Gemma
Google (Google DeepMind) · Programación · Otro
Gemma es la familia de modelos de IA de peso abierto de Google que puedes descargar y ejecutar en tu propio equipo. Gemma 4 va desde versiones para móvil hasta un modelo de 31B para estaciones de trabajo.
Acerca de Gemma
What Is Gemma
Gemma es la línea de modelos de lenguaje de peso abierto de Google, desarrollada por Google DeepMind sobre la misma investigación que sustenta los modelos cerrados Gemini. La diferencia está en dónde vive el modelo. Gemini funciona en la nube de Google, mientras que los pesos abiertos de Gemma se publican para que cualquiera los descargue, los modifique y los despliegue en sus propias máquinas. Desde el primer lanzamiento, en febrero de 2024, la familia ha superado los 400 millones de descargas y ha generado más de 100.000 variantes creadas por la comunidad.
La generación actual, Gemma 4, llegó el 2 de abril de 2026 con cuatro tamaños. Dos versiones ligeras, E2B y Gemma E4B, apuntan a móviles, placas Raspberry Pi y dispositivos Jetson, y funcionan sin conexión. Dos versiones mayores, un modelo de 26B con mezcla de expertos y un modelo denso de Gemma 31B, apuntan a estaciones de trabajo y servidores. Los cuatro entienden imágenes, y los modelos de borde también aceptan audio.
El giro más importante es legal, no técnico. Gemma 4 pasó de la licencia personalizada de Google, de la que los desarrolladores se quejaron durante un año, a la licencia Gemma Apache 2.0. Esa licencia permite a las empresas usar, modificar y redistribuir los modelos para trabajo comercial sin pedir permiso a Google. Un modelo de 31B ocupa el tercer puesto en la tabla de modelos abiertos de Arena, y Google define la familia como la de mayor capacidad por byte entre los modelos abiertos.
La contrapartida es que los pesos abiertos implican que tú pones el hardware, la configuración y el mantenimiento. No hay producto de chat alojado, ni servicio de soporte, ni garantía de que un ajuste fino concreto iguale a un modelo de nube en todas las tareas.
Getting Started
- Elige un tamaño acorde a tu hardware: E2B o E4B para móviles y placas pequeñas, 26B y 31B para GPU y estaciones de trabajo.
- Descarga los pesos desde los canales oficiales de Google, como Gemma Hugging Face, Kaggle o ModelScope, con los términos de Apache 2.0 a la vista.
- Para ejecutar Gemma en local, carga el modelo en un entorno como Ollama, llama.cpp, LiteRT-LM o una pila de Python, y cuantiza si la memoria va justa.
- Haz ajuste fino con tus propios datos si el modelo base no cubre tu dominio, y luego conéctalo a una app mediante llamadas a funciones o la API. El ajuste fino de Gemma sigue los marcos habituales, así que el flujo resultará familiar.
- Prueba con tu carga de trabajo real antes de publicar, porque la calidad en el dispositivo cambia según el tamaño y la cuantización.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Gemma.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Desarrolladores de apps sin conexión
- Investigadores y curiosos
- Startups con presupuesto ajustado
- Estudiantes de machine learning
Tareas
- Usar un asistente de código local
- Entender voz e imagen en el dispositivo
- Procesar documentos largos
- Montar flujos de agentes
Casos de uso
- Trabajar sin conexión a internet
- Mantener datos sensibles dentro de casa
- Prototipar una función de IA rápido
- Llevar un prototipo al móvil
Funciones clave
Cuatro tamaños para todo el rango de hardware
Gemma 4 cubre el salto de un móvil a un servidor sin salir de la familia. E2B y Gemma E4B mantienen memoria y consumo lo bastante bajos para chips móviles, mientras que el modelo de 26B con mezcla de expertos y el denso Gemma 31B apuntan a estaciones de trabajo y GPU de centro de datos. Tú eliges el tamaño que encaja con el dispositivo que ya tienes.
Licencia Gemma Apache 2.0
El paso a Apache 2.0 es el cambio que pedían los desarrolladores. Puedes usar, modificar y redistribuir los pesos en productos comerciales, y Google no puede reescribir las reglas por su cuenta más adelante. Para los equipos cuyo departamento legal se echaba atrás con los términos antiguos, esa claridad es el factor decisivo.
