Model Garden di konsol Google Cloud adalah library model ML yang membantu Anda menemukan, menguji, menyesuaikan, dan men-deploy model dan aset OSS tertentu serta eksklusif Google.
Topik berikut memperkenalkan model AI yang tersedia di Model Garden dan cara menggunakannya.
Mempelajari model
Untuk melihat daftar Vertex AI dan model open source, yang dapat disesuaikan, dan khusus tugas, buka halaman Model Garden di Konsol Google Cloud.
Kategori model yang tersedia di Model Garden adalah:
| Kategori | Deskripsi |
|---|---|
| Model dasar | Model besar multitugas terlatih yang dapat dimodifikasi atau disesuaikan untuk tugas tertentu menggunakan Vertex AI Studio, Vertex AI API, dan Vertex AI SDK untuk Python. |
| Model yang dapat disesuaikan | Model yang dapat Anda sesuaikan menggunakan notebook atau pipeline kustom. |
| Solusi khusus tugas | Sebagian besar model bawaan ini siap digunakan. Banyak di antaranya yang dapat disesuaikan menggunakan data Anda sendiri. |
Untuk memfilter model di panel filter, tentukan hal berikut:
- Modalitas: Klik modalitas (jenis data) yang Anda inginkan dalam model.
- Tasks: Klik tugas yang Anda inginkan untuk dijalankan model.
- Fitur: Klik fitur yang Anda inginkan dalam model.
Untuk mempelajari lebih lanjut setiap model, klik kartu modelnya.
Model yang tersedia di Model Garden
Anda dapat menemukan model pihak pertama Google dan memilih model open source di Model Garden.
Daftar model pihak pertama Google
Tabel berikut mencantumkan model pihak pertama Google yang tersedia di Model Garden:
| Nama model | Modalitas | Deskripsi | Panduan Memulai |
|---|---|---|---|
| Gemini 1.5 Flash | Bahasa, audio, visi | Model multimodal Gemini yang paling cepat dan hemat biaya. API ini dibuat untuk tugas bervolume tinggi dan aplikasi terjangkau yang sensitif terhadap latensi. Karena responsifnya Gemini 1.5 Flash, ini adalah opsi yang baik untuk membuat asisten chat dan aplikasi pembuatan konten on demand. | Kartu model |
| Gemini 1.5 Pro | Bahasa, audio, visi | Model multimodal yang mendukung penambahan file gambar, audio, video, dan PDF dalam perintah teks atau chat untuk menghasilkan respons teks atau kode. | Kartu model |
| Gemini 1.0 Pro | Bahasa | Dirancang untuk menangani tugas bahasa alami, teks multiturn dan chat kode, serta pembuatan kode. | Kartu model |
| Gemini 1.0 Pro Vision | Bahasa, visi | Model multimodal yang mendukung penambahan file gambar, video, dan PDF dalam perintah teks atau chat untuk menghasilkan respons teks atau kode. | Kartu model |
| PaLM 2 untuk Teks | Bahasa | Disesuaikan untuk mengikuti petunjuk natural language dan cocok untuk berbagai tugas bahasa. | Kartu model |
| PaLM 2 untuk Chat | Bahasa | Disempurnakan untuk melakukan percakapan yang alami. Gunakan model ini untuk membuat dan menyesuaikan aplikasi chatbot Anda sendiri. | Kartu model |
| Codey untuk Penyelesaian Kode | Bahasa | Membuat kode berdasarkan perintah kode. Cocok untuk saran kode dan meminimalkan bug dalam kode. | Kartu model |
| Codey untuk Pembuatan Kode | Bahasa | Menghasilkan kode berdasarkan input natural language. Cocok untuk menulis fungsi, class, pengujian unit, dan lainnya. | Kartu model |
| Codey untuk Chat Kode | Bahasa | Dapatkan bantuan terkait kode melalui percakapan alami. Cocok untuk pertanyaan tentang API, sintaksis dalam bahasa yang didukung, dan lainnya. | Kartu model |
