---
title: "Gemma (Google) (IT)"
source: "https://systems-analysis.info/int/Gemma_(Google)_(IT)"
wiki: "systems-analysis.info/int"
article: "Gemma_(Google)_(IT)"
language: "it"
categories:
  - "Category:Google"
  - "Category:Italian"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 2558
wiki_created_at: 2026-09-06T23:06:07Z
wiki_modified_at: 2026-09-06T23:06:07Z
downloaded_at: 2026-09-07T22:52:07Z
---

# Gemma (Google) (IT)

**Gemma** — è una famiglia di modelli linguistici liberamente disponibili, sviluppati e rilasciati da Google (divisione Google DeepMind). I modelli Gemma si basano sulla stessa base di ricerca e tecnologia della famiglia flagship Gemini e sono presentati come versioni alleggerite e ad alte prestazioni di quest'ultima<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>. Il nome deriva dalla parola latina *gemma*, che significa «pietra preziosa»<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>.

Gemma appartiene alla categoria degli *open models* (modelli aperti): Google pubblica i pesi dei modelli, consentendo a ricercatori e sviluppatori di utilizzarli liberamente, eseguire il fine-tuning e distribuirli, anche in progetti commerciali, nel rispetto delle condizioni di utilizzo responsabile<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>. Questa è la differenza fondamentale rispetto ai modelli Gemini, accessibili esclusivamente tramite API cloud. I modelli Gemma sono in grado di funzionare localmente su hardware consumer (laptop, computer desktop con GPU), e non solo nei data center<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-verge-gemma-gemini-3)</sup>.

## Sviluppo e rilasci

La famiglia Gemma comprende diverse generazioni di modelli, ognuna delle quali ha introdotto miglioramenti nell'architettura, nelle prestazioni e nelle funzionalità.

### Prima generazione: Gemma 1

La prima versione di Gemma è stata rilasciata il **21 febbraio 2024**<sup>[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-techcrunch-launch-4)</sup>. Comprendeva due modelli testuali basati sull'architettura del transformer decoder:

- **Gemma 2B** (2 miliardi di parametri)
- **Gemma 7B** (7 miliardi di parametri)

Al momento del lancio, Google dichiarava che questi modelli superavano modelli analoghi significativamente più grandi nei principali benchmark<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>. I modelli originali erano prevalentemente in lingua inglese, ma addestrati su dati variegati, inclusi documenti web, codice sorgente e problemi matematici<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>. Entrambi i modelli sono stati rilasciati in due varianti: base (*pre-trained*) e con fine-tuning su istruzioni (*instruction-tuned*) per un migliore rispetto dei comandi dell'utente<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>.

### Seconda generazione: Gemma 2

Gemma 2 è stata annunciata il **27 giugno 2024** e ha apportato miglioramenti significativi<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.

- **Dimensioni dei modelli**: Sono stati rilasciati modelli da **9 e 27 miliardi di parametri**. Le varianti più piccole sono state addestrate applicando la tecnica di distillazione della conoscenza dal modello più grande per migliorarne la qualità<sup>[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-gemma2-report-5)</sup>.
- **Finestra di contesto**: È stata significativamente ampliata fino a **80 000 token** (rispetto agli 8192 della prima versione)<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-gemma-arch-overview-7)</sup>.
- **Miglioramenti architetturali**: Sono stati introdotti meccanismi di *grouped-query attention* e uno schema alternato di attenzione locale e globale per la gestione efficiente di contesti lunghi<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.

### Terza generazione: Gemma 3

Gemma 3 è stata presentata nel **marzo 2025** come il passo successivo nello sviluppo della famiglia, con enfasi sulla multimodalità e una copertura più ampia dei task<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)</sup>.

- **Multimodalità**: I modelli hanno ricevuto il supporto per immagini e video come dati di input insieme al testo.
- **Dimensioni e lingue**: La gamma di modelli comprende quattro dimensioni (1B, 4B, 12B, 27B) e supporta fino a 140 lingue<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)</sup>.
- **Finestra di contesto**: Aumentata fino a **128 000 token**<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)</sup>.

Secondo Google, Gemma 3 27B ha ottenuto risultati al livello dei migliori modelli aperti del suo tempo, cedendo nelle classifiche solo a modelli specializzati come DeepSeek-R1<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)</sup>.

## Architettura e caratteristiche tecniche

I modelli Gemma si basano sull'architettura transformer nella configurazione **«solo decoder»** (*decoder-only*), analoga ai modelli GPT<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-gemma-arch-overview-7)</sup>. Ciò significa che il modello genera testo in modo autoregressivo, prevedendo il token successivo sulla base di tutti i precedenti. Le principali scelte tecniche comprendono:

- **Embedding posizionali rotazionali (RoPE)**: Al posto degli embedding posizionali assoluti vengono utilizzati i RoPE, che consentono di codificare in modo efficiente le informazioni posizionali.
- **Multi-query e Grouped-query attention**: Per accelerare l'elaborazione e risparmiare memoria nei modelli più piccoli (ad esempio Gemma 2B) viene utilizzato il *multi-query attention* (unica chiave/valore per tutte le teste di attenzione). In Gemma 2 è stato introdotto il meccanismo di *grouped-query attention*, in cui le query sono suddivise in gruppi, rappresentando un compromesso tra velocità e qualità<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-gemma-arch-overview-7)</sup>.
- **Schema di attenzione alternato**: In Gemma 2 è implementato uno schema in cui i livelli con auto-attenzione globale si alternano a livelli con una «finestra scorrevole» limitata, consentendo di elaborare efficacemente contesti lunghi<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.

