---
title: "Gemma (Google) (FR)"
source: "https://systems-analysis.info/int/Gemma_(Google)_(FR)"
wiki: "systems-analysis.info/int"
article: "Gemma_(Google)_(FR)"
language: "fr"
categories:
  - "Category:French"
  - "Category:Google"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 2553
wiki_created_at: 2026-09-06T23:06:02Z
wiki_modified_at: 2026-09-06T23:06:02Z
downloaded_at: 2026-09-07T22:52:05Z
---

# Gemma (Google) (FR)

**Gemma** est une famille de [modèles de langage](https://systems-analysis.info/int/Grands_mod%C3%A8les_de_langage "Grands modèles de langage") librement accessibles, développés et publiés par Google (division Google DeepMind). Les modèles Gemma reposent sur la même base de recherche et de technologie que la famille phare Gemini, et sont présentés comme leurs versions allégées et performantes<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>. Le nom provient du mot latin *gemma*, qui signifie « pierre précieuse »<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>.

Gemma appartient à la catégorie des *open models* (modèles ouverts) : Google publie les poids des modèles, ce qui permet aux chercheurs et aux développeurs de les utiliser, de les ré-entraîner et de les distribuer librement, y compris dans des projets commerciaux, sous réserve du respect des conditions d'utilisation responsable<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>. C'est une différence essentielle par rapport aux modèles Gemini, dont l'accès n'est possible que via des API cloud. Les modèles Gemma peuvent fonctionner localement sur du matériel grand public (ordinateurs portables, ordinateurs de bureau avec GPU), et non uniquement dans des centres de données<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-verge-gemma-gemini-3)</sup>.

## Développement et lancements

La famille Gemma comprend plusieurs générations de modèles, chacune apportant des améliorations en matière d'architecture, de performance et de capacités.

### Première génération : Gemma 1

La première version de Gemma a été lancée le **21 février 2024**<sup>[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-techcrunch-launch-4)</sup>. Elle comprenait deux modèles textuels basés sur une architecture de transformeur de type décodeur :

- **Gemma 2B** (2 milliards de paramètres)
- **Gemma 7B** (7 milliards de paramètres)

Au moment de leur sortie, Google affirmait que ces modèles surpassaient des équivalents beaucoup plus grands sur les principaux benchmarks<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>. Les modèles initiaux étaient principalement anglophones, mais ont été entraînés sur des données variées, incluant des documents web, du code de programmation et des problèmes mathématiques<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>. Les deux modèles ont été publiés en deux variantes : une de base (*pre-trained*) et une affinée pour les instructions (*instruction-tuned*) afin de mieux suivre les commandes de l'utilisateur<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>.

### Deuxième génération : Gemma 2

Gemma 2 a été annoncée le **27 juin 2024** et a apporté des améliorations significatives<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.

- **Tailles des modèles** : Des modèles de **9 et 27 milliards de paramètres** ont été publiés. Les plus petites variantes ont été entraînées en utilisant une méthode de distillation des connaissances à partir du modèle plus grand pour améliorer leur qualité<sup>[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-gemma2-report-5)</sup>.
- **Fenêtre de contexte** : Elle a été considérablement étendue à **80 000 tokens** (contre 8192 dans la première version)<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-gemma-arch-overview-7)</sup>.
- **Améliorations architecturales** : Des mécanismes d'*attention à requêtes groupées* (*grouped-query attention*) et un schéma alternant une attention locale et une attention globale ont été introduits pour un traitement efficace des contextes longs<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.

### Troisième génération : Gemma 3

Gemma 3 a été présentée en **mars 2025** comme la nouvelle étape dans le développement de la famille, en mettant l'accent sur la multimodalité et une couverture élargie des tâches<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)</sup>.

- **Multimodalité** : Les modèles ont acquis la capacité de traiter des images et des vidéos en entrée, en plus du texte.
- **Tailles et langues** : La gamme de modèles couvre quatre tailles (1B, 4B, 12B, 27B) et prend en charge jusqu'à 140 langues<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)</sup>.
- **Fenêtre de contexte** : Augmentée à **128 000 tokens**<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)</sup>.

Selon Google, Gemma 3 27B a montré des résultats au niveau des meilleurs modèles ouverts de son époque, n'étant surpassé dans les classements que par des modèles spécialisés comme DeepSeek-R1<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)</sup>.

## Architecture et caractéristiques techniques

Les modèles Gemma sont basés sur une architecture de transformeur en configuration **« décodeur uniquement »** (*decoder-only*), similaire aux modèles GPT<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-gemma-arch-overview-7)</sup>. Cela signifie que le modèle génère du texte de manière autorégressive, en prédisant le token suivant sur la base de tous les précédents. Les solutions techniques clés comprennent :

- **Intégrations de position rotatives (RoPE)** : Au lieu d'intégrations de position absolues, les RoPE sont utilisées, ce qui permet de coder efficacement l'information positionnelle.
- **Attention multi-requête et à requêtes groupées** : Pour accélérer et économiser la mémoire dans les plus petits modèles (par exemple, Gemma 2B), l**attention multi-requête *(*multi-query attention*) est utilisée (une seule clé/valeur pour toutes les têtes d'attention). Dans Gemma 2, le mécanisme d****attention à requêtes groupées* (*grouped-query attention*) a été introduit, où les requêtes sont réparties en groupes, ce qui représente un compromis entre vitesse et qualité<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-gemma-arch-overview-7)</sup>.
- **Schéma d'attention alternée** : Dans Gemma 2, un schéma est mis en œuvre où les couches avec auto-attention globale alternent avec des couches à « fenêtre glissante » limitée, ce qui permet de traiter efficacement les longs contextes<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.