| Embedding untuk Teks | Bahasa | Mengonversi data tekstual menjadi vektor numerik yang dapat diproses oleh algoritma machine learning, terutama model besar. | Kartu model |
| Imagen untuk Pembuatan Gambar | Vision | Buat atau edit gambar kualitas studio dalam skala besar menggunakan perintah teks. | Kartu model |
| Segmentasi Gambar Vertex (Pratinjau) | Vision | Gunakan perintah teks atau gambar coretan untuk menyegmentasikan gambar. Segmentasi gambar memungkinkan Anda, misalnya, mendeteksi objek, menghapus latar belakang gambar, atau menyegmentasikan latar depan gambar. | Kartu model |
| Imagen untuk Pemberian Teks & VQA | Bahasa | Menghasilkan deskripsi yang relevan untuk gambar tertentu. | Kartu model |
| Embedding untuk Multimodal | Vision | Menghasilkan vektor berdasarkan gambar, yang dapat digunakan untuk tugas downstream seperti klasifikasi gambar dan penelusuran gambar. | Kartu model |
| Chirp | Ucapan | Versi Model Ucapan Universal yang memiliki lebih dari 2 miliar parameter dan dapat mentranskripsikan dalam lebih dari 100 bahasa dalam satu model. | Kartu model |
Daftar model dengan penyesuaian open source atau menyajikan resep di Model Garden
Tabel berikut mencantumkan model OSS yang mendukung penyesuaian open source atau resep penayangan di Model Garden:
| Nama model | Modalitas | Deskripsi | Panduan memulai |
|---|---|---|---|
| Flux | Vision | Model transformer flow yang diperbaiki dengan 12 miliar parameter yang menghasilkan gambar berkualitas tinggi dari deskripsi teks. | Kartu model |
| Pelindung Perintah | Bahasa | Melindungi input LLM pembatasan terhadap teknik jailbreaking dan injeksi tidak langsung. | Kartu model |
| Llama 3.2 | Bahasa | Kumpulan model bahasa besar multibahasa yang merupakan model generatif terlatih dan disesuaikan dengan petunjuk dalam ukuran 1 miliar dan 3 miliar. | Kartu model |
| Llama 3.2-Vision | Bahasa, Visi | Kumpulan model bahasa besar multimodal yang merupakan model generatif penalaran gambar terlatih dan disesuaikan dengan petunjuk dalam ukuran 11B dan 90B. Model ini dioptimalkan untuk pengenalan visual, penalaran gambar, pemberian teks, dan menjawab pertanyaan umum tentang gambar. | Kartu model |
| Llama Guard 3 | Bahasa | Model terlatih Llama-3.1-8B yang telah disesuaikan untuk klasifikasi keamanan konten. | Kartu model |
| Qwen2 | Bahasa | Men-deploy Qwen2, seri model bahasa besar dasar. | Colab Kartu model |
| Phi-3 | Bahasa | Men-deploy Phi-3, seri model bahasa besar dasar. | Colab Kartu model |
| E5 | Bahasa | Men-deploy E5, seri model embedding teks. | Colab Kartu model |
| ID Instan | Bahasa, Visi | Men-deploy ID Instan, model pembuatan teks ke gambar yang mempertahankan identitas. | Colab Kartu model |
| Llama 3 | Bahasa | Jelajahi dan buat dengan model Llama 3 Meta (8B, 70B, 405B) di Vertex AI. | Kartu model |
| Gemma 2 | Bahasa | Model bobot terbuka (9B, 27B) yang dibuat dari riset dan teknologi yang sama dengan yang digunakan untuk membuat model Gemini Google. | Kartu model |
| Gemma | Bahasa | Model bobot terbuka (2B, 7B) yang dibuat dari riset dan teknologi yang sama dengan yang digunakan untuk membuat model Gemini Google. | Kartu model |
| CodeGemma | Bahasa | Model bobot terbuka (2B, 7B) yang dirancang untuk pembuatan kode dan penyelesaian kode yang dibuat dari riset dan teknologi yang sama dengan yang digunakan untuk membuat model Gemini Google. | Kartu model |
