Model Garden nella console Google Cloud è una libreria di modelli ML che tu scopri, testi, personalizzi e distribuisci il software open source selezionato e di proprietà di Google modelli e asset.
I seguenti argomenti ti presentano i modelli di IA disponibili in Model Garden e come utilizzarli.
Esplora i modelli
Per visualizzare l'elenco dei modelli Vertex AI e open source (di base, ottimizzabili e specifici per le attività), vai alla pagina Model Garden nella console Google Cloud.
Le categorie dei modelli disponibili in Model Garden sono:
| Categoria | Descrizione |
|---|---|
| Modelli di base | Modelli di grandi dimensioni multitasking preaddestrati che possono essere ottimizzati o personalizzati per attività specifiche utilizzando Vertex AI Studio, l'API Vertex AI e l'SDK Vertex AI per Python. |
| Modelli ottimizzabili | Modelli perfezionabili mediante un blocco note personalizzato una pipeline o un blocco note personalizzato. |
| Soluzioni specifiche per le attività | La maggior parte di questi modelli pronto per l'uso. Molti possono essere personalizzati usando i tuoi dati. |
Per filtrare i modelli nel riquadro dei filtri, specifica quanto segue:
- Modalità: fai clic sulle modalità (tipi di dati) da inserire nel modello.
- Attività: fai clic sull'attività che deve essere eseguita dal modello.
- Caratteristiche: fai clic sulle caratteristiche da inserire nel modello.
Per scoprire di più su ciascun modello, fai clic sulla relativa scheda.
Modelli disponibili in Model Garden
Puoi trovare i modelli proprietari di Google e selezionare i modelli open source in Model Garden.
Elenco dei modelli proprietari di Google
La tabella seguente elenca i modelli proprietari di Google disponibili in Model Garden:
| Nome modello | Modalità | Descrizione | Guide rapide |
|---|---|---|---|
| Gemini 1.5 Flash | Linguaggio, audio, visione | Il modello multimodale Gemini più veloce e conveniente. È progettata per attività ad alto volume e applicazioni convenienti e sensibili alla latenza. Grazie alla sua reattività Gemini 1.5 Flash, è una buona opzione per creare assistenti per la chat e applicazioni di generazione di contenuti on demand. | Scheda del modello |
| Gemini 1.5 Pro | Linguaggio, audio, visione | Modello multimodale che supporta l'aggiunta di immagini, audio, video e I file PDF in testo o chat richiedono una risposta di testo o codice. | Scheda del modello |
| Gemini 1.0 Pro | Lingua | Progettato per gestire attività di elaborazione del linguaggio naturale, chat di testo e codice in più passaggi e generazione di codice. | Scheda del modello |
| Gemini 1.0 Pro Vision | Linguaggio, visione | Modello multimodale che supporta l'aggiunta di file immagine, video e PDF in prompt di testo o di chat per una risposta di testo o codice. | Scheda del modello |
| PaLM 2 per il testo | Lingua | Ottimizzato per seguire le istruzioni del linguaggio naturale ed è adatto a una varietà di attività relative alle lingue. | Scheda del modello |
| PaLM 2 per la chat | Lingua | Ottimizzato per condurre conversazioni naturali. Utilizza questo modello per creare e personalizzare la tua applicazione di chatbot. | Scheda del modello |
| Codey per il completamento del codice | Lingua | Genera codice in base ai prompt di codice. Ideale per i suggerimenti di codice e la riduzione al minimo dei bug nel codice. | Scheda del modello |
| Codey per la generazione di codice | Lingua | Genera codice basato sull'input in linguaggio naturale. Ottimo per scrivere funzioni, classi, test delle unità e altro ancora. | Scheda del modello |
| Codey per Codey Chat | Lingua | Ricevi assistenza per il codice tramite una conversazione naturale. Ideale per domande su un'API, sintassi in una lingua supportata e altro ancora. | Scheda del modello |
