--- title: "Gemma (Google) (HU)" source: "https://systems-analysis.info/int/Gemma_(Google)_(HU)" wiki: "systems-analysis.info/int" article: "Gemma_(Google)_(HU)" language: "hu" categories: - "Category:Google" - "Category:Hungarian" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 2556 wiki_created_at: 2026-09-06T23:06:05Z wiki_modified_at: 2026-09-06T23:06:05Z downloaded_at: 2026-09-07T22:52:07Z --- # Gemma (Google) (HU) **Gemma** — egy szabadon elérhető nyelvi modellek családja, amelyet a Google (Google DeepMind részlege) fejlesztett ki és adott ki. A Gemma modellek ugyanazon kutatási és technológiai alapokra épülnek, mint a zászlóshajó Gemini modellcsalád, és azok könnyített, nagy teljesítményű változataiként kerülnek forgalomba[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). A név a latin *gemma* szóból ered, amely „drágakövet" jelent[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). A Gemma az *open models* (nyílt modellek) kategóriájába tartozik: a Google közzéteszi a modellek súlyait, ami lehetővé teszi a kutatók és fejlesztők számára, hogy azokat szabadon használják, finomhangolják és terjesszék, beleértve a kereskedelmi projekteket is, a felelős felhasználási feltételek betartása mellett[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). Ez a legfontosabb különbség a Gemini modellekhez képest, amelyek csak felhőalapú API-kon keresztül érhetők el. A Gemma modellek képesek lokálisan futni fogyasztói hardveren (laptopokon, GPU-val rendelkező asztali számítógépeken), nem csupán adatközpontokban[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-verge-gemma-gemini-3). ## Fejlesztés és kiadások A Gemma modellcsalád több generációt foglal magában, amelyek mindegyike fejlesztéseket hozott az architektúrában, a teljesítményben és a képességekben. ### Első generáció: Gemma 1 A Gemma első verziója **2024. február 21-én** jelent meg[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-techcrunch-launch-4). Két szöveges modellt tartalmazott, amelyek dekóderes transformer architektúrán alapulnak: - **Gemma 2B** (2 milliárd paraméter) - **Gemma 7B** (7 milliárd paraméter) A megjelenéskor a Google azt állította, hogy ezek a modellek a legfontosabb benchmark-okban felülmúlják a náluk lényegesen nagyobb társaikat[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). Az eredeti modellek elsősorban angol nyelvűek voltak, de változatos adatokon képezték őket, beleértve webes dokumentumokat, programkódot és matematikai feladatokat[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). Mindkét modell két változatban jelent meg: alap (*pre-trained*) és instrukció-finomhangolt (*instruction-tuned*) verzióban, az utóbbi a felhasználói utasítások jobb követéséhez[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). ### Második generáció: Gemma 2 A Gemma 2-t **2024. június 27-én** jelentették be, és jelentős fejlesztéseket hozott[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). - **Modellek mérete**: **9 és 27 milliárd paraméteres** modellek kerültek kiadásra. A kisebb változatokat tudásdesztilláció módszerével képezték egy nagyobb modellből a minőség javítása érdekében[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-gemma2-report-5). - **Kontextusablak**: Jelentősen bővült, **80 000 tokenre** (az első verzió 8192-jéhez képest)[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-gemma-arch-overview-7). - **Architekturális fejlesztések**: Bevezették a *grouped-query attention* mechanizmust és a lokális és globális figyelem váltakozó sémáját a hosszú kontextus hatékony kezeléséhez[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). ### Harmadik generáció: Gemma 3 A Gemma 3-at **2025 márciusában** mutatták be a modellcsalád fejlődésének következő lépéseként, a multimodalitásra és a feladatok szélesebb lefedettségére helyezve a hangsúlyt[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6). - **Multimodalitás**: A modellek a szöveg mellett képek és videók fogadását is támogatják bemeneti adatként. - **Méretek és nyelvek**: A modellkínálat négy méretet ölel fel (1B, 4B, 12B, 27B), és akár 140 nyelvet támogat[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6). - **Kontextusablak**: **128 000 tokenre** bővült[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6). A Google adatai szerint a Gemma 3 27B a maga korának legjobb nyílt modelljei szintjén teljesített, és a ranglistákon csak olyan specializált modellektől maradt el, mint a DeepSeek-R1[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6). ## Architektúra