01Ce qu'il sait faire
Points forts
- Très léger (1.8 Go VRAM Q4)
- Meilleur 2B de 2024
- Tourne sur CPU modeste
- Licence Gemma open
Limites à connaître
- —Contexte 8192 seulement
- —Limité sur les tâches complexes
Architecture
Transformer dense · Gemma 2 2B · logit-softcapping + attention locale/globale
Entraînement
3T tokens, architecture compacte Google distillée depuis modèles plus grands.
Idéal pour
EdgeMobileRésumé rapide
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
1.8 Go
Q5_K_M
Bon compromis qualité/taille
2.2 Go
Q8_0
Quasi-indistinguable de FP16
3.2 Go
FP16
Pleine précision — usage serveur
5 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 4 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
MMLU
52.2
HellaSwag
74.9
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run gemma2:2b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.