LLM Gemma

Gemma 3 12B

12B параметров · Transformer · Контекст 128k · Google · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 24 ГБ Максимальное Для продакшена
FP8 12 ГБ Отличное Оптимально
INT8 12 ГБ Хорошее
INT4/Q4 6 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-3-12b-it \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Google
Год выпуска
2025
Параметры
12B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Gemma

Применение

Instruction following Multimodal understanding Code generation Text analysis

Gemma 3 12B — шаг Google к «одной модели на продукт»: помимо текста она умеет воспринимать изображения, а 128k контекста открывает сценарии вроде длинных отчётов, многостраничных PDF и цепочек tool-calls. По сравнению с Gemma 2 заметно сильнее держит reasoning и структурирование ответа, оставаясь в весовом классе, который ещё реалистично поднять на одной мощной карте или компактном кластере. Для команд, которым нужен vision+text без немедленного прыжка на 27B+, это часто оптимальная точка.

Instruct-чекпоинт: google/gemma-3-12b-it; заявленное окно 128k (на практике max model len настраивайте под память и профиль нагрузки).

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Gemma 3 12B в fp16 ориентируйтесь на RTX 4090 или A100 / H100 с достаточным VRAM под веса и кэш. 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-3-12b-it \
  --dtype auto \
  --max-model-len 131072

Для vision-запросов убедитесь, что используемая версия vLLM и конфиг модели поддерживают мультимодальный OpenAI-совместимый endpoint (при необходимости сверьтесь с документацией vLLM для Gemma 3).

Альтернативно, для быстрого старта используйте Ollama:

ollama run gemma3:12b

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemma-3-12b-it",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • 128k «в полный рост» редко бывает нужен сразу: начните с меньшего --max-model-len и масштабируйте после замеров памяти.
  • Мультимодальные запросы обычно дороже по памяти и задержке — держите отдельные лимиты для image+text трафика.
  • Если качество на русском критично, добавляйте явные инструкции о языке ответа и формате (JSON/Markdown) в system prompt.