--- title: "Gemma (Google) (PL)" source: "https://systems-analysis.info/int/Gemma_(Google)_(PL)" wiki: "systems-analysis.info/int" article: "Gemma_(Google)_(PL)" language: "pl" categories: - "Category:Google" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:Polish" revision_id: 2561 wiki_created_at: 2026-09-06T23:06:09Z wiki_modified_at: 2026-09-06T23:06:09Z downloaded_at: 2026-09-07T22:52:08Z --- # Gemma (Google) (PL) **Gemma** — to rodzina swobodnie dostępnych modeli językowych, opracowanych i wydanych przez firmę Google (oddział Google DeepMind). Modele Gemma opierają się na tej samej bazie badawczej i technologicznej co flagowa rodzina Gemini i są pozycjonowane jako ich lekkie, wysokowydajne wersje[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). Nazwa pochodzi od łacińskiego słowa *gemma*, oznaczającego „klejnot"[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). Gemma należy do kategorii *open models* (modeli otwartych): Google publikuje wagi modeli, co pozwala badaczom i programistom swobodnie je wykorzystywać, doszkalać i rozpowszechniać, w tym w projektach komercyjnych, przy zachowaniu warunków odpowiedzialnego użytkowania[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). Jest to kluczowa różnica w stosunku do modeli Gemini, dostęp do których możliwy jest wyłącznie przez chmurowe API. Modele Gemma mogą działać lokalnie na sprzęcie konsumenckim (laptopach, komputerach stacjonarnych z GPU), a nie tylko w centrach danych[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-verge-gemma-gemini-3). ## Rozwój i wydania Rodzina Gemma obejmuje kilka generacji modeli, z których każda wnosiła ulepszenia w architekturze, wydajności i możliwościach. ### Pierwsza generacja: Gemma 1 Pierwsza wersja Gemma została wydana **21 lutego 2024 roku**[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-techcrunch-launch-4). W jej skład weszły dwa modele tekstowe oparte na architekturze transformera dekodującego: - **Gemma 2B** (2 miliardy parametrów) - **Gemma 7B** (7 miliardów parametrów) W momencie premiery Google twierdziła, że modele te przewyższają znacznie większe odpowiedniki w kluczowych benchmark'ach[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). Pierwotne modele były przede wszystkim anglojęzyczne, lecz trenowano je na zróżnicowanych danych, obejmujących dokumenty webowe, kod programistyczny i zadania matematyczne[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). Oba modele zostały wydane w dwóch wariantach: bazowym (*pre-trained*) oraz dostrojonym instrukcyjnie (*instruction-tuned*) dla lepszego wykonywania poleceń użytkownika[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). ### Druga generacja: Gemma 2 Gemma 2 została zapowiedziana **27 czerwca 2024 roku** i przyniosła znaczące ulepszenia[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). - **Rozmiary modeli**: Wydano modele o **9 i 27 miliardach parametrów**. Mniejsze warianty trenowano z zastosowaniem metody destylacji wiedzy z większego modelu w celu poprawy jakości[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-gemma2-report-5). - **Okno kontekstowe**: Zostało znacznie rozszerzone do **80 000 tokenów** (w porównaniu z 8192 w pierwszej wersji)[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-gemma-arch-overview-7). - **Ulepszenia architektoniczne**: Wprowadzono mechanizmy *grouped-query attention* oraz naprzemienną strukturę lokalnej i globalnej uwagi dla efektywnej pracy z długim kontekstem[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). ### Trzecia generacja: Gemma 3 Gemma 3 została zaprezentowana w **marcu 2025 roku** jako kolejny krok w rozwoju rodziny, z naciskiem na multimodalność i rozszerzony zakres zadań[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6). - **Multimodalność**: Modele uzyskały wsparcie dla obrazów i wideo jako danych wejściowych obok tekstu. - **Rozmiary i języki**: Linia modelowa obejmuje cztery rozmiary (1B, 4B, 12B, 27B) i obsługuje do 140 języków[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6). - **Okno kontekstowe**: Zwiększone do **128 000 tokenów**[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6). Zgodnie z danymi Google, Gemma 3 27B osiągnęła wyniki na poziomie najlepszych otwartych modeli swojego