| PaliGemma | Bahasa | Model berat terbuka 3B yang dirancang untuk tugas pemberian teks pada gambar serta tugas pertanyaan dan jawaban visual yang dibuat dari riset dan teknologi yang sama dengan yang digunakan untuk membuat model Gemini Google. | Kartu model |
| Vicuna v1.5 | Bahasa | Men-deploy model seri Vicuna v1.5, yang merupakan model dasar yang disesuaikan dari LLama2 untuk pembuatan teks. | Kartu model |
| NLLB | Bahasa | Men-deploy model seri nllb untuk terjemahan multibahasa. | Kartu model Colab |
| Mistral-7B | Bahasa | Men-deploy Mistral-7B, model dasar untuk pembuatan teks. | Kartu model |
| BioGPT | Bahasa | Men-deploy BioGPT, model generatif teks untuk domain biomedis. | Kartu model Colab |
| BiomedCLIP | Bahasa, Visi | Men-deploy BiomedCLIP, model dasar multi-modal untuk domain biomedis. | Kartu model Colab |
| ImageBind | Bahasa, Visi, Audio |
Men-deploy ImageBind, model dasar untuk penyematan multimodal. | Kartu model Colab |
| DITO | Bahasa, Visi | Menyempurnakan dan men-deploy DITO, model dasar multimodal untuk tugas deteksi objek kosakata terbuka. | Kartu model Colab |
| OWL-ViT v2 | Bahasa, Visi | Men-deploy OWL-ViT v2, model dasar multimodal untuk tugas deteksi objek kosakata terbuka. | Kartu model Colab |
| FaceStylizer (Mediapipe) | Vision | Pipeline generatif untuk mengubah gambar wajah manusia menjadi gaya baru. | Kartu model Colab |
| Llama 2 | Bahasa | Menyesuaikan dan men-deploy model dasar Llama 2 Meta (7B, 13B, 70B) di Vertex AI. | Kartu model |
| Code Llama | Bahasa | Men-deploy model dasar Code Llama Meta (7B, 13B, 34B) di Vertex AI. | Kartu model |
| Falcon-instruct | Bahasa | Menyempurnakan dan men-deploy model Falcon-instruct (7B, 40B) menggunakan PEFT. | Colab Kartu model |
| OpenLLaMA | Bahasa | Sempurnakan dan deploy model OpenLLaMA (3B, 7B, 13B) dengan menggunakan PEFT. | Colab Kartu model |
| T5-FLAN | Bahasa | Menyesuaikan dan men-deploy T5-FLAN (dasar, kecil, besar). | Kartu model (termasuk pipeline penyesuaian) |
| BERT | Bahasa | Menyesuaikan dan men-deploy BERT menggunakan PEFT. | Colab Kartu model |
| BART-large-cnn | Bahasa | Men-deploy BART, model encoder-encoder transformer (seq2seq) dengan encoder dua arah (mirip BERT) dan dekoder autoregresif (mirip GPT). | Colab Kartu model |
| RoBERTa-large | Bahasa | Menyempurnakan dan men-deploy RoBERTa-large menggunakan PEFT. | Colab Kartu model |
| XLM-RoBERTa-large | Bahasa | Menyempurnakan dan men-deploy XLM-RoBERTa-large (versi multibahasa RoBERTa) menggunakan PEFT. | Colab Kartu model |
| Dolly-v2-7b | Bahasa | Mendeploy Dolly-v2-7b, model bahasa besar yang mengikuti instruksi dengan 6,9 miliar parameter. | Colab Kartu model |
| Stable Diffusion XL v1.0 | Bahasa, Visi | Men-deploy Stable Diffusion XL v1.0, yang mendukung pembuatan teks ke gambar. | Colab Kartu model |
| Stable Diffusion XL Lightning | Bahasa, Visi | Men-deploy Stable Diffusion XL Lightning, model pembuatan teks ke gambar. | Colab Kartu model |
| Stable Diffusion v2.1 | Bahasa, Visi | Menyempurnakan dan men-deploy Stable Diffusion v2.1 (mendukung pembuatan teks ke gambar) menggunakan Dreambooth. | Colab Kartu model |
| Peningkatan Stable Diffusion 4x | Bahasa, Visi | Men-deploy peningkatan Stable Diffusion 4x, yang mendukung superresolusi gambar dengan kondisi teks. | Colab Kartu model |
| InstructPix2Pix | Bahasa, Visi | Men-deploy InstructPix2Pix, yang mendukung pengeditan gambar menggunakan perintah teks. | Colab Kartu model |
