一聲炸雷深夜炸響，谷歌居然也開源LLM？！這次，重磅開源的Gemma有2B和7B兩種規模，並且采用與Gemini相同的研究和技術構建。有Gemini同源技術的加持，Gemma不僅在相同的規模下實現SOTA的性能。而且更令人印象深刻的是，還能在關鍵基準上越級碾壓更大的模型，比如Llama213B。
與此同時，谷歌還放出16頁的技術報告。
谷歌表示，Gemma這個名字源自拉丁語「gemma」，也就是「寶石」的意思，似乎是在象征著它的珍貴性。歷史上，Transformers、TensorFlow、BERT、T5、JAX、AlphaFold和AlphaCode，都是谷歌為開源社區貢獻的創新。
而谷歌今天在全球范圍內同步推出的Gemma，必然會再一次掀起構建開源AI的熱潮。同時也坐實OpenAI「唯一ClosedAI」的名頭。OpenAI最近剛因為Sora火到爆，Llame據稱也要有大動作，谷歌這就又搶先一步。矽谷大廠，已經卷翻天！Hugging Face CEO也跟帖祝賀。
還貼出Gemma登上Hugging Face熱榜的截圖。
Keras作者François Chollet直言：最強開源大模型，今日易主。
有網友已經親自試用過，表示Gemma 7B真是速度飛快。谷歌簡直是用Gemini拳打GPT-4，用Gemma腳踢Llama 2！
網友們也是看熱鬧不嫌事大，召喚Mistral AI和OpenAI今晚趕快來點大動作，別讓谷歌真的搶頭條。（手動狗頭）
可以看到，Gemma-7B模型在涵蓋一般語言理解、推理、數學和編碼的8項基準測試中，性能已經超越Llama 2 7B和13B！
並且，它也超越Mistral 7B模型的性能，尤其是在數學、科學和編碼相關任務中。
在安全性方面，經過指令微調的Gemma-2B IT和 Gemma-7B IT模型，在人類偏好評估中都超過Mistal-7B v0.2模型。特別是Gemma-7B IT模型，它在理解和執行具體指令方面，表現得更加出色。
這次，除模型本身，谷歌還提供一套工具幫助開發者，確保Gemma模型負責任的使用，幫助開發者用Gemma構建更安全的AI應用程序。
- 谷歌為JAX、PyTorch和TensorFlow提供完整的工具鏈，支持模型推理和監督式微調（SFT），並且完全兼容最新的Keras 3.0。- 通過預置的Colab和Kaggle notebooks，以及與Hugging Face、MaxText、NVIDIA NeMo和TensorRT-LLM等流行工具的集成，用戶可以輕松開始探索Gemma。- Gemma模型既可以在個人筆記本電腦和工作站上運行，也可以在Google Cloud上部署，支持在Vertex AI和Google Kubernetes Engine (GKE) 上的簡易部署。- 谷歌還對Gemma進行跨平臺優化，確保它在NVIDIA GPU和Google Cloud TPU等多種AI硬件上的卓越性能。並且，使用條款為所有組織提供負責任的商業使用和分發權限，不受組織規模的限制。
不過，Gemma並沒有能夠在所有的榜單中，都拿下SOTA。在官方放出的評測中，Gemma 7B在MMLU、HellaSwag、SIQA、CQA、ARC-e、HumanEval、MBPP、GSM8K、MATH和AGIEval中，成功擊敗Llama 2 7B和13B模型。
相比之下，Gemma 7B在Boolq測試中，隻與Mistral 7B打個平手。
而在PIQA、ARC-c、Winogrande和BBH中，則不敵Mistral 7B。
在OBQA和trivalent QA中，更是同時被7B和13B規模的Llama 2 7B斬於馬下。
谷歌這次發佈的兩個版本的Gemma模型，70 億參數的模型用於GPU和TPU上的高效部署和開發，20億參數的模型用於CPU和端側應用程序。在18個基於文本的任務中的11個中，Gemma都優於相似參數規模的開源模型，例如問答、常識推理、數學和科學、編碼等任務。模型架構方面，Gemma在Transformer的基礎上進行幾項改進，從而在處理復雜任務時能夠展現出更加出色的性能和效率。- 多查詢註意力機制其中，7B模型采用多頭註意力機制，而2B模型則使用多查詢註意力機制。結果顯示，這些特定的註意力機制能夠在不同的模型規模上提升性能。- RoPE嵌入與傳統的絕對位置嵌入不同，模型在每一層都使用旋轉位置嵌入技術，並且在模型的輸入和輸出之間共享嵌入，這樣做可以有效減少模型的大小。- GeGLU激活函數將標準的ReLU激活函數替換成GeGLU激活函數，可以提升模型的表現。- 歸一化化位置（Normalizer Location）每個Transformer子層的輸入和輸出都進行歸一化處理。這裡采用的是RMSNorm作為歸一化層，以確保模型的穩定性和效率。架構的核心參數如下：
兩種規模的參數如下：