czasu, ustępując w rankingach jedynie wyspecjalizowanym modelom, takim jak DeepSeek-R1[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6). ## Architektura i cechy techniczne Modele Gemma opierają się na architekturze transformera w konfiguracji **„tylko dekoder"** (*decoder-only*), analogicznej do modeli GPT[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-gemma-arch-overview-7). Oznacza to, że model generuje tekst autoregresyjnie, przewidując następny token na podstawie wszystkich poprzednich. Kluczowe rozwiązania techniczne obejmują: - **Rotacyjne pozycyjne embedding'i (RoPE)**: Zamiast bezwzględnych pozycyjnych embedding'ów stosowane są RoPE, co pozwala efektywnie kodować informacje pozycyjne. - **Multi-query i Grouped-query attention**: W celu przyspieszenia i oszczędności pamięci w mniejszych modelach (np. Gemma 2B) stosowany jest *multi-query attention* (wspólny klucz/wartość dla wszystkich głowic uwagi). W Gemma 2 wprowadzono mechanizm *grouped-query attention*, w którym zapytania są dzielone na grupy, stanowiąc kompromis między szybkością a jakością[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-gemma-arch-overview-7). - **Naprzemienna struktura uwagi**: W Gemma 2 zrealizowano schemat, w którym warstwy z globalną uwagą własną przeplatają się z warstwami z ograniczonym „przesuwnym oknem", co pozwala efektywnie przetwarzać długie konteksty[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). ## Rodzina modeli i warianty Oprócz uniwersalnych modeli bazowych Google wydało kilka pochodnych wersji Gemma, zoptymalizowanych pod konkretne zadania. - **CodeGemma**: Model do generowania i uzupełniania kodu programistycznego, obsługujący C++, C#, Go, Java, JavaScript, Python, Rust i inne języki[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). - **DataGemma**: Rodzina modeli dostrojonych do integracji z zewnętrznymi danymi z wykorzystaniem technik RAG. Model jest w stanie wykonywać zapytania do baz danych (np. Google Data Commons) w celu zwiększenia faktycznej dokładności odpowiedzi[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). - **PaliGemma**: Multimodalny model zdolny do przyjmowania na wejście obrazów i tekstu. Przeznaczony jest do zadań wizualnego pytania i odpowiedzi, takich jak opisywanie obrazów i rozpoznawanie obiektów[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). - **RecurrentGemma**: Eksperymentalny wariant z hybrydową architekturą *Griffin*, łączącą lokalną uwagę i liniowe połączenia rekurencyjne. Pozwala to znacznie przyspieszyć generowanie długich sekwencji[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-gemma-arch-overview-7). - **MedGemma**: Wyspecjalizowana wersja Gemma 3 dla dziedziny medycznej. Obejmuje modele multimodalne (4B) i tekstowe (27B) do analizy obrazów medycznych (zdjęć rentgenowskich, przekrojów) oraz dokumentów klinicznych. Modele są rozpowszechniane jako otwarte, lecz nie są przeznaczone do bezpośredniego zastosowania klinicznego bez dodatkowej walidacji[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-infoq-medgemma-8). - **DolphinGemma**: Projekt badawczy dotyczący zastosowania technologii Gemma do rozszyfrowywania komunikacji delfinów. Model wytrenowano na wieloletnich nagraniach audio i wykorzystywany jest do wykrywania wzorców w języku zwierząt[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-smithsonian-dolphin-9). ## Dostępność i zastosowanie Modele Gemma dostępne są na platformach **Kaggle** i **Hugging Face**, a także zintegrowane z usługami **Google Colab** i **Vertex AI Model Garden**[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). W celu przyspieszenia inferencji Google we współpracy z NVIDIA przeprowadziła adaptację modeli pod TensorRT. Warunki licencyjne Gemma dopuszczają **komercyjne użytkowanie** i modyfikację modeli, co odróżnia je od niektórych innych otwartych projektów. Dystrybucja regulowana jest licencją **Responsible AI License**, która nakłada ograniczenia na użytkowanie w określonych obszarach (np. tworzenie broni) i wymaga od produktów pochodnych przestrzegania zasad bezpiecznego i etycznego stosowania AI[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-verge-gemma-gemini-3). ## Bezpieczeństwo i odpowiedzialność Twórcy poświęcili dużą uwagę kwestiom