| Stable Diffusion Inpainting | Bahasa, Visi | Menyempurnakan dan men-deploy Stable Diffusion Inpainting, yang mendukung pewarnaan gambar yang disamarkan menggunakan perintah teks. | Colab Kartu model |
| SAM | Bahasa, Visi | Men-deploy Segmen Apa Pun, yang mendukung segmentasi gambar zero-shot. | Colab Kartu model |
| Teks ke video (ModelScope) | Bahasa, Visi | Men-deploy ModelScope teks ke video, yang mendukung pembuatan teks ke video. | Colab Kartu model |
| Pengambilan Gambar yang Ditulis Pic2Word | Bahasa, Visi | Men-deploy Pic2Word, yang mendukung pengambilan gambar multi-modal. | Colab Kartu model |
| BLIP2 | Bahasa, Visi | Men-deploy BLIP2, yang mendukung keterangan gambar dan jawaban pertanyaan visual. | Colab Kartu model |
| Open-CLIP | Bahasa, Visi | Menyempurnakan dan men-deploy Open-CLIP, yang mendukung klasifikasi zero-shot. | Colab Kartu model |
| F-VLM | Bahasa, Visi | Men-deploy F-VLM, yang mendukung deteksi objek gambar kosakata terbuka. | Colab Kartu model |
| tfhub/EfficientNetV2 | Vision | Menyempurnakan dan men-deploy implementasi Tensorflow Vision dari model klasifikasi gambar EefisienNetV2. | Colab Kartu model |
| EfisienNetV2 (TIMM) | Vision | Menyempurnakan dan men-deploy implementasi PyTorch dari model klasifikasi image barang efisienNetV2. | Colab Kartu model |
| Eksklusif/EfficientNetV2 | Vision | Menyempurnakan dan men-deploy checkpoint eksklusif Google dari model klasifikasi gambar EefisienNetV2. | Colab Kartu model |
| EfficientNetLite (MediaPipe) | Vision | Menyempurnakan model klasifikasi gambar EffectiveNetLite melalui pembuat model MediaPipe. | Colab Kartu model |
| tfvision/vit | Vision | Menyempurnakan dan men-deploy implementasi TensorFlow Vision dari model klasifikasi gambar ViT. | Colab Kartu model |
| ViT (TIMM) | Vision | Menyempurnakan dan men-deploy implementasi PyTorch dari model klasifikasi image ViT. | Colab Kartu model |
| Eksklusif/ViT | Vision | Menyempurnakan dan men-deploy checkpoint eksklusif Google dari model klasifikasi image ViT. | Colab Kartu model |
| Eksklusif/MaxViT | Vision | Menyempurnakan dan men-deploy checkpoint eksklusif Google untuk model klasifikasi gambar MaxViT hybrid (CNN + ViT). | Colab Kartu model |
| ViT (JAX) | Vision | Menyempurnakan dan men-deploy implementasi JAX dari model klasifikasi gambar ViT. | Colab Kartu model |
| tfvision/SpineNet | Vision | Menyempurnakan dan men-deploy implementasi Tensorflow Vision untuk model deteksi objek SpineNet. | Colab Kartu model |
| Eksklusif/Spinenet | Vision | Menyempurnakan dan men-deploy checkpoint eksklusif Google untuk model deteksi objek SpineNet. | Colab Kartu model |
| tfvision/YOLO | Vision | Menyempurnakan dan men-deploy implementasi TensorFlow Vision untuk model deteksi objek satu tahap YOLO. | Colab Kartu model |
| Eksklusif/YOLO | Vision | Menyempurnakan dan men-deploy checkpoint eksklusif Google untuk model deteksi objek satu tahap YOLO. | Colab Kartu model |
| YOLOv8 (Keras) | Vision | Menyempurnakan dan men-deploy implementasi Keras model YOLOv8 untuk deteksi objek. | Colab Kartu model |
| tfvision/YOLOv7 | Vision | Menyempurnakan dan menddeploy model YOLOv7 untuk deteksi objek. | Colab Kartu model |
| Pelacakan Objek Video ByteTrack | Vision | Menjalankan prediksi batch untuk pelacakan objek video menggunakan pelacak ByteTrack. | Colab Kartu model |
