---
title: "Gemma (Google) (PT)"
source: "https://systems-analysis.info/int/Gemma_(Google)_(PT)"
wiki: "systems-analysis.info/int"
article: "Gemma_(Google)_(PT)"
language: "pt"
categories:
  - "Category:Google"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Portuguese"
revision_id: 2562
wiki_created_at: 2026-09-06T23:06:10Z
wiki_modified_at: 2026-09-06T23:06:10Z
downloaded_at: 2026-09-07T22:52:09Z
---

# Gemma (Google) (PT)

**Gemma** é uma família de modelos de linguagem de acesso livre, desenvolvidos e lançados pela Google (divisão Google DeepMind). Os modelos Gemma são baseados na mesma pesquisa e tecnologia da família principal Gemini e são posicionados como suas versões leves e de alto desempenho<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>. O nome vem da palavra latina *gemma*, que significa "pedra preciosa"<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>.

Gemma pertence à categoria de *open models* (modelos abertos): a Google publica os pesos dos modelos, permitindo que pesquisadores e desenvolvedores os utilizem, re-treinem e distribuam livremente, inclusive em projetos comerciais, desde que cumpram as condições de uso responsável<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>. Essa é uma diferença fundamental em relação aos modelos Gemini, cujo acesso é possível apenas por meio de APIs na nuvem. Os modelos Gemma podem ser executados localmente em hardware de consumo (laptops, desktops com GPU), e não apenas em data centers<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-verge-gemma-gemini-3)</sup>.

## Desenvolvimento e lançamentos

A família Gemma inclui várias gerações de modelos, cada uma trazendo melhorias na arquitetura, desempenho e capacidades.

### Primeira geração: Gemma 1

A primeira versão do Gemma foi lançada em **21 de fevereiro de 2024**<sup>[\[4\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-techcrunch-launch-4)</sup>. Ela incluía dois modelos de texto baseados na arquitetura de transformer somente decodificador:

- **Gemma 2B** (2 bilhões de parâmetros)
- **Gemma 7B** (7 bilhões de parâmetros)

Na época do lançamento, a Google afirmou que esses modelos superavam análogos significativamente maiores nos principais benchmarks<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>. Os modelos originais eram predominantemente em inglês, mas foram treinados em uma variedade de dados, incluindo documentos da web, código de programação e problemas matemáticos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>. Ambos os modelos foram lançados em duas variantes: uma base (*pre-trained*) e uma ajustada por instruções (*instruction-tuned*) para seguir melhor os comandos do usuário<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>.

### Segunda geração: Gemma 2

O Gemma 2 foi anunciado em **27 de junho de 2024** e trouxe melhorias significativas<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.

- **Tamanhos dos modelos**: Foram lançados modelos com **9 e 27 bilhões de parâmetros**. As variantes menores foram treinadas usando a técnica de destilação de conhecimento de um modelo maior para melhorar a qualidade<sup>[\[5\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-gemma2-report-5)</sup>.
- **Janela de contexto**: Foi significativamente expandida para **80.000 tokens** (em comparação com 8.192 na primeira versão)<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-gemma-arch-overview-7)</sup>.
- **Melhorias arquitetônicas**: Foram introduzidos mecanismos de *grouped-query attention* e um esquema alternado de atenção local e global para um trabalho eficiente com contextos longos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.

### Terceira geração: Gemma 3

O Gemma 3 foi apresentado em **março de 2025** como o próximo passo no desenvolvimento da família, com foco em multimodalidade e uma cobertura ampliada de tarefas<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)</sup>.

- **Multimodalidade**: Os modelos passaram a suportar imagens e vídeos como dados de entrada, juntamente com texto.
- **Tamanhos e idiomas**: A linha de modelos abrange quatro tamanhos (1B, 4B, 12B, 27B) e suporta até 140 idiomas<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)</sup>.
- **Janela de contexto**: Aumentada para **128.000 tokens**<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)</sup>.

Segundo a Google, o Gemma 3 27B demonstrou resultados no nível dos melhores modelos abertos de sua época, sendo superado nos rankings apenas por modelos especializados como o DeepSeek-R1<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)</sup>.

## Arquitetura e características técnicas

Os modelos Gemma são baseados na arquitetura transformer na configuração **"somente decodificador"** (*decoder-only*), semelhante aos modelos GPT<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-gemma-arch-overview-7)</sup>. Isso significa que o modelo gera texto de forma autorregressiva, prevendo o próximo token com base em todos os anteriores. As principais soluções técnicas incluem:

- **Embeddings de posição rotacionais (RoPE)**: Em vez de embeddings de posição absolutos, são usados os RoPE, que permitem codificar eficientemente a informação posicional.
- **Multi-query e Grouped-query attention**: Para aceleração e economia de memória em modelos menores (como o Gemma 2B), é utilizada a *multi-query attention* (uma única chave/valor para todas as cabeças de atenção). No Gemma 2, foi implementado o mecanismo de *grouped-query attention*, onde as consultas são divididas em grupos, o que representa um compromisso entre velocidade e qualidade<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-gemma-arch-overview-7)</sup>.
- **Esquema de atenção alternado**: No Gemma 2, foi implementado um esquema onde camadas com auto-atenção global se alternam com camadas de "janela deslizante" limitada, permitindo o processamento eficiente de contextos longos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.