| Incorporamenti per il testo | Lingua | Converte i dati testuali in vettori numerici che possono essere elaborati da algoritmi di machine learning, in particolare i modelli di grandi dimensioni. | Scheda del modello |
| Imagen per la generazione di immagini | Vision | Crea o modifica immagini di livello professionale su larga scala utilizzando prompt di testo. | Scheda del modello |
| Segmentazione di immagini su Vertex (anteprima) | Vision | Utilizza i prompt di testo o disegna scarabocchi per segmentare un'immagine. Immagine la segmentazione consente, ad esempio, di rilevare oggetti, rimuovere sullo sfondo di un'immagine o segmenta il primo piano di un'immagine. | Scheda del modello |
| Imagen per la generazione di sottotitoli codificati e la valutazione visiva dei contenuti | Lingua | Genera una descrizione pertinente per una determinata immagine. | Scheda del modello |
| Incorporamenti per multimodali | Vision | Genera vettori basati su immagini, che possono essere utilizzati per attività successive come la classificazione e la ricerca di immagini. | Scheda del modello |
| Cip | Voce | Una versione di un Universal Speech Model che ha oltre 2 miliardi di parametri e può trascrivere in oltre 100 lingue in un unico modello. | Scheda del modello |
Elenco di modelli con ricette di ottimizzazione o pubblicazione open source in Model Garden
Nella tabella seguente sono elencati i modelli OSS che supportano l'ottimizzazione o la creazione di ricette di pubblicazione open source in Model Garden:
| Nome modello | Modalità | Descrizione | Guida rapida |
|---|---|---|---|
| Flux | Vision | Un modello di transformer con flusso rettificato di 12 miliardi di parametri che genera immagini di alta qualità dalle descrizioni di testo. | Scheda del modello |
| Prompt Guard | Lingua | Proteggi gli input LLM del guardrail dalle tecniche di jailbreak e dalle iniezioni indirette. | Scheda del modello |
| Lama 3.2 | Lingua | Una raccolta di modelli linguistici di grandi dimensioni (LLM) multilingue modelli generativi preaddestrati e ottimizzati per l'istruzione in 1B e 3B dimensioni. | Scheda del modello |
| Llama 3.2-Vision | Linguaggio, visione | Una raccolta di modelli linguistici di grandi dimensioni multimodali modelli generativi di ragionamento delle immagini preaddestrati e ottimizzati per le istruzioni dimensioni 11B e 90B. Questi modelli sono ottimizzati per il riconoscimento visivo, il ragionamento per immagini, la creazione di sottotitoli codificati e la risposta a domande generali su un'immagine. | Scheda del modello |
| Llama Guard 3 | Lingua | Un modello preaddestrato Llama-3.1-8B che è stato ottimizzato per la classificazione della sicurezza dei contenuti. | Scheda del modello |
| Qwen2 | Lingua | Esegui il deployment di Qwen2, una serie di modelli linguistici di grandi dimensioni di base. | Colab Scheda del modello |
| Phi-3 | Lingua | Esegui il deployment di Phi-3, una serie di modelli linguistici di grandi dimensioni (LLM). | Colab Scheda del modello |
| E5 | Lingua | Esegui il deployment di E5, una serie di modelli di embedding di testo. | Colab Scheda del modello |
| ID istantaneo | Linguaggio, visione | Esegui il deployment di Instant ID, un modello di generazione da testo a immagine che garantisce la protezione dell'identità. | Colab Scheda del modello |
| Llama 3 | Lingua | Esplora e crea con i modelli Llama 3 di Meta (8B, 70B, 405B) su Vertex AI. | Scheda del modello |
| Gemma 2 | Lingua | Modelli aperti con peso variabile (9 miliardi, 27 miliardi) creati sulla base della stessa ricerca e tecnologia utilizzata per creare i modelli Gemini di Google. | Scheda del modello |