## Famille de modèles et variantes

Outre les modèles de base universels, Google a publié plusieurs versions dérivées de Gemma, optimisées pour des tâches spécifiques.

- **CodeGemma** : Un modèle pour la génération et la complétion de code de programmation, prenant en charge C++, C#, Go, Java, JavaScript, Python, Rust et d'autres langages<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.
- **DataGemma** : Une famille de modèles affinés pour l'intégration avec des données externes en utilisant les techniques de RAG. Le modèle est capable d'exécuter des requêtes de recherche dans des bases de données (par exemple, Google Data Commons) pour améliorer la précision factuelle des réponses<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.
- **PaliGemma** : Un modèle multimodal capable de prendre en entrée des images et du texte. Il est conçu pour des tâches d'interaction question-réponse visuelle, telles que la description d'images et la reconnaissance d'objets<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.
- **RecurrentGemma** : Une variante expérimentale avec une architecture hybride *Griffin*, combinant une attention locale et des connexions récurrentes linéaires. Cela permet d'accélérer considérablement la génération de longues séquences<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-gemma-arch-overview-7)</sup>.
- **MedGemma** : Une version spécialisée de Gemma 3 pour le domaine médical. Elle comprend des modèles multimodaux (4B) et textuels (27B) pour l'analyse d'images médicales (radiographies, coupes) et de documents cliniques. Les modèles sont distribués en tant que modèles ouverts, mais ne sont pas destinés à une utilisation clinique directe sans validation supplémentaire<sup>[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-infoq-medgemma-8)</sup>.
- **DolphinGemma** : Un projet de recherche sur l'application des technologies Gemma pour déchiffrer les communications des dauphins. Le modèle est entraîné sur des années d'enregistrements audio et est utilisé pour identifier des motifs dans le langage animal<sup>[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-smithsonian-dolphin-9)</sup>.

## Disponibilité et application

Les modèles Gemma sont disponibles sur les plateformes **Kaggle** et **Hugging Face**, et sont également intégrés dans les services **Google Colab** et **Vertex AI Model Garden**<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>. Pour accélérer l'inférence, Google, en collaboration avec NVIDIA, a adapté les modèles pour TensorRT. Les conditions de licence de Gemma autorisent l**utilisation commerciale** et la modification des modèles, ce qui les distingue de certains autres projets ouverts. La distribution est régie par la **Licence IA Responsable** (*Responsible AI License*), qui impose des restrictions d'utilisation dans certains domaines (par exemple, le développement d'armes) et exige que les produits dérivés respectent les principes d'une application sûre et éthique de l'IA<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-verge-gemma-gemini-3)</sup>.

## Sécurité et responsabilité

Les développeurs ont accordé une grande attention aux questions de sécurité, compte tenu de la nature ouverte des modèles.

- **Filtrage des données** : Lors de la préparation des jeux de données d'entraînement, les données personnelles et autres informations sensibles ont été automatiquement filtrées pour réduire le risque de fuites<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>.
- **Alignement (*Alignment*)** : Les versions affinées pour les instructions ont subi un alignement en plusieurs étapes utilisant les méthodes de *Supervised Fine-Tuning (SFT)* et RLHF (apprentissage par renforcement à partir de retours humains) pour renforcer les styles de réponse préférés<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-ibm-what-is-gemma-1)</sup>.
- **Red Teaming** : Avant leur publication, les modèles ont été soumis à des tests approfondis pour évaluer leur résistance aux requêtes malveillantes. Des experts ont tenté de provoquer la génération de contenu dangereux ou indésirable pour identifier les vulnérabilités<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-verge-gemma-gemini-3)</sup>.
- **Boîte à outils IA Responsable (*Responsible AI Toolkit*)** : En parallèle des modèles, Google a publié un ensemble d'outils pour faciliter un déploiement sécurisé, incluant l'utilitaire **Gemma Debugger** pour analyser les états internes du modèle et des classifieurs de contenu indésirable<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-google-blog-intro-2)</sup>.
- **ShieldGemma** : Un modèle-filtre spécialisé, conçu pour empêcher la génération de contenu non sécurisé dans les versions multimodales de Gemma<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(FR)#cite_note-venturebeat-gemma3-6)</sup>.

## Liens externes

- <a href="https://ai.google/gemma/" class="external text" rel="nofollow">Page officielle de Gemma sur le site Google AI</a>
- <a href="https://huggingface.co/collections/google/gemma-65d5ef18339f5c493c7a36f4" class="external text" rel="nofollow">Modèles Gemma sur Hugging Face</a>

## Littérature

- 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>.

## Références

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