## Família de modelos e variantes

Além dos modelos básicos universais, a Google lançou várias versões derivadas do Gemma, otimizadas para tarefas específicas.

- **CodeGemma**: Um modelo para geração e completação de código de programação, compatível com C++, C#, Go, Java, JavaScript, Python, Rust e outras linguagens<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **DataGemma**: Uma família de modelos re-treinados para integração com dados externos usando técnicas de RAG. O modelo é capaz de realizar consultas a bancos de dados (por exemplo, Google Data Commons) para aumentar a precisão factual das respostas<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **PaliGemma**: Um modelo multimodal capaz de receber imagens e texto como entrada. Ele é projetado para tarefas de interação visual de perguntas e respostas, como descrição de imagens e reconhecimento de objetos<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **RecurrentGemma**: Uma variante experimental com uma arquitetura híbrida *Griffin*, que combina atenção local e conexões recorrentes lineares. Isso permite acelerar significativamente a geração de sequências longas<sup>[\[7\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-gemma-arch-overview-7)</sup>.
- **MedGemma**: Uma versão especializada do Gemma 3 para a área médica. Inclui modelos multimodais (4B) e de texto (27B) para análise de imagens médicas (radiografias, tomografias) e documentos clínicos. Os modelos são distribuídos como abertos, mas não se destinam ao uso clínico direto sem validação adicional<sup>[\[8\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-infoq-medgemma-8)</sup>.
- **DolphinGemma**: Um projeto de pesquisa para aplicar as tecnologias Gemma na decodificação da comunicação de golfinhos. O modelo foi treinado com gravações de áudio de vários anos e é usado para identificar padrões na linguagem animal<sup>[\[9\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-smithsonian-dolphin-9)</sup>.

## Disponibilidade e aplicação

Os modelos Gemma estão disponíveis nas plataformas **Kaggle** e **Hugging Face**, além de estarem integrados aos serviços **Google Colab** e **Vertex AI Model Garden**<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>. Para acelerar a inferência, a Google, em colaboração com a NVIDIA, adaptou os modelos para o TensorRT. Os termos de licenciamento do Gemma permitem o **uso comercial** e a modificação dos modelos, o que os diferencia de alguns outros projetos abertos. A distribuição é regulada pela licença **Responsible AI License**, que impõe restrições ao uso em certas áreas (por exemplo, desenvolvimento de armas) e exige que os produtos derivados cumpram os princípios de aplicação segura e ética da IA<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-verge-gemma-gemini-3)</sup>.

## Segurança e responsabilidade

Os desenvolvedores dedicaram grande atenção às questões de segurança, considerando a natureza aberta dos modelos.

- **Filtragem de dados**: Durante a preparação dos conjuntos de dados de treinamento, dados pessoais e outras informações sensíveis foram filtrados automaticamente para reduzir o risco de vazamentos<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>.
- **Alinhamento (Alignment)**: As versões instrucionais dos modelos passaram por um alinhamento multifásico usando as técnicas de *Supervised Fine-Tuning (SFT)* e RLHF (aprendizagem por reforço com feedback humano) para consolidar estilos de resposta preferenciais<sup>[\[1\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-ibm-what-is-gemma-1)</sup>.
- **Red Teaming**: Antes do lançamento, os modelos foram submetidos a testes aprofundados de resistência a solicitações maliciosas. Especialistas tentaram provocar a geração de conteúdo perigoso ou indesejado para identificar vulnerabilidades<sup>[\[3\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-verge-gemma-gemini-3)</sup>.
- **Kit de ferramentas de IA Responsável (Responsible AI Toolkit)**: Juntamente com os modelos, a Google lançou um conjunto de ferramentas para facilitar a implementação segura, incluindo o utilitário **Gemma Debugger** para analisar os estados internos do modelo e classificadores de conteúdo indesejado<sup>[\[2\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-google-blog-intro-2)</sup>.
- **ShieldGemma**: Um modelo de filtro especializado, projetado para prevenir a geração de conteúdo inseguro nas versões multimodais do Gemma<sup>[\[6\]](https://systems-analysis.info/int/Gemma_(Google)_(PT)#cite_note-venturebeat-gemma3-6)</sup>.

## Ligações externas

- <a href="https://ai.google/gemma/" class="external text" rel="nofollow">Página oficial do Gemma no site da Google AI</a>
- <a href="https://huggingface.co/collections/google/gemma-65d5ef18339f5c493c7a36f4" class="external text" rel="nofollow">Modelos Gemma no Hugging Face</a>

## Literatura

- 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>.

## Notas

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