)_(ES)#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>