LLM Gemma

Gemma 2 9B

9B параметров · Transformer · Контекст 8k · Google · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 18 ГБ Максимальное Для продакшена
FP8 9 ГБ Отличное Оптимально
INT8 9 ГБ Хорошее
INT4/Q4 5 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-2-9b-it \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Google
Год выпуска
2024
Параметры
9B
Архитектура
Transformer
Контекстное окно
8,192 токенов
Лицензия
Gemma

Применение

Instruction following Text summarization Chatbots Code generation

Gemma 2 9B занимает золотую середину в семействе Gemma 2: заметно умнее типичных 7–8B на ряде бенчмарков, но без прыжка в инфраструктуру уровня 27B. Её часто выбирают для продуктовых чат-ботов, внутренних ассистентов и задач с умеренным reasoning, где важна предсказуемость и качество инструкций. В обучении использовалась дистилляция знаний от более крупной Gemma 2 27B, что помогает «выжать» качество из среднего размера.

Контекст 8192; instruct: google/gemma-2-9b-it.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Gemma 2 9B в fp16 рекомендуем RTX 4090 (24 ГБ) или A100 / H100 с запасом по памяти. 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-2-9b-it \
  --dtype auto \
  --max-model-len 8192

Альтернативно, для быстрого старта используйте Ollama:

ollama run gemma2:9b

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemma-2-9b-it",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • Если упираетесь в 24 ГБ, оставьте --dtype auto и снизьте параллелизм запросов — KV-cache растёт с длиной диалога.
  • Для стабильного качества следите за chat template на клиенте: Gemma чувствительна к формату ролей.
  • Для batch-задач полезно отдельно настроить лимиты на уровне API-шлюза, чтобы не убить latency интерактивным трафиком.