Gemma 2B和7B分別針對來自網絡文檔、數學和代碼的主要英語數據的2T和6Ttoken，進行訓練。與Gemini不同，這些模型不是多模態的，也沒有針對多語言任務的SOTA進行訓練。谷歌使用Gemini的SentencePiece分詞器的子集，來實現兼容性。團隊對Gemma 2B和7B模型進行微調，包括有監督的微調（SFT）和基於人類反饋的強化學習（RLHF）。在有監督的微調階段，研究者使用一個由純文本、英文、由人工和機器生成的問題-答案對組成的數據集。在強化學習階段，則是使用一個基於英文偏好數據訓練出的獎勵模型，以及一套精心挑選的高質量提示作為策略。研究者發現，這兩個階段對於提升模型在自動評估和人類偏好評估中的表現，至關重要。研究者根據基於LM的並行評估，選擇數據混合物進行監督微調。給定一組保留prompt，研究者會從測試模型中生成響應，從基準模型中生成對相同提示的響應，隨機洗牌，然後要求一個更大、能力更強的模型在兩種響應之間表達偏好。研究者構建不同的提示集，以突出特定的能力，如遵循指令、實事求是、創造性和安全性。我們使用不同的基於LM的自動評委，采用一系列技術，如思維鏈提示、使用評分標準和章程等，以便與人類偏好保持一致。研究者進一步利用來自人類反饋的強化學習（RLHF），對已經進行過有監督微調的模型進行優化。他們從人類評估者那裡收集他們的偏好選擇，並在 Bradley-Terry 模型的基礎上，訓練一個獎勵函數，這與Gemini項目的做法相似。研究者采用一個改進版的REINFORCE算法，加入 Kullback–Leibler 正則化項，目的是讓策略優化這個獎勵函數，同時保持與最初調整模型的一致性。與之前的有監督微調階段相似，為調整超參數並進一步防止獎勵機制被濫用，研究者使用一個高性能模型作為自動評估工具，並將其與基準模型進行直接對比。
谷歌在多個領域對Gemma進行性能評估，包括物理和社會推理、問答、編程、數學、常識推理、語言建模、閱讀理解等。
Gemma2B和7B模型與一系列學術基準測試中的多個外部開源大語言模型進行比較。在MMLU基準測試中，Gemma 7B模型不僅超過所有規模相同或更小的開源模型，還超過一些更大的模型，包括Llama 2 13B。
然而，基準測試的制定者評估人類專傢的表現為89.8%，而Gemini Ultra是首個超越此標準的模型，這表明Gemma在達到Gemini和人類水平的性能上，還有很大的提升空間。並且，Gemma模型在數學和編程的基準測試中表現尤為突出。在通常用於評估模型分析能力的數學任務中，Gemma 模型在GSM8K和更具挑戰性的 MATH基準測試上至少領先其他模型10分。同樣，在HumanEval上，它們至少領先其他開源模型6分。Gemma甚至在MBPP上超過專門進行代碼微調的CodeLLaMA 7B模型的性能（CodeLLaMA得分為41.4%，而 Gemma 7B得分為44.4%）。近期研究發現，即便是經過精心對齊的人工智能模型，也可能遭受新型對抗攻擊，這種攻擊能夠規避現有的對齊措施。這類攻擊有可能使模型行為異常，有時甚至會導致模型重復輸出它在訓練過程中記住的數據。因此，研究者專註於研究模型的「可檢測記憶」能力，這被認為是評估模型記憶能力的一個上限，並已在多項研究中作為通用定義。研究者對Gemma預訓練模型進行記憶測試。具體來說，他們從每個數據集中隨機選擇10,000篇文檔，並使用文檔開頭的50個詞元作為模型的prompt。測試重點是精確記憶，即如果模型能夠基於輸入，精確地生成接下來的50token，與原文完全一致，便認為模型「記住」這段文本。此外，為探測模型是否能夠以改寫的形式記憶信息，研究者還測試模型的「近似記憶」能力，即允許在生成的文本和原文之間存在最多10%的編輯差距。在圖2中，是Gemma的測試結果與體量相近的PaLM和PaLM 2模型的對比。
可以發現，Gemma的記憶率明顯更低（見圖2左側）。不過，通過對整個預訓練數據集的「總記憶量」進行估算，可得一個更為準確的評估結果（見圖2右側）：Gemma在記憶訓練數據方面的表現與PaLM相當。個人信息的記憶化問題尤為關鍵。如圖3所示，研究者並未發現有記憶化的敏感信息。
雖然確實發現一些被歸類為「個人信息」的數據被記憶，但這種情況發生的頻率相對較低。而且這些工具往往會產生許多誤報（因為它們僅通過匹配模式而不考慮上下文），這意味著研究者發現的個人信息量可能被高估。
總的來說，Gemma模型在對話、邏輯推理、數學和代碼生成等多個領域，都有所提升。在MMLU（64.3%）和MBPP（44.4%）的測試中，Gemma不僅展現卓越的性能，還顯示開源大語言模型性能進一步提升的空間。除在標準測試任務上取得的先進性能，谷歌也期待與社區共同推動這一領域的發展。Gemma從Gemini模型計劃中學到很多，包括編碼、數據處理、架構設計、指令優化、基於人類反饋的強化學習以及評估方法。同時，谷歌再次強調使用大語言模型時存在的一系列限制。盡管在標準測試任務上表現優異，但要創建出既穩定又安全、能夠可靠執行預期任務的模型，還需要進一步的研究，包括確保信息的準確性、模型的目標對齊、處理復雜邏輯推理，以及增強模型對惡意輸入的抵抗力。團隊表示，正如Gemini所指出的，需要更具挑戰性和魯棒性的測試基準。