| Gemma | Lingua | Modelli aperti con peso variabile (2 miliardi, 7 miliardi) creati sulla base della stessa ricerca e tecnologia utilizzata per creare i modelli Gemini di Google. | Scheda del modello |
| CodeGemma | Lingua | Modelli di peso aperti (2B, 7B) progettati per la generazione e il completamento del codice basati sulla stessa ricerca e tecnologia utilizzate per creare i modelli Gemini di Google. | Scheda del modello |
| PaliGemma | Lingua | Modello 3B di peso aperto progettato per attività di didascalie delle immagini, domande visive e risposta, basato sulla stessa ricerca e tecnologia utilizzate per creare i modelli Gemini di Google. | Scheda del modello |
| Vicuna v1.5 | Lingua | Esegui il deployment dei modelli della serie Vicuna v1.5, ovvero modelli di base ottimizzati da LLama2 per la generazione di testo. | Scheda del modello |
| NLLB | Lingua | Esegui il deployment di modelli di serie nllb per la traduzione multilingue. | Scheda del modello Colab |
| Mistral-7B | Lingua | Esegui il deployment di Mistral-7B, un modello di base per la generazione di testo. | Scheda del modello |
| BioGPT | Lingua | Esegui il deployment di BioGPT, un modello generativo di testo per il dominio biomedica. | Scheda del modello Colab |
| BiomedCLIP | Linguaggio, visione | Esegui il deployment di BiomedCLIP, un modello di base multimodale per il dominio biomedico. | Scheda del modello Colab |
| ImageBind | Lingua, visione, audio |
Esegui il deployment di ImageBind, un modello di base per l'embedding multimodale. | Scheda del modello Colab |
| DITO | Lingua, Visione | Ottimizza ed esegui il deployment di DITO, un modello di base multimodale per attività di rilevamento di oggetti con vocabolario aperto. | Scheda del modello Colab |
| OWL-ViT versione 2 | Linguaggio, visione | Esegui il deployment di OWL-ViT v2, un modello di base multimodale per le attività di rilevamento di oggetti con vocabolario aperto. | Scheda del modello Colab |
| FaceStylizer (Mediapipe) | Vision | Una pipeline generativa per trasformare le immagini dei volti umani in un nuovo stile. | Scheda del modello Colab |
| Llama 2 | Lingua | Ottimizza ed esegui il deployment dei modelli di base Llama 2 di Meta (7B, 13B, 70B) su Vertex AI. | Scheda del modello |
| Code Llama | Lingua | Esegui il deployment dei modelli di base Code Llama di Meta (7B, 13B, 34B) su Vertex AI. | Scheda del modello |
| Istruzioni Falcon | Lingua | Ottimizza e esegui il deployment dei modelli Falcon-instruct (7 miliardi, 40 miliardi) utilizzando PEFT. | Colab Scheda del modello |
| OpenLLaMA | Lingua | Ottimizza e esegui il deployment dei modelli OpenLLaMA (3B, 7B, 13B) utilizzando PEFT. | Colab Scheda del modello |
| T5-FLAN | Lingua | Ottimizza e distribuisci T5-FLAN (base, piccolo, grande). | Scheda del modello (pipeline di ottimizzazione inclusa) |
| BERT | Lingua | Ottimizza ed esegui il deployment di BERT utilizzando PEFT. | Colab Scheda del modello |
| BART-grandi-cnn | Lingua | Esegui il deployment di BART, un modello encoder-encoder (seq2seq) a trasformatore con un encoder bidirezionale (simile a BERT) e un decoder autoregressivo (simile a GPT). | Colab Scheda del modello |
| RoBERTa-large | Lingua | Ottimizza e esegui il deployment di RoBERTa-large utilizzando PEFT. | Colab Scheda del modello |
| XLM-RoBERTa-grandi | Lingua | Ottimizza e distribuisci XLM-RoBERTa-large (una versione multilingue di RoBERTa) utilizzando PEFT. | Colab Scheda modello |
| Dolly-v2-7b | Lingua | Esegui il deployment di Dolly-v2-7b, un modello linguistico di grandi dimensioni che segue le istruzioni con 6,9 miliardi di parametri. | Colab Scheda del modello |
| Stable Diffusion XL v1.0 | Lingua, Visione | Esegui il deployment di Stable Diffusion XL v1.0, che supporta la generazione di testo in immagini. | Colab Scheda del modello |