| ResNeSt (TIMM) | Vision | Menyempurnakan dan men-deploy implementasi PyTorch dari model klasifikasi image ResNeSt. | Colab Kartu model |
| ConvNeXt (TIMM) | Vision | Menyempurnakan dan men-deploy ConvNeXt, model konvolusional murni untuk klasifikasi gambar yang terinspirasi dari desain Vision Transformers. | Colab Kartu model |
| CspNet (TIMM) | Vision | Menyempurnakan dan men-deploy model klasifikasi image CSPNet (Cross Stage Partial Network). | Colab Kartu model |
| Inception (TIMM) | Vision | Menyempurnakan dan men-deploy model klasifikasi image Inception. | Colab Kartu model |
| DeepLabv3+ (dengan checkpoint) | Vision | Menyempurnakan dan men-deploy model DeepLab-v3 Plus untuk segmentasi gambar semantik. | Colab Kartu model |
| R-CNN yang lebih cepat (Detectron2) | Vision | Menyempurnakan dan men-deploy implementasi Detectron2 dari model Faster R-CNN untuk deteksi objek gambar. | Colab Kartu model |
| RetinaNet (Detectron2) | Vision | Menyempurnakan dan men-deploy implementasi Detectron2 dari model RetinaNet untuk deteksi objek gambar. | Colab Kartu model |
| Mask R-CNN (Detectron2) | Vision | Menyempurnakan dan men-deploy implementasi Detectron2 dari model Mask R-CNN untuk deteksi dan segmentasi objek gambar. | Colab Kartu model |
| ControlNet | Vision | Menyempurnakan dan men-deploy model pembuatan teks ke gambar ControlNet. | Colab Kartu model |
| MobileNet (TIMM) | Vision | Menyempurnakan dan men-deploy implementasi PyTorch dari model klasifikasi image MobileNet. | Colab Kartu model |
| Klasifikasi Gambar MobileNetV2 (MediaPipe) | Vision | Menyempurnakan model klasifikasi gambar MobileNetV2 dengan menggunakan pembuat model MediaPipe. | Colab Kartu model |
| Deteksi Objek MobileNetV2 (MediaPipe) | Vision | Menyempurnakan model deteksi objek MobileNetV2 dengan menggunakan pembuat model MediaPipe. | Colab Kartu model |
| MobileNet-MultiHW-AVG (MediaPipe) | Vision | Menyempurnakan model deteksi objek MobileNet-MultiHW-AVG dengan menggunakan pembuat model MediaPipe. | Colab Kartu model |
| DeiT | Vision | Menyempurnakan dan men-deploy model DeiT (Transformer Gambar Hemat data) untuk klasifikasi gambar. | Colab Kartu model |
| BEiT | Vision | Menyempurnakan dan men-deploy model BEiT (representasi Encoder Dua Arah dari Transformer Gambar) untuk klasifikasi gambar. | Colab Kartu model |
| Pengenalan Gestur Tangan (MediaPipe) | Vision | Menyempurnakan dan men-deploy model Pengenalan Gestur Tangan di perangkat menggunakan MediaPipe. | Colab Kartu model |
| Pengklasifikasi Penyematan Kata Rata-Rata (MediaPipe) | Vision | Menyempurnakan dan men-deploy model Pengklasifikasi Kata Penyematan di perangkat dengan menggunakan MediaPipe. | Colab Kartu model |
| Pengklasifikasi MobileBERT (MediaPipe) | Vision | Menyempurnakan dan men-deploy model MobileBERT Classifier di perangkat dengan menggunakan MediaPipe. | Colab Kartu model |
| Klasifikasi Klip Video MoViNet | Video | Menyempurnakan dan men-deploy model klasifikasi klip video MoViNet. | Colab Kartu model |
| Pengenalan Tindakan Video MoViNet | Video | Menyempurnakan dan men-deploy model MoViNet untuk inferensi pengenalan tindakan. | Colab Kartu model |
| LCM Stable Diffusion XL | Vision | Deploy model ini yang menggunakan Latent Consistency Model (LCM) untuk meningkatkan pembuatan teks ke gambar dalam Latent Diffusion Model dengan memungkinkan pembuatan gambar yang lebih cepat dan berkualitas tinggi dengan lebih sedikit langkah. | Colab Kartu model |