Eficiencia con mezcla de expertos
El modelo de 26B activa solo unos 3,8B de sus 25,2B parámetros por token, así que corre cerca de la velocidad de un modelo pequeño y conserva buena parte de la calidad de uno grande. En una GPU de consumo ofrece un alto rendimiento, algo que pesa en los bucles de agentes sensibles a la latencia.
Entrada multimodal nativa
Los cuatro modelos leen texto e imágenes, y los de borde aceptan además audio. Un solo modelo transcribe voz, responde sobre una captura y lee un gráfico, en lugar de unir varios modelos especializados. La entrada de resolución variable te deja cambiar detalle por velocidad según sea clasificación u OCR.
Razonamiento y llamadas a funciones
Todos los modelos de la familia admiten un modo de razonamiento que puedes activar, además de llamadas a funciones nativas con salida JSON estructurada. Esa combinación convierte el modelo en la capa de decisión de un agente capaz de planear pasos y llamar herramientas externas sin trucos de prompt.
Ejecución totalmente en el dispositivo
Los modelos de borde funcionan sin conexión en móviles, placas Raspberry Pi y dispositivos Jetson, con el equipo de Pixel trabajando junto a Qualcomm y MediaTek en la optimización. La latencia casi nula y la ausencia de dependencia de red hacen la familia viable para despliegues remotos y sensibles a la privacidad.
Ventajas y desventajas
Ventajas
- La licencia Apache 2.0 despeja la incertidumbre legal que frenaba versiones anteriores de Gemma.
- Los tamaños van de gama móvil a estación de trabajo, así que una familia cubre muchos presupuestos de hardware.
- La entrada multimodal nativa y las llamadas a funciones evitan tener que añadir otros modelos.
- La versión de 26B con mezcla de expertos logra un gran rendimiento en GPU de consumo.
- Una comunidad amplia y una biblioteca de ajustes finos facilitan encontrar un punto de partida cerca de tu tarea.
Desventajas
- Tú pones el hardware y la configuración, así que no hay producto alojado ni línea de soporte.
- El modelo de 31B exige una GPU seria, como una H100 de 80GB, si no lo cuantizas, lo que sube el coste de entrada.
- Los modelos de borde pequeños van por detrás de los grandes en matemáticas y código difíciles, así que no sustituyen sin más a los modelos punteros de la nube.
- El ajuste fino y el despliegue requieren trabajo de ingeniería real, y el resultado depende de la calidad de tus datos.
Preguntas frecuentes
Gemma es la familia de modelos de IA de peso abierto de Google, creada por Google DeepMind sobre la misma investigación que hay detrás de Gemini. Descargas los pesos y los ejecutas en tu propio hardware en lugar de usar un servicio en la nube.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Gemma.
Alternativas a Gemma
Forefront
Forefront · ProgramaciónForefront es una plataforma web para construir con IA de código abierto. Te deja ajustar los principales modelos de lenguaje de código abierto con tus propios datos, evaluar cómo rinden y ejecutarlos a través de una API o exportarlos para alojarlos tú mismo. Los desarrolladores que quieren la comodidad de una plataforma cerrada pero insisten en ser dueños de sus modelos y sus datos son el público objetivo.
Startkit
StartKit.AI · ProgramaciónStartkit es un boilerplate para crear productos de SaaS con IA y wrappers de IA. Piénsalo como un boilerplate para startups de IA con las partes aburridas ya conectadas: autenticación, pagos con Stripe y Lemon Squeezy, límites de uso, correo transaccional y un kit de inicio de API de IA que habla con OpenAI, Anthropic, Groq o Llama. Clonas el repositorio, pones tu precio y te dedicas a la parte del producto por la que la gente paga de verdad. Está hecho con Next.js sobre React y Tailwind, así que buena parte del código boilerplate ya te resulta familiar.
Testim
Tricentis · ProgramaciónTestim es una plataforma de automatización de pruebas impulsada por IA para crear y ejecutar pruebas de extremo a extremo en aplicaciones web, móviles y Salesforce. Se apoya en el aprendizaje automático para mantener las pruebas estables cuando cambia una interfaz, así que los equipos dedican menos tiempo a reparar selectores rotos. No está nada mal para una herramienta de pruebas automatizadas que puedes empezar a usar hoy mismo. Creas pruebas grabando acciones en un navegador y luego añades JavaScript cuando necesitas más control. Es una opción sólida para equipos de QA con mucho trabajo.