| Stable Diffusion XL Lightning | Linguaggio, visione | Esegui il deployment di Stable Diffusion XL Lightning, un modello di generazione di testo in immagine. | Colab Scheda del modello |
| Stable Diffusion v2.1 | Lingua, Visione | Ottimizza ed esegui il deployment di Stable Diffusion v2.1 (supporta la generazione di testo in immagini) utilizzando Dreambooth. | Colab Scheda modello |
| Upscaler 4x di Stable Diffusion | Linguaggio, visione | Esegui il deployment dell'upscaler Stable Diffusion 4x, che supporta la superrisoluzione delle immagini basata sul testo. | Colab Scheda modello |
| InstructPix2Pix | Lingua, Visione | Esegui il deployment di InstructPix2Pix, che supporta la modifica delle immagini tramite prompt di testo. | Colab Scheda del modello |
| Inpainting a diffusione stabile | Linguaggio, visione | Ottimizza ed esegui il deployment di Stable Diffusion Inpainting, che supporta l'inpainting di un'immagine mascherata mediante un prompt di testo. | Colab Scheda del modello |
| SAM | Lingua, Visione | Esegui il deployment di Segment Anything, che supporta la segmentazione delle immagini senza addestramento. | Colab Scheda del modello |
| Da testo a video (ModelScope) | Lingua, Visione | Esegui il deployment di ModelScope da testo a video, che supporta la generazione da testo a video. | Colab Scheda del modello |
| Recupero immagine composta da Pic2Word | Linguaggio, visione | Esegui il deployment di Pic2Word, che supporta il recupero di immagini composte multimodali. | Colab Scheda del modello |
| BLIP2 | Linguaggio, visione | Esegui il deployment di BLIP2, che supporta le didascalie codificate e le risposte visive alle domande. | Colab Scheda del modello |
| Open-CLIP | Lingua, Visione | Ottimizza ed esegui il deployment di Open-CLIP, che supporta la classificazione zero-shot. | Colab Scheda del modello |
| F-VLM | Lingua, Visione | Esegui il deployment di F-VLM, che supporta il rilevamento di oggetti immagine vocabolario aperti. | Colab Scheda del modello |
| tfhub/EfficientNetV2 | Vision | Ottimizza e esegui il deployment dell'implementazione di Tensorflow Vision del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda modello |
| EfficientNetV2 (TIMM) | Vision | Ottimizza ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda del modello |
| Proprietario/EfficientNetV2 | Vision | Ottimizza ed esegui il deployment del checkpoint proprietario Google del modello di classificazione delle immagini EfficientNetV2. | Colab Scheda del modello |
| EfficientNetLite (MediaPipe) | Vision | Ottimizza il modello di classificazione delle immagini EfficientNetLite tramite il creatore di modelli MediaPipe. | Colab Scheda del modello |
| tfvision/vit | Vision | Perfeziona ed esegui il deployment dell'implementazione TensorFlow Vision del modello di classificazione delle immagini ViT. | Colab Scheda modello |
| ViT (TIMM) | Vision | Ottimizza ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini ViT. | Colab Scheda modello |
| Proprietario/ViT | Vision | Ottimizza ed esegui il deployment del checkpoint proprietario Google del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| Proprietario/MaxViT | Vision | Ottimizza ed esegui il deployment del checkpoint proprietario Google del modello di classificazione delle immagini ibrido MaxViT (CNN + ViT). | Colab Scheda modello |
| ViT (JAX) | Vision | Ottimizza ed esegui il deployment dell'implementazione JAX del modello di classificazione delle immagini ViT. | Colab Scheda del modello |
| tfvision/SpineNet | Vision | Ottimizza e esegui il deployment dell'implementazione di Tensorflow Vision del modello di rilevamento di oggetti SpineNet. | Colab Scheda del modello |
