LLM Gemma

Gemma 3 27B

27B параметров · Transformer · Контекст 128k · Google · 2025

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-3-27b-it \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Google
Год выпуска
2025
Параметры
27B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Gemma

Применение

Reasoning Multimodal understanding Code generation Complex instruction following

Gemma 3 27B — вершина открытой тройки Gemma 3 на момент релиза: сочетает сильный reasoning, уверенную работу с изображениями и длинный контекст, оставаясь в классе, который ещё можно эксплуатировать без датацентрового «зоопарка» из десятков GPU. Это модель для сложных ассистентов, многошаговых сценариев и аналитики документов, где 12B уже начинает упираться в потолок. В продакшене выигрывает от дисциплины в промптах и аккуратной политике безопасности на границе user content.

Чекпоинт instruct: google/gemma-3-27b-it, контекст до 128k; по памяти fp16 ближе к 54 ГБ — планируйте железо с запасом под KV-cache.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Gemma 3 27B в fp16 рекомендуем A100 / H100 или конфигурацию с двумя RTX 4090 при tensor parallel. 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-3-27b-it \
  --dtype auto \
  --max-model-len 131072

На двух GPU добавьте --tensor-parallel-size 2.

Альтернативно, для быстрого старта используйте Ollama:

ollama run gemma3:27b

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemma-3-27b-it",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • Разделите интерактивные и «длинноконтекстные» запросы: одни и те же лимиты часто вредят и latency, и стоимости.
  • Для vision-пайплайна заранее нормализуйте размер изображений на клиенте — это дешевле, чем гонять гигантские вложения через API.
  • Если используете fp8/квантизацию, перепроверьте качество на своих доменных задачах: reasoning и числа могут деградировать точечно.