LLM EU
Menu
Modeller

Gemma 3 27B It

Google DeepMind

Kun katalog Åbne vægte

Sidst gennemgået:

Suverænitet og hosting

Kun i katalog

Denne model er katalogiseret til reference. Den er endnu ikke hostet på LLM EU, og ingen førsteparts-endpoint betjener den her. Anmodninger til den går direkte til udbyderen under den pågældende udbyders egne vilkår.

Resumé

Gemma 3 27B It er en open-weight vision-sprogmodel fra Google DeepMind med 27.4B parametre, udgivet under gemma. Repository'et blev oprettet i marts 2025 og er spejlet på Hugging Face. Den accepterer tekst og billeder og svarer i tekst. Checkpointet er instruktions-tunet og leveres med en chat-skabelon. Den offentliggjorte konfiguration registrerer intet kontekstvindue, så dette kort indeholder intet. Kortet er kun til katalogbrug: LLM EU kører ikke denne model. Udgiveren angiver ingen sprogdækning på modelsiden.

Specifikationer

Udbyder
Google DeepMind (US)
Kontekstvindue
Ikke verificeret: udbyderen har ikke dokumenteret denne påstand.
Parametre
27.4B
Modaliteter
text, vision
Licens
gemma · licence
Åbne vægte
yes
Udgivelsesdato
01. mar. 2025
Opgaver
Flersproget support, Vision, Ræsonnement

Sprog

Stærk: —

Tilstrækkelig: —

Stærk

    Tilstrækkelig

      Ikke verificeret: udbyderen har ikke dokumenteret denne påstand. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

      Hvornår man bruger den

      Styrker

      • open weights are published on Hugging Face and can be downloaded without a vendor agreement
      • instruction-tuned checkpoint with a chat template in the repository

      Begrænsninger

      • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
      • no evaluation has been run by LLM EU
      • the published configuration records no context window, so the card carries none
      • at 27.4B parameters, self-hosting needs a single accelerator with enough memory for the weights
      • vision checkpoints are heavier to serve than their parameter count alone suggests, because the image encoder and pre-processing run alongside the language model