| Proprietary/Spinenet | Vision | Ottimizza ed esegui il deployment del checkpoint proprietario Google del modello di rilevamento degli oggetti SpineNet. | Colab Scheda del modello |
| tfvision/YOLO | Vision | Ottimizza ed esegui il deployment dell'implementazione TensorFlow Vision del modello di rilevamento degli oggetti a una fase YOLO. | Colab Scheda del modello |
| Proprietario/YOLO | Vision | Ottimizza ed esegui il deployment del checkpoint proprietario Google del modello di rilevamento degli oggetti a una fase di YOLO. | Colab Scheda modello |
| YOLOv8 (Keras) | Vision | Ottimizza ed esegui il deployment dell'implementazione Keras del modello YOLOv8 per il rilevamento degli oggetti. | Colab Scheda del modello |
| tfvision/YOLOv7 | Vision | Ottimizza ed esegui il deployment del modello YOLOv7 per il rilevamento di oggetti. | Colab Scheda del modello |
| ByteTrack Video Object Tracking | Vision | Esegui la previsione batch per il monitoraggio di oggetti video utilizzando il tracker ByteTrack. | Colab Scheda del modello |
| ResNeSt (TIMM) | Vision | Ottimizza ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini ResNeSt. | Colab Scheda modello |
| ConvNeXt (TIMM) | Vision | Ottimizza e implementa ConvNeXt, un modello di convoluzione puro per la classificazione delle immagini ispirato al design di Vision Transformers. | Colab Scheda modello |
| CspNet (TIMM) | Vision | Ottimizza ed esegui il deployment del modello di classificazione delle immagini CSPNet (Cross Stage Partial Network). | Colab Scheda del modello |
| Inception (TIMM) | Vision | Ottimizza ed esegui il deployment del modello di classificazione delle immagini Inception. | Colab Scheda del modello |
| DeepLabv3+ (con checkpoint) | Vision | Ottimizza ed esegui il deployment del modello DeepLab-v3 Plus per la segmentazione semantica dell'immagine. | Colab Scheda del modello |
| Faster R-CNN (Detectron2) | Vision | Ottimizza ed esegui il deployment dell'implementazione Detectron2 del modello R-CNN più veloce per il rilevamento degli oggetti immagine. | Colab Scheda del modello |
| RetinaNet (Detectron2) | Vision | Ottimizza ed esegui il deployment dell'implementazione Detectron2 del modello RetinaNet per il rilevamento degli oggetti immagine. | Colab Scheda modello |
| Maschera R-CNN (Detectron2) | Vision | Ottimizza e distribuisci l'implementazione Detectron2 del modello Mask R-CNN per il rilevamento e la segmentazione degli oggetti immagine. | Colab Scheda modello |
| ControlNet | Vision | Ottimizza ed esegui il deployment del modello di generazione da testo a immagine ControlNet. | Colab Scheda del modello |
| MobileNet (TIMM) | Vision | Ottimizza ed esegui il deployment dell'implementazione PyTorch del modello di classificazione delle immagini MobileNet. | Colab Scheda modello |
| Classificazione delle immagini MobileNetV2 (MediaPipe) | Vision | Ottimizza il modello di classificazione delle immagini MobileNetV2 utilizzando il creatore di modelli MediaPipe. | Colab Scheda del modello |
| Rilevamento di oggetti MobileNetV2 (MediaPipe) | Vision | Ottimizza il modello di rilevamento degli oggetti MobileNetV2 utilizzando il creatore di modelli MediaPipe. | Colab Scheda del modello |
| MobileNet-MultiHW-AVG (MediaPipe) | Vision | Ottimizza il modello di rilevamento degli oggetti MobileNet-MultiHW-AVG utilizzando lo strumento per la creazione di modelli MediaPipe. | Colab Scheda del modello |
| DeiT | Vision | Ottimizza ed esegui il deployment del modello DeiT (Data-efficient Image Transformer) per la classificazione delle immagini. | Colab Scheda del modello |
| BEiT | Vision | Ottimizza e implementa il modello BEiT (Bidirectional Encoder Representation from Image Transformers) per la classificazione delle immagini. | Colab Scheda modello |
