Entscheiden Sie anhand von Belegen aus Ihrer Workload, nicht anhand eines allgemeinen Leaderboards. Beginnen Sie mit dem kleinsten Checkpoint, der Ihr Qualitätsziel erreicht, und prüfen Sie dann Bedingungen, Trainingsunterstützung und Deployment-Pfad, bevor Sie in einen vollen Lauf investieren.
