LLM Gemma

Gemma 2 27B

27B параметров · Transformer · Контекст 8k · Google · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 54 ГБ Максимальное Для продакшена
FP8 27 ГБ Отличное Оптимально
INT8 27 ГБ Хорошее
INT4/Q4 14 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model gemma-2-27b-it \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Google
Год выпуска
2024
Параметры
27B
Архитектура
Transformer
Контекстное окно
8,192 токенов
Лицензия
Gemma

Применение

Reasoning Instruction following Text analysis Chatbots

Gemma 2 27B — флагман линейки Gemma 2 и один из сильнейших открытых dense-вариантов в коридоре 20–30B: хорошо держит reasoning, длинные формулировки инструкций и аккуратный стиль ответа без «болтовни ради объёма». Это рациональный выбор, когда 9B уже не хватает, а прыгать на 70B+ пока рано по бюджету. В продакшене чаще всего появляется в связке с аккуратным prompt engineering и RAG поверх корпоративных документов.

Контекст 8192; instruct: google/gemma-2-27b-it. В fp16 по памяти ближе к 54 ГБ VRAM — планируйте либо карту уровня A100 80GB, либо две 4090 / квантизацию.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Gemma 2 27B в fp16 ориентируйтесь на A100 / H100 или две RTX 4090. Перейдите в каталог GPU и арендуйте инстанс.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model google/gemma-2-27b-it \
  --dtype auto \
  --max-model-len 8192

При двух потребительских GPU добавьте --tensor-parallel-size 2.

Альтернативно, для быстрого старта используйте Ollama:

ollama run gemma2:27b

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemma-2-27b-it",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • На 24 ГБ-картах без TP почти всегда нужен FP8/BF16 mix или квантизация — начинайте с --dtype auto.
  • Если качество «плывёт» на длинных диалогах, уменьшите число одновременных сессий: это часто дешевле, чем гонять max len.
  • Для продакшн-SLO разделите интерактив и batch по разным пулах инстансов.