bezpieczeństwa, uwzględniając otwarty charakter modeli. - **Filtrowanie danych**: Podczas przygotowywania dataset'ów treningowych automatycznie odfiltrowano dane osobowe i inne wrażliwe informacje w celu zmniejszenia ryzyka ich wycieku[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). - **Wyrównywanie (Alignment)**: Instrukcyjne wersje modeli przeszły wieloetapowe wyrównywanie z wykorzystaniem metod *Supervised Fine-Tuning (SFT)* i RLHF (uczenie ze wzmocnieniem na podstawie informacji zwrotnej od człowieka) w celu utrwalenia preferowanych stylów odpowiedzi[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-ibm-what-is-gemma-1). - **Red Teaming**: Przed wydaniem modele zostały poddane dogłębnej weryfikacji pod kątem odporności na złośliwe zapytania. Eksperci próbowali sprowokować generowanie niebezpiecznych lub niepożądanych treści w celu wykrycia podatności[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-verge-gemma-gemini-3). - **Zestaw narzędzi Responsible AI Toolkit**: Wraz z modelami Google wydało zestaw narzędzi ułatwiających bezpieczne wdrożenie, w tym narzędzie **Gemma Debugger** do analizy wewnętrznych stanów modelu oraz klasyfikatory niepożądanych treści[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-google-blog-intro-2). - **ShieldGemma**: Wyspecjalizowany model-filtr przeznaczony do zapobiegania generowaniu niebezpiecznych treści w multimodalnych wersjach Gemma[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_note-venturebeat-gemma3-6). ## Odnośniki - Oficjalna strona Gemma w serwisie Google AI - Modele Gemma na Hugging Face ## Literatura - 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. ## Przypisy 1. ↑ [1.00](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-0) [1.01](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-1) [1.02](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-2) [1.03](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-3) [1.04](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-4) [1.05](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-5) [1.06](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-6) [1.07](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-7) [1.08](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-8) [1.09](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-ibm-what-is-gemma_1-9) «What Is Google Gemma?». *IBM*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-0) [2.1](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-1) [2.2](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-2) [2.3](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-3) [2.4](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-4) [2.5](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-google-blog-intro_2-5) [2.6](https://systems-analysis.info/int/Gemma_(Google)_(PL)#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)_(PL)#cite_ref-verge-gemma-gemini_3-0) [3.1](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-verge-gemma-gemini_3-1) [3.2](https://systems-analysis.info/int/Gemma_(Google)_(PL)#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)_(PL)#cite_ref-techcrunch-launch_4-0) «Google launches two new open LLMs». *TechCrunch*. [4] 5. [↑](https://systems-analysis.info/int/Gemma_(Google)_(PL)#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)_(PL)#cite_ref-venturebeat-gemma3_6-0) [6.1](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-venturebeat-gemma3_6-1) [6.2](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-venturebeat-gemma3_6-2) [6.3](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-venturebeat-gemma3_6-3) [6.4](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-venturebeat-gemma3_6-4) [6.5](https://systems-analysis.info/int/Gemma_(Google)_(PL)#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)_(PL)#cite_ref-gemma-arch-overview_7-0) [7.1](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-gemma-arch-overview_7-1) [7.2](https://systems-analysis.info/int/Gemma_(Google)_(PL)#cite_ref-gemma-arch-overview_7-2) [7.3](https://systems-analysis.info/int/Gemma_(Google)_(PL)#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)_(PL)#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)_(PL)#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]