| Riconoscimento dei gesti della mano (MediaPipe) | Vision | Ottimizza ed esegui il deployment dei modelli di riconoscimento dei gesti delle mani sul dispositivo utilizzando MediaPipe. | Colab Scheda del modello |
| Classificatore di embedding di parole medio (MediaPipe) | Vision | Ottimizza e distribuisci sul dispositivo i modelli di classificazione dell'incorporamento di parole medio utilizzando MediaPipe. | Colab Scheda del modello |
| Classificatore MobileBERT (MediaPipe) | Vision | Ottimizza ed esegui il deployment dei modelli di classificazione MobileBERT sul dispositivo utilizzando MediaPipe. | Colab Scheda del modello |
| Classificazione di clip video MoViNet | Video | Ottimizza ed esegui il deployment di modelli di classificazione di clip video MoViNet. | Colab Scheda del modello |
| Riconoscimento dell'azione video di MoViNet | Video | Ottimizza ed esegui il deployment dei modelli MoViNet per l'inferenza del riconoscimento delle azioni. | Colab Scheda del modello |
| LCM di Stable Diffusion XL | Vision | Esegui il deployment di questo modello che utilizza il modello di coerenza latente (LCM) per migliorare il trasferimento da testo a immagine nei modelli a diffusione latente, consentendo più creazione di immagini di alta qualità con meno passaggi. | Colab Scheda del modello |
| LLaVA 1.5 | Visione, linguaggio | Esegui il deployment dei modelli LLaVA 1.5. | Colab Scheda del modello |
| Pytorch-ZipNeRF | Visione artificiale, video | Addestra il modello Pytorch-ZipNeRF, che è un'implementazione di ultima generazione dell'algoritmo ZipNeRF nel framework Pytorch, progettato per una ricostruzione 3D efficiente e accurata da immagini 2D. | Colab Scheda del modello |
| Mixtral | Lingua | Esegui il deployment del modello Mixtral, che è un mix di esperti (MoE) modello linguistico di grandi dimensioni (LLM) sviluppato da Mistral AI. | Scheda del modello |
| Llama 2 (quantizzato) | Lingua | Ottimizza e esegui il deployment di una versione quantizzata di Llama 2 di Meta di grandi dimensioni. | Colab Scheda del modello |
| LaMa (Large Mask Inpainting) | Vision | Esegui il deployment di LaMa che utilizza convoluzioni di Fourier rapide (FFC), una perdita percettiva del campo ricettivo elevato e maschere di addestramento di grandi dimensioni consente l'inserimento di immagini con una risoluzione robusta. | Colab Scheda del modello |
| AutoGluon | Tabulare | Con AutoGluon puoi addestrare e implementare macchine ad alta precisione di machine learning e deep learning per i dati tabulari. | Colab Scheda del modello |
| MaMMUT | Linguaggio, visione | Un'architettura di encoder e decoder di testo per la multimodale come la risposta alle domande visive, il recupero del testo delle immagini recupero di immagini di testo e generazione di incorporamenti multimodali. | Colab Scheda del modello |
Elenco dei modelli partner disponibili in Model Garden
Alcuni modelli di partner sono offerti come API gestite in Vertex AI Model Garden (noto anche come modello as a service). La tabella seguente elenca i modelli disponibili dai partner di Google in Model Garden:
| Nome modello | Modalità | Descrizione | Guida rapida |
|---|---|---|---|
| Antropo Claude 3.5 Sonetto | Lingua | Il modello di IA più potente di Anthropic e mantiene la velocità e il costo di Anthropic Claude 3 Sonnet. | Scheda del modello |
| Antropo Claude 3 Opus | Lingua | Il secondo modello di IA di Anthropic, con ottime prestazioni per attività molto complesse. | Scheda del modello |
| Haiku - Claude 3 - Antropo | Lingua | Il modello di visione e testo più rapido e compatto di Anthropic che fornisce risposte rapide a query semplici. È destinato alle esperienze di AI che imitano le interazioni umane. | Scheda del modello |