| LLaVA 1.5 | Visi, Bahasa | Men-deploy model LLaVA 1.5. | Colab Kartu model |
| Pytorch-ZipNeRF | Visi, Video | Latih model Pytorch-ZipNeRF yang merupakan implementasi algoritma ZipNeRF terbaru dalam framework Pytorch, yang dirancang untuk rekonstruksi 3D yang efisien dan akurat dari gambar 2D. | Colab Kartu model |
| Mixtral | Bahasa | Men-deploy model Mixtral yang merupakan model bahasa besar (LLM) Mixture of Experts (MoE) yang dikembangkan oleh Mistral AI. | Kartu model |
| Llama 2 (Dikuantisasi) | Bahasa | Menyesuaikan & men-deploy versi kuantisasi model Llama 2 Meta. | Colab Kartu model |
| LaMa (Large Mask Inpainting) | Vision | Men-deploy LaMa yang menggunakan konvolusi Fourier cepat (FFC), loss persepsi bidang reseptif yang tinggi, dan mask pelatihan besar memungkinkan inpainting gambar yang andal dalam resolusi. | Colab Kartu model |
| AutoGluon | Berbentuk tabel | Dengan AutoGluon, Anda dapat melatih dan men-deploy model machine learning dan deep learning dengan akurasi tinggi untuk data tabel. | Colab Kartu model |
| MaMMUT | Bahasa, Visi | Arsitektur encoder visi dan decoder teks untuk tugas multimodal seperti visual question answering, pengambilan teks gambar, pengambilan gambar teks, dan pembuatan penyematan multimodal. | Colab Kartu model |
Daftar model partner yang tersedia di Model Garden
Beberapa model partner ditawarkan sebagai API terkelola di Vertex AI Model Garden (juga dikenal sebagai model as a service). Tabel berikut mencantumkan model yang tersedia dari partner Google di Model Garden:
| Nama model | Modalitas | Deskripsi | Panduan memulai |
|---|---|---|---|
| Claude 3.5 Sonnet v2 dari Anthropic | Bahasa | Claude 3.5 Sonnet yang telah diupgrade adalah model canggih untuk tugas software engineering di dunia nyata dan kemampuan agen. Claude 3.5 Sonnet menghadirkan peningkatan ini dengan harga dan kecepatan yang sama seperti pendahulunya. | Kartu model |
| Claude 3.5 Haiku dari Anthropic | Bahasa | Claude 3.5 Haiku, model Anthropic generasi berikutnya yang paling cepat dan hemat biaya, optimal untuk kasus penggunaan yang membutuhkan kecepatan dan keterjangkauan. | Kartu model |
| Claude 3 Opus dari Anthropic | Bahasa | Model AI canggih, dengan performa terbaik untuk menyelesaikan tugas yang sangat kompleks. Model ini dapat menavigasi perintah terbuka dan skenario yang tidak terlihat dengan kemahiran yang luar biasa dan pemahaman layaknya manusia. | Kartu model |
| Claude 3 Haiku dari Anthropic | Bahasa | Model teks dan visi tercepat dari Anthropic untuk merespons kueri sederhana secara instan, yang ditujukan untuk pengalaman AI yang lancar yang meniru interaksi manusia. | Kartu model |
| Claude 3.5 Sonnet dari Anthropic | Bahasa | Claude 3.5 Sonnet mengungguli Claude 3 Opus Anthropic di berbagai evaluasi Anthropic dengan kecepatan dan biaya layaknya model tingkat menengah Anthropic, Claude 3 Sonnet. | Kartu model |
| Claude 3 Sonnet dari Anthropic | Bahasa | Model visi dan teks yang menyeimbangkan performa dan kecepatan untuk memproses beban kerja perusahaan. Layanan ini dirancang untuk deployment AI berskala rendah dan hemat biaya. | Kartu model |
| Jamba 1.5 Large (Pratinjau) | Bahasa | Jamba 1.5 Large dari AI21 Labs dirancang untuk respons berkualitas unggul, throughput tinggi, dan harga kompetitif dibandingkan dengan model lain dalam kelas ukurannya. | Kartu model |