## Famiglia di modelli e varianti

Oltre ai modelli base universali, Google ha rilasciato diverse versioni derivate di Gemma, ottimizzate per task specifici.

- **CodeGemma**: Modello per la generazione e il completamento di codice sorgente, con supporto per C++, C#, Go, Java, JavaScript, Python, Rust e altri linguaggi<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **DataGemma**: Famiglia di modelli sottoposti a fine-tuning per l'integrazione con dati esterni tramite tecniche RAG. Il modello è in grado di eseguire query su database (ad esempio Google Data Commons) per migliorare l'accuratezza fattuale delle risposte<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **PaliGemma**: Modello multimodale in grado di ricevere in input immagini e testo. È destinato a task di visual question answering, come la descrizione di immagini e il riconoscimento di oggetti<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **RecurrentGemma**: Variante sperimentale con architettura ibrida *Griffin*, che combina attenzione locale e connessioni ricorrenti lineari. Ciò consente di accelerare significativamente la generazione di sequenze lunghe<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-gemma-arch-overview-7)</sup>.
- **MedGemma**: Versione specializzata di Gemma 3 per l'ambito medico. Include modelli multimodali (4B) e testuali (27B) per l'analisi di immagini mediche (radiografie, sezioni) e documenti clinici. I modelli sono distribuiti come open, ma non sono destinati all'uso clinico diretto senza un'ulteriore validazione<sup>[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-infoq-medgemma-8)</sup>.
- **DolphinGemma**: Progetto di ricerca sull'applicazione delle tecnologie Gemma per la decodifica delle comunicazioni dei delfini. Il modello è addestrato su registrazioni audio pluriennali e viene utilizzato per individuare pattern nel linguaggio animale<sup>[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-smithsonian-dolphin-9)</sup>.

## Disponibilità e applicazioni

I modelli Gemma sono disponibili sulle piattaforme **Kaggle** e **Hugging Face**, e sono inoltre integrati nei servizi **Google Colab** e **Vertex AI Model Garden**<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>. Per accelerare l'inferenza, Google, in collaborazione con NVIDIA, ha adattato i modelli per TensorRT. Le condizioni di licenza di Gemma consentono l'**uso commerciale** e la modifica dei modelli, distinguendoli da alcuni altri progetti aperti. La distribuzione è regolata dalla licenza **Responsible AI License**, che impone restrizioni sull'utilizzo in determinati ambiti (ad esempio lo sviluppo di armi) e richiede ai prodotti derivati il rispetto dei principi di applicazione sicura ed etica dell'IA<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-verge-gemma-gemini-3)</sup>.

## Sicurezza e responsabilità

Gli sviluppatori hanno dedicato grande attenzione alle questioni di sicurezza, considerando la natura aperta dei modelli.

- **Filtraggio dei dati**: Durante la preparazione dei dataset di addestramento, i dati personali e altre informazioni sensibili sono stati filtrati automaticamente per ridurre il rischio di violazioni della privacy<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>.
- **Allineamento (Alignment)**: Le versioni con fine-tuning su istruzioni hanno subito un allineamento multi-fase tramite le tecniche *Supervised Fine-Tuning (SFT)* e RLHF (Reinforcement Learning from Human Feedback) per consolidare gli stili di risposta preferibili<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **Red Teaming**: Prima del rilascio, i modelli sono stati sottoposti a verifiche approfondite sulla resistenza a richieste malintenzionate. Gli esperti hanno tentato di provocare la generazione di contenuti pericolosi o indesiderati per individuare vulnerabilità<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-verge-gemma-gemini-3)</sup>.
- **Strumentario Responsible AI Toolkit**: Insieme ai modelli, Google ha rilasciato un set di strumenti per facilitare il deployment sicuro, inclusa l'utilità **Gemma Debugger** per l'analisi degli stati interni del modello e classificatori di contenuti indesiderati<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-google-blog-intro-2)</sup>.
- **ShieldGemma**: Modello-filtro specializzato, destinato a prevenire la generazione di contenuti non sicuri nelle versioni multimodali di Gemma<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(IT)#cite_note-venturebeat-gemma3-6)</sup>.

## Collegamenti esterni

- Pagina ufficiale di Gemma sul sito Google AI
- Modelli Gemma su Hugging Face

## Bibliografia

- 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.

## Note

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