| Anthropic Claude 3 Sonnet | Lingua | Un modello di visione e testo che bilancia le prestazioni e la velocità per l'elaborazione dei carichi di lavoro aziendali. È progettato per deployment di IA scalabili a basso costo. | Scheda del modello |
| Jamba 1.5 Large (anteprima) | Lingua | Jamba 1.5 Large di AI21 Labs è progettato per risposte di qualità superiore, elevato throughput e prezzi competitivi rispetto ad altri modelli della stessa classe di dimensioni. | Scheda del modello |
| Jamba 1.5 Mini (anteprima) | Lingua | Jamba 1.5 Mini di AI21 Labs offre un buon equilibrio tra qualità, velocità effettiva e basso costo. | Scheda del modello |
| Llama 3.2 (anteprima) | Lingua, Visione | Un modello multimodale di 90 miliardi di medie dimensioni che può supportare il ragionamento tramite immagini, come l'analisi di grafici e tabelle, nonché per le didascalie delle immagini. | Scheda del modello |
| Llama 3.1 (anteprima) | Lingua | Una raccolta di LLM multilingue ottimizzati per i casi d'uso dei dialoghi multilingue e che superano molti dei modelli di chat open source e chiusi disponibili nei benchmark di settore comuni. | Scheda del modello |
| Mistral grande (2407) | Lingua | Mistral Large (2407) è il modello di punta di Mistral AI per la generazione di testo. Raggiunge funzionalità di ragionamento di primo livello e può essere utilizzato per attività multilingue complesse, tra cui comprensione del testo, trasformazione e generazione di codice. | Scheda del modello |
| Nemo di Mistral | Lingua | Il modello proprietario più conveniente di Mistral AI. Usa carichi di lavoro a bassa latenza di Mistral Nemo e semplici che possono essere eseguite in blocco, come la classificazione, assistenza tecnica e generazione di testi. | Scheda del modello |
| Codestral | Codice | Un modello generativo appositamente progettato e ottimizzato per la generazione di codice. Puoi utilizzare Codestral per progettare applicazioni di IA avanzate. | Scheda del modello |
Come utilizzare le schede del modello
Fai clic sulla scheda di un modello per utilizzare il modello associato. Ad esempio, puoi fare clic sulla scheda di un modello per testare i prompt, ottimizzare un modello, creare applicazioni e visualizzare esempi di codice.
Per scoprire come utilizzare i modelli associati alle schede dei modelli, fai clic su una delle seguenti schede:
Prompt di test
Utilizzare la scheda del modello dell'API Vertex AI PaLM per testare i prompt.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato che vuoi testare e fai clic su Visualizza dettagli.
Fai clic su Apri progettazione prompt.
Si apre la pagina Progettazione prompt.
In Prompt, inserisci il prompt che vuoi testare.
(Facoltativo) Configura i parametri del modello.
Fai clic su Invia.
Ottimizza un modello
Per ottimizzare i modelli supportati, utilizza una pipeline Vertex AI o un blocco note.
Ottimizzazione tramite una pipeline
I modelli BERT e T5-FLAN supportano l'ottimizzazione dei modelli tramite una pipeline.
Nella console Google Cloud, vai alla pagina Model Garden.
In Modelli di ricerca, inserisci BERT o T5-FLAN, quindi fai clic sulla lente d'ingrandimento per eseguire la ricerca.
Fai clic su Visualizza dettagli nella scheda del modello T5-FLAN o BERT.
Fai clic su Apri pipeline di ottimizzazione.
Viene visualizzata la pagina delle pipeline Vertex AI.
Per iniziare la sintonizzazione, fai clic su Crea esecuzione.
Sintonizzarsi su un notebook
Le schede del modello per la maggior parte dei modelli di base open source e ottimizzabili supportano l'ottimizzazione in un blocco note.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato che vuoi ottimizzare e fai clic su Visualizza dettagli.
