Gemma (Google)
La typographie de cet article ou de cette section ne respecte pas les conventions de Wikipédia ().
Gemma est une suite de petits modèles open source d'intelligence artificielle générative (AIg) créés par Google à partir des technologies de Gemini, offrant de solides performances en compréhension du langage, raisonnement et sécurité tout en surpassant la plupart des modèles de taille comparable entre 2024 et au moins mi-2026. Ces modèle se veulent légers, efficaces et exécutables localement sur des appareils aux ressources limitées, s'inscrivant dans la stratégie de Google visant à démocratiser l'IA générative on‑device (embarquée), en complément des modèles plus volumineux de la gamme Gemini[1].
| Créateur | |
|---|---|
| Développé par | Google DeepMind |
| Première version | Gemma 1 (dérivé de Gemini) () |
| État du projet | Actif |
| Système d'exploitation |
Windows, macOS, Linux (Web) Android (Application) iOS (Application) |
Historique
modifierGoogle annonce Gemma 1 en février 2024, comme début d'une série de modèles de langage optimisés pour fonctionner en mode embarquée sur des ordinateurs personnels, des serveurs légers et d'autres environnements légers.
Les versions Gemma 2B à Gemma 7B sont publiées sous licence open source, accompagnées d'outils de fine‑tuning et d'outils d'inférence locale[2].
En 2025 et 2026, Google étend cette gamme avec Gemma 2 puis Gemma 3, puis Gemma 4 qui améliorent les performances, la gestion du contexte et l'efficacité énergétique, tout en conservant une empreinte matérielle réduite. Gemma 4 est un très grand modèle (31 milliards de paramètres) entrainé sur des processeurs TPU de Google (plus rapides et moins chers que les cartes graphiques classiques) et une méthode complète a été publiée pour que d'autres puissent faire de même[3].
Caractéristiques
modifierLa première version était entraînée sur jusqu'à 6 000 milliards de tokens et déclinée en versions 7 B et 2 B paramètres pour permettre une exécution efficace sur GPU/TPU ou directement sur CPU et appareils embarqués ; avec des checkpoints pré‑entraînés et affinés destinés à la recherche, au dialogue et à la réponse à des prompts en mode suivi d'instructions[1].
Les modèles Gemma sont conçus pour :
- - fonctionner localement sur CPU, GPU ou NPU selon les appareils ;
- - réduire la dépendance au cloud et les coûts d'inférence ;
- - offrir une latence minimale pour les usages interactifs ;
- - permettre une intégration dans des systèmes embarqués et objets connectés ;
- - être modifiables et ré‑entraînables grâce à leur disponibilité open source.
Gemma est compatible avec les principaux frameworks d'IA (TensorFlow, JAX, PyTorch) et peut être déployé sur des environnements variés, du poste de travail aux micro‑serveurs.
Coral Board et exécution embarquée
modifierLors de son évènement annuel Google I/O 2026, Google a dévoilé la Coral Board (mini‑ordinateur monocarte destiné à l'IA embarquée), conçue pour exécuter des modèles tels que Gemma 3 directement sur l'appareil, sans recours au cloud, avec :
- - un format compact orienté vers l'IA embarquée ;
- - une compatibilité avec Gemma 3 et d'autres modèles propriétaires de Google ;
- - l'exécution on‑device (sans besoin de connexion Internet) ;
- - une latence très faible et des coûts d'inférence quasi nuls.
Applications
modifierCes modèles (Gemma) peuvent être utilisés dans divers domaines :
- - Assistant personnel intelligent et agent conversationnel ;
- - traitement du langage naturel embarqué ;
- - robotique légère et systèmes IoT ;
- - applications hors‑ligne nécessitant confidentialité et faible latence ;
- - prototypage et recherche en IA open source.
CodeGemma est une version spéciale de Gemma faite pour programmer : elle peut écrire du code, compléter des programmes et comprendre des consignes en langage naturel, avec un grand modèle (7B) très bon en raisonnement et un petit modèle (2B) pour aider à coder plus rapidement[4].
Sécurité
modifierGoogle deep mind souligne que Gemma 4 bénéficie des mêmes protocoles de sécurité que ses modèles propriétaires, offrant une base transparente et fiable pour les entreprises et organisations souveraines . Les modèles sont disponibles via plusieurs plateformes (Hugging Face, Ollama, Kaggle, LM Studio, Docker) et intégrables dans l'écosystème Google AI[5].
Ce modèle ouvert est préentraîné en utilisant la confidentialité différentielle (pour éviter la mémorisation et la fuite d'exemples de données d'entraînement)[6]
Références
modifier- 1 2 (en) Gemma Team et Thomas Mesnard, « Gemma: Open Models Based on Gemini Research and Technology », sur arXiv.org, (consulté le )
- ↑ Gemma Team, Morgane Riviere, Shreya Pathak et Pier Giuseppe Sessa, Gemma 2: Improving Open Language Models at a Practical Size, (DOI 10.48550/arXiv.2408.00118).
- ↑ Jatin Kishnani, Mayank Goel, Amit Singh et Pulkit Agrawal, Fine-Tuning and Serving Gemma 4 31B on Google Cloud TPU: A Technical Comparison with GPU Baselines, (DOI 10.48550/arXiv.2605.25645, lire en ligne)
- ↑ CodeGemma Team, Heri Zhao, Jeffrey Hui et Joshua Howland, CodeGemma: Open Code Models Based on Gemma, (DOI 10.48550/arXiv.2406.11409, lire en ligne)
- ↑ (en) « Gemma 4 », sur Google DeepMind (consulté le )
- ↑ (en) « VaultGemma », sur Google DeepMind (consulté le )
Voir aussi
modifierArticles connexes
modifierLiens externes
modifier- (en) « Gemmaverse (communauté d'utilisateurs) », sur Google DeepMind (consulté le )
Bibliographie
modifier- (en) Liu Kuo, Yuan Hwa () Optimizing Medical Record Data for Improved Diagnosis Utilizing Large Language Models Gemma 3 to improve Health Disease Care ; ConferencesICBBEProceedingsICBBE '25O ptimizing Medical Record Data for Improved Diagnosis Utilizing Large Language Models Gemma 3 to improve Health Disease Care |pages=160–165 ; éditeur=ACM ; date=2025-11-27 ; isbn=979-8-4007-1965-3 ; doi=10.1145/3794209.3794281 ; consulté le=2026-05-31