és technikai jellemzők A Gemma modellek transformer architektúrán alapulnak, **„csak dekóderes"** (*decoder-only*) konfigurációban, hasonlóan a GPT modellekhez[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-gemma-arch-overview-7). Ez azt jelenti, hogy a modell autoregresszív módon generál szöveget, az összes korábbi token alapján megjósolva a következőt. A legfontosabb technikai megoldások a következők: - **Forgó pozicionális embedding-ek (RoPE)**: Az abszolút pozicionális embedding-ek helyett RoPE-t alkalmaznak, ami lehetővé teszi a pozicionális információ hatékony kódolását. - **Multi-query és Grouped-query attention**: A gyorsítás és a memória-megtakarítás érdekében a kisebb modellekben (például Gemma 2B) *multi-query attention*-t (egyetlen kulcs/érték az összes figyelemfejhez) alkalmaznak. A Gemma 2-ben bevezették a *grouped-query attention* mechanizmust, ahol a lekérdezések csoportokra osztódnak, ami kompromisszumot jelent a sebesség és a minőség között[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-gemma-arch-overview-7). - **Váltakozó figyelemséma**: A Gemma 2-ben olyan séma valósult meg, ahol a globális önfigyelmes rétegek korlátozott „csúszóablakos" rétegekkel váltakoznak, ami lehetővé teszi a hosszú kontextusok hatékony feldolgozását[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). ## Modellek és változatok Az általános célú alapmodelleken túl a Google több, konkrét feladatokra optimalizált Gemma-származékot adott ki. - **CodeGemma**: Programkód generálására és kiegészítésére szolgáló modell, amely támogatja a C++, C#, Go, Java, JavaScript, Python, Rust és más nyelveket[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). - **DataGemma**: Modellek családja, amelyet külső adatokkal való integrációhoz finomhangoltak RAG technikák alkalmazásával. A modell képes keresési lekérdezéseket végrehajtani adatbázisokon (például Google Data Commons) a válaszok ténybeli pontosságának javítása érdekében[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). - **PaliGemma**: Multimodális modell, amely képes képeket és szöveget fogadni bemenetként. Vizuális kérdés-válasz feladatokra, például képleírásra és objektumfelismerésre készült[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). - **RecurrentGemma**: Kísérleti változat hibrid *Griffin* architektúrával, amely lokális figyelmet és lineáris rekurrens kapcsolatokat kombinál. Ez lehetővé teszi a hosszú sorozatok generálásának jelentős felgyorsítását[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-gemma-arch-overview-7). - **MedGemma**: A Gemma 3 specializált orvosi változata. Multimodális (4B) és szöveges (27B) modelleket tartalmaz orvosi képek (röntgenfelvételek, metszetek) és klinikai dokumentumok elemzéséhez. A modellek nyíltként terjesztett, de közvetlen klinikai felhasználásra további validáció nélkül nem alkalmasak[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-infoq-medgemma-8). - **DolphinGemma**: Kutatási projekt a Gemma technológiáinak alkalmazásáról a delfinek kommunikációjának megfejtésére. A modellt évekig tartó hangfelvételeken képezték, és állati nyelvek mintáinak azonosítására használják[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-smithsonian-dolphin-9). ## Elérhetőség és alkalmazás A Gemma modellek elérhetők a **Kaggle** és a **Hugging Face** platformokon, valamint integrálva vannak a **Google Colab** és a **Vertex AI Model Garden** szolgáltatásokba[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). Az inferencia gyorsítása érdekében a Google az NVIDIA-val együttműködve adaptálta a modelleket TensorRT-hez. A Gemma licencfeltételei lehetővé teszik a modellek **kereskedelmi felhasználását** és módosítását, ami megkülönbözteti őket néhány más nyílt projekttől. A terjesztést a **Responsible AI License** szabályozza, amely korlátozásokat ír elő bizonyos területeken való felhasználásra (például fegyvergyártás) és megköveteli a származtatott termékektől a biztonságos és etikus MI-alkalmazás elveinek betartását[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-verge-gemma-gemini-3). ## Biztonság és felelősség A fejlesztők nagy figyelmet fordítottak a biztonsági kérdésekre, tekintettel a modellek nyílt jellegére. - **Adatszűrés**: A tanítási adatkészletek előkészítésekor automatikusan kiszűrték a személyes adatokat és egyéb érzékeny információkat az adatszivárgás kockázatának csökkentése érdekében[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). - **Igazítás (Alignment)**: A modellek instrukciós verziói többlépéses igazításon