Fai clic su Apri notebook.
Esegui il deployment di un modello
Puoi eseguire il deployment di un modello dalla relativa scheda, ad esempio Diffusione stabile. Quando mentre esegui il deployment di un modello, puoi scegliere di usare una prenotazione Compute Engine. Per saperne di più, consulta Utilizzare le prenotazioni con previsione.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato di cui vuoi eseguire il deployment e fai clic sulla relativa scheda.
Fai clic su Esegui il deployment per aprire il riquadro Esegui il deployment del modello.
Nel riquadro Esegui il deployment del modello, specifica i dettagli del deployment.
- Utilizza o modifica i nomi del modello e dell'endpoint generati.
- Seleziona una posizione in cui creare l'endpoint del modello.
- Seleziona un tipo di macchina da utilizzare per ogni nodo del deployment.
Per utilizzare una prenotazione Compute Engine, nella sezione impostazioni, seleziona Avanzate.
Per il campo Tipo di prenotazione, seleziona un tipo di prenotazione. La prenotazione deve corrispondere alle specifiche della macchina specificate.
- Utilizza automaticamente la prenotazione creata: Vertex AI selezionerà automaticamente una prenotazione consentita con proprietà corrispondenti. Se non è disponibile capacità nel campo selezionato automaticamente Vertex AI utilizza il modello generale di Google Cloud pool di risorse.
- Seleziona prenotazioni specifiche: Vertex AI utilizza una specifica prenotazione. Se non è disponibile una capacità per la prenotazione selezionata, viene generato un errore.
- Non utilizzare (valore predefinito): Vertex AI utilizza il pool di risorse Google Cloud generale. Questo valore ha lo stesso effetto di non specificare una prenotazione.
Fai clic su Esegui il deployment.
Visualizza esempi di codice
La maggior parte delle schede dei modelli per le soluzioni specifiche per le attività contiene codice puoi copiare e testare.
Nella console Google Cloud, vai alla pagina Model Garden.
Trova un modello supportato di cui vuoi visualizzare gli esempi di codice e fai clic sulla scheda Documentazione.
La pagina scorre fino alla sezione della documentazione con il codice di esempio incorporato.
Creare un'app di visione
Le schede dei modelli per i modelli di visione artificiale applicabili supportano la creazione di un'applicazione di visione.
Nella console Google Cloud, vai alla pagina Model Garden.
Nella sezione Soluzioni specifiche per attività, trova un modello di visione che vuoi utilizzare per creare un'applicazione di visione e fai clic su Visualizza dettagli.
Fai clic su Crea app.
Viene visualizzata la pagina Vertex AI Vision.
In Nome applicazione, inserisci un nome per l'applicazione e fai clic su Continua.
Seleziona un piano di fatturazione e fai clic su Crea.
Si apre Vertex AI Vision Studio, dove puoi continuare nella creazione di un'applicazione di visione artificiale.
Prezzi
Per i modelli open source in Model Garden, ti viene addebitato l'utilizzo di quanto segue su Vertex AI:
- Ottimizzazione del modello: ti vengono addebitate le risorse di calcolo utilizzate alla stessa tariffa dell'addestramento personalizzato. Consulta i prezzi dell'addestramento personalizzato.
- Deployment del modello: ti vengono addebitate le risorse di computing utilizzate per il deployment del modello su un endpoint. Vedi i prezzi delle previsioni.
- Colab Enterprise: consulta i prezzi di Colab Enterprise.
Controlla l'accesso a modelli specifici
Puoi impostare un criterio dell'organizzazione di Model Garden a livello di organizzazione, cartella o progetto per controllare l'accesso a modelli specifici in Model Garden. Ad esempio, puoi consentire l'accesso a modelli specifici che hai esaminato e negare l'accesso a tutti gli altri.
Passaggi successivi
- Scopri di più sulle best practice per l'IA responsabile e sui filtri di sicurezza di Vertex AI.
- Scopri di più sull'IA generativa su Vertex AI.
- Scopri come ottimizzare i modelli di base.