| Jamba 1.5 Mini (Pratinjau) | Bahasa | Jamba 1.5 Mini dari AI21 Labs sangat seimbang dalam kualitas, throughput, dan biaya rendah. | Kartu model |
| Llama 3.2 (Pratinjau) | Bahasa, Visi | Model multimodal berukuran sedang 90B yang dapat mendukung penalaran gambar, seperti analisis diagram dan grafik serta pemberian teks gambar. | Kartu model |
| Llama 3.1 (Pratinjau) | Bahasa | Kumpulan LLM multibahasa yang dioptimalkan untuk kasus penggunaan dialog multibahasa dan mengungguli banyak model chat open source dan tertutup yang tersedia pada tolok ukur industri umum. | Kartu model |
| Mistral Besar (24,11) | Bahasa | Mistral Large (24.11) adalah versi berikutnya dari model Mistral Large (2407) yang kini memiliki kemampuan penalaran dan panggilan fungsi yang lebih baik. | Kartu model |
| Mistral Large (2407) | Bahasa | Mistral Large (2407) adalah model utama Mistral AI untuk pembuatan teks. Model ini mencapai kemampuan penalaran tingkat atas dan dapat digunakan untuk tugas multibahasa yang kompleks, termasuk pemahaman teks, transformasi, dan pembuatan kode. | Kartu model |
| Mistral Nemo | Bahasa | Model eksklusif Mistral AI yang paling hemat biaya. Gunakan workload latensi rendah Mistral Nemo dan tugas sederhana yang dapat dilakukan secara massal, seperti klasifikasi, dukungan pelanggan, dan pembuatan teks. | Kartu model |
| Codestral | Kode | Model generatif yang dirancang khusus dan dioptimalkan untuk pembuatan kode. Anda dapat menggunakan Codestral untuk mendesain aplikasi AI lanjutan. | Kartu model |
Pengujian dan keamanan model
Google melakukan pengujian dan benchmark menyeluruh pada penayangan dan penyesuaian container yang kami sediakan. Pemindaian kerentanan aktif juga diterapkan ke artefak penampung.
Model pihak ketiga dari partner unggulan menjalani pemindaian checkpoint model untuk memastikan keasliannya. Model pihak ketiga dari HuggingFace Hub dipindai langsung oleh HuggingFace, pada setiap commit atau saat halaman repositori dikunjungi, untuk malware, file pickle, dan rahasia. Model dengan temuan dari pemindaian ini ditandai oleh HuggingFace. Sebaiknya lakukan peninjauan menyeluruh terhadap model yang ditandai sebelum men-deploy-nya dalam Model Garden.
Cara menggunakan kartu model
Klik kartu model untuk menggunakan model yang terkait dengannya. Misalnya, Anda dapat mengklik kartu model untuk menguji perintah, menyesuaikan model, membuat aplikasi, dan melihat contoh kode.
Untuk mempelajari cara menggunakan model yang terkait dengan kartu model, klik salah satu tab berikut:
Perintah pengujian
Gunakan kartu model Vertex AI PaLM API untuk menguji perintah.
Di Konsol Google Cloud, buka halaman Model Garden.
Temukan model yang didukung yang ingin Anda uji, lalu klik Lihat detail.
Klik Open perintah design.
Anda akan diarahkan ke halaman Prompt design.
Di Prompt, masukkan perintah yang ingin diuji.
Opsional: Konfigurasikan parameter model.
Klik Submit.
Menyesuaikan model
Untuk menyesuaikan model yang didukung, gunakan pipeline Vertex AI atau notebook.
Menyesuaikan menggunakan pipeline
Model BERT dan T5-FLAN mendukung penyesuaian model menggunakan pipeline.
Di Konsol Google Cloud, buka halaman Model Garden.
Di Search models, masukkan BERT atau T5-FLAN, lalu klik kaca pembesar untuk melakukan penelusuran.
Klik Lihat detail pada kartu model T5-FLAN atau BERT.
Klik Open fine-tuning pipeline.
Anda akan diarahkan ke halaman pipeline Vertex AI.
Untuk memulai penyesuaian, klik Create run.