estek át *Supervised Fine-Tuning (SFT)* és RLHF (emberi visszajelzésen alapuló megerősítéses tanulás) módszerek alkalmazásával a kívánt válaszstílusok rögzítéséhez[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-ibm-what-is-gemma-1). - **Red Teaming**: A kiadás előtt a modelleket alapos vizsgálatnak vetették alá a rosszindulatú lekérdezésekkel szembeni ellenállás tekintetében. Szakértők megpróbálták veszélyes vagy nemkívánatos tartalom generálására késztetni a modelleket a sebezhetőségek feltárása érdekében[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-verge-gemma-gemini-3). - **Responsible AI Toolkit**: A modellekkel együtt a Google kiadott egy eszközkészletet a biztonságos telepítés megkönnyítésére, beleértve a **Gemma Debugger** segédprogramot a modell belső állapotainak elemzéséhez és a nemkívánatos tartalom osztályozóit[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-google-blog-intro-2). - **ShieldGemma**: Specializált szűrőmodell, amelynek célja a nem biztonságos tartalom generálásának megakadályozása a Gemma multimodális verzióiban[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_note-venturebeat-gemma3-6). ## Hivatkozások - A Gemma hivatalos oldala a Google AI weboldalán - Gemma modellek a Hugging Face-en ## Irodalom - 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. ## Megjegyzések 1. ↑ [1.00](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-0) [1.01](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-1) [1.02](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-2) [1.03](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-3) [1.04](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-4) [1.05](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-5) [1.06](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-6) [1.07](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-7) [1.08](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-8) [1.09](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-ibm-what-is-gemma_1-9) «What Is Google Gemma?». *IBM*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-0) [2.1](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-1) [2.2](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-2) [2.3](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-3) [2.4](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-4) [2.5](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-5) [2.6](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-google-blog-intro_2-6) «Gemma: Google introduces new state-of-the-art open models». *Google Developers Blog*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-verge-gemma-gemini_3-0) [3.1](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-verge-gemma-gemini_3-1) [3.2](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-verge-gemma-gemini_3-2) «Google's open-source Gemma AI models draw from the research behind Gemini». *The Verge*. [3] 4. [↑](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-techcrunch-launch_4-0) «Google launches two new open LLMs». *TechCrunch*. [4] 5. [↑](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-gemma2-report_5-0) «Gemma 2: Improving Open Language Models at a Practical Size». *Google*. 6. ↑ [6.0](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-0) [6.1](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-1) [6.2](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-2) [6.3](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-3) [6.4](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-4) [6.5](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-venturebeat-gemma3_6-5) «Google unveils open source Gemma 3 model with 128k context window». *VentureBeat*. [5] 7. ↑ [7.0](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-gemma-arch-overview_7-0) [7.1](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-gemma-arch-overview_7-1) [7.2](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-gemma-arch-overview_7-2) [7.3](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-gemma-arch-overview_7-3) «Gemma explained: An overview of Gemma model family architectures». *Google Developers Blog*. [6] 8. [↑](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-infoq-medgemma_8-0) «Google Releases MedGemma: Open AI Models for Medical Text and Image Analysis». *InfoQ*. [7] 9. [↑](https://systems-analysis.info/int/Gemma_(Google)_(HU)#cite_ref-smithsonian-dolphin_9-0) «Google Is Training a New A.I. Model to Decode Dolphin Chatter—and Potentially Talk Back». *Smithsonian Magazine*. [8]