Vista geral do Model Garden

O Model Garden é uma biblioteca de modelos de IA/ML que ajuda a descobrir, testar, personalizar e implementar modelos e recursos da Google e de parceiros da Google.

Vantagens do Model Garden

Quando trabalha com modelos de IA, o Model Garden oferece as seguintes vantagens:

• Os modelos disponíveis estão todos agrupados numa única localização
• O Model Garden oferece um padrão de implementação consistente para diferentes tipos de modelos
• O Model Garden oferece integração incorporada com outras partes do Vertex AI, como o aperfeiçoamento, a avaliação e a publicação de modelos
• A apresentação de modelos de IA generativa pode ser difícil. O Vertex AI processa a implementação e a apresentação de modelos por si

Explore modelos

Para ver a lista de modelos de base disponíveis da Vertex AI e de código aberto, ajustáveis e específicos de tarefas, aceda à página Model Garden naGoogle Cloud consola.

Aceda ao Model Garden

As categorias de modelos disponíveis no Model Garden são:

Categoria	Descrição
Modelos de base	Grandes modelos pré-preparados multitarefa que podem ser otimizados ou personalizados para tarefas específicas através do Vertex AI Studio, da Vertex AI API e do Vertex AI SDK para Python.
Modelos ajustáveis	Modelos que pode otimizar com um bloco de notas personalizado ou um pipeline.
Soluções específicas para tarefas	A maioria destes modelos pré-criados está pronta a ser usada. Muitos podem ser personalizados com os seus próprios dados.

Para filtrar modelos no painel de filtros, especifique o seguinte:

• Tarefas: clique na tarefa que quer que o modelo execute.
• Coleções de modelos: clique para escolher modelos geridos pela Google, por parceiros ou por si.
• Fornecedores: clique no fornecedor do modelo.
• Funcionalidades: clique nas funcionalidades que quer no modelo.

Para saber mais sobre cada modelo, clique no respetivo cartão de modelo.

Para ver uma lista de modelos disponíveis no Model Garden, consulte o artigo Modelos disponíveis no Model Garden.

Análise de segurança do modelo

A Google realiza testes e testes de referência exaustivos nos contentores de publicação e otimização que fornecemos. A análise de vulnerabilidades ativa também é aplicada a artefactos de contentores.

Os modelos de terceiros de parceiros em destaque são submetidos a análises de pontos de verificação de modelos para garantir a autenticidade. Os modelos de terceiros do HuggingFace Hub são verificados diretamente pelo HuggingFace e pelo respetivo scanner de terceiros quanto à existência de software malicioso, ficheiros pickle, camadas Keras Lambda e segredos. Os modelos considerados inseguros a partir destas análises são sinalizados pela HuggingFace e o respetivo implemento é bloqueado no Model Garden. Os modelos considerados suspeitos ou que têm a capacidade de executar potencialmente código remoto são indicados no Model Garden, mas podem continuar a ser implementados. Recomendamos que faça uma revisão detalhada de qualquer modelo suspeito antes de o implementar no Model Garden.

Preços

Para os modelos de código aberto no Model Garden, é-lhe cobrado o uso do seguinte no Vertex AI:

• Ajuste do modelo: são-lhe cobrados os recursos de computação usados à mesma taxa que a preparação personalizada. Consulte os preços da formação personalizada.
• Implementação do modelo: são-lhe cobrados os recursos de computação usados para implementar o modelo num ponto final. Consulte os preços das previsões.
• Colab Enterprise: consulte os preços do Colab Enterprise.

Controle o acesso a modelos específicos

Pode definir uma política da organização do Model Garden ao nível da organização, da pasta ou do projeto para controlar o acesso a modelos específicos no Model Garden. Por exemplo, pode permitir o acesso a modelos específicos que validou e negar o acesso a todos os outros.

Saiba mais sobre o Model Garden

Para mais informações sobre as opções de implementação e as personalizações que pode fazer com os modelos no Model Garden, consulte os recursos nas secções seguintes, que incluem links para tutoriais, referências, blocos de notas e vídeos do YouTube.

Implemente e publique

Saiba mais sobre a personalização de implementações e funcionalidades de publicação avançadas.