Menyesuaikan di notebook
Kartu model untuk sebagian besar model dasar open source dan model yang dapat disesuaikan mendukung penyesuaian di notebook.
Di Konsol Google Cloud, buka halaman Model Garden.
Temukan model yang didukung yang ingin Anda sesuaikan, lalu klik View details.
Klik Open notebook.
Men-deploy model
Anda dapat men-deploy model dari kartu modelnya, seperti Stable Diffusion. Saat men-deploy model, Anda dapat memilih untuk menggunakan reservasi Compute Engine. Untuk mengetahui informasi selengkapnya, lihat Menggunakan reservasi dengan prediksi.
Di Konsol Google Cloud, buka halaman Model Garden.
Temukan model yang didukung yang ingin Anda deploy, lalu klik kartu modelnya.
Klik Deploy untuk membuka panel Deploy model.
Di panel Deploy model, tentukan detail untuk deployment Anda.
- Gunakan atau ubah nama model dan endpoint yang dihasilkan.
- Pilih lokasi untuk membuat endpoint model Anda.
- Pilih jenis mesin yang akan digunakan untuk setiap node deployment Anda.
Untuk menggunakan reservasi Compute Engine, di bagian Setelan deployment, pilih Lanjutan.
Untuk kolom Reservation type, pilih jenis reservasi. Reservasi harus sesuai dengan spesifikasi komputer yang Anda tentukan.
- Automatically use created reservation: Vertex AI otomatis memilih reservasi yang diizinkan dengan properti yang cocok. Jika tidak ada kapasitas dalam reservasi yang dipilih secara otomatis, Vertex AI akan menggunakan kumpulan resource Google Cloud umum.
- Select specific reservations: Vertex AI menggunakan pemesanan tertentu. Jika tidak ada kapasitas untuk reservasi yang Anda pilih, error akan ditampilkan.
- Jangan gunakan (default): Vertex AI menggunakan kumpulan resource Google Cloud umum. Nilai ini memiliki efek yang sama dengan tidak menentukan reservasi.
Klik Deploy.
Lihat contoh kode
Sebagian besar kartu model untuk model solusi khusus tugas berisi contoh kode yang dapat Anda salin dan uji.
Di Konsol Google Cloud, buka halaman Model Garden.
Temukan model yang didukung yang ingin Anda lihat contoh kodenya, lalu klik tab Documentation.
Halaman akan men-scroll ke bagian dokumentasi dengan kode contoh yang disematkan.
Membuat aplikasi vision
Kartu model untuk model computer vision yang berlaku mendukung pembuatan aplikasi vision.
Di Konsol Google Cloud, buka halaman Model Garden.
Temukan model vision di bagian solusi khusus Tugas yang ingin Anda gunakan untuk membuat aplikasi vision, lalu klik View details.
Klik Build app.
Anda akan diarahkan ke Vertex AI Vision.
Di Application name, masukkan nama untuk aplikasi Anda, lalu klik Continue.
Pilih paket penagihan, lalu klik Create.
Anda akan diarahkan ke Vertex AI Vision Studio tempat Anda dapat melanjutkan pembuatan aplikasi computer vision.
Harga
Untuk model open source di Model Garden, Anda akan ditagih untuk penggunaan hal berikut di Vertex AI:
- Penyesuaian model: Anda akan ditagih untuk resource komputasi yang digunakan dengan tarif yang sama seperti pelatihan kustom. Lihat harga pelatihan kustom.
- Deployment model: Anda ditagih untuk resource komputasi yang digunakan untuk men-deploy model ke endpoint. Lihat harga prediksi.
- Colab Enterprise: Lihat Harga Colab Enterprise.
Mengontrol akses ke model tertentu
Anda dapat menetapkan kebijakan organisasi Model Garden di tingkat organisasi, folder, atau project untuk mengontrol akses ke model tertentu di Model Garden. Misalnya, Anda dapat mengizinkan akses ke model tertentu yang telah Anda periksa dan menolak akses ke semua model lainnya.
Langkah selanjutnya
- Pelajari praktik terbaik responsible AI dan filter keamanan Vertex AI.
- Pelajari AI Generatif di Vertex AI.
- Pelajari cara menyesuaikan model dasar.