• Implemente e publique um modelo de código aberto através do SDK Python, da CLI, da API REST ou da consola
  • Blogue do programador: apresentamos a nova CLI e o SDK do Vertex AI Model Garden
  • Implemente modelos abertos através do bloco de notas do tutorial do SDK
  • Comece a usar o bloco de notas do SDK Vertex AI Model Garden
• Implementar e otimizar o Gemma 3 no vídeo do YouTube do Model Garden
• Implementar o Gemma e fazer previsões
• Publique modelos abertos com um contentor Hex-LLM em TPUs da Cloud
• Implementar modelos Llama através do notebook do tutorial Hex-LLM
• Use o armazenamento em cache de prefixos e a descodificação especulativa com o notebook do tutorial Hex-LLM ou vLLM
• Use o vLLM para publicar modelos de linguagem apenas de texto e multimodelos em GPUs do Google Cloud
  • Tutorial do bloco de notas de modelos apenas de texto
  • Bloco de notas do tutorial de modelos multimodais
• Use o contentor de publicação de GPU xDiT para a geração de imagens e vídeos
• Publicação de Gemma 2 com vários adaptadores LoRA com o DLC HuggingFace para o tutorial de inferência do PyTorch no Medium
• Use identificadores personalizados para publicar o PaliGemma para legendagem de imagens com o DLC HuggingFace para o tutorial de inferência do PyTorch no LinkedIn
• Implemente e publique um modelo que use VMs do Spot ou um bloco de notas do tutorial de reserva do Compute Engine
• Implemente e publique um modelo do HuggingFace

Conformidade do contentor

O Model Garden oferece os seguintes contentores em conformidade com o FedRAMP High para a publicação de modelos.

Nome do contentor	Tarefas suportadas	Versão da imagem do contentor	Exemplo de bloco de notas
PyTorch Inference v0.4	audio2text text2image zero-shot-image-classification zero-shot-object-detection csm_text2speech dia_text2speech image-to-text visual-question-answering instant-id janus_text2image janus_text_generation mask-generation nllb_translation paligemma_v2 pix2pix	us-docker.pkg.dev/deeplearning-platform-release/vertex-model-garden/pytorch-inference.cu125.0-4.ubuntu2204.py310:model-garden.pytorch-inference-0-4-gpu-release_20250828.00_p0	HiDream-I1
SGLang	Geração de texto a partir de texto	us-docker.pkg.dev/deeplearning-platform-release/vertex-model-garden/sglang-serve.cu124.0-4.ubuntu2204.py310:model-garden.sglang-0-4-release_20250828.00_p0	Qwen3 (utilização)
HuggingFace Inference Toolkit	text2image generation vanilla text-generation text-classification translation zero-shot-object-detection mask-generation sentence embeddings feature extraction fill mask Lista de tarefas completa: https://huggingface.co/docs/inference-endpoints/en/supported_tasks	us-docker.pkg.dev/deeplearning-platform-release/vertex-model-garden/hf-inference-toolkit.cu125.0-1.ubuntu2204.py311:model-garden.hf-inference-toolkit-0-1-release_20250915.00_p0	Implementação da inferência do PyTorch do Hugging Face
Inferência de incorporações de texto do HuggingFace (TEI)	text2embeddings	us-docker.pkg.dev/deeplearning-platform-release/vertex-model-garden/hf-tei.cu125.0-1.ubuntu2204.py310:model-garden.hf-tei-0-1-release_20250915.00_p0	Implementação da inferência de incorporações de texto do Hugging Face

Afinação

Saiba como otimizar modelos para personalizar respostas para exemplos de utilização específicos.

• Notebook do tutorial de ajuste preciso do Workbench
• Notebook do tutorial de ajuste preciso e avaliação
• Implementar e otimizar o Gemma 3 no vídeo do YouTube do Model Garden

Avaliação

Saiba mais sobre a avaliação das respostas do modelo com o Vertex AI

• Avalie o Gemma 2 com o vídeo do YouTube sobre o serviço de avaliação de IA generativa

Recursos adicionais

• Modelos e blocos de notas do Model Garden específicos do percurso do utilizador
• Notebooks de apresentação, ajuste e avaliação de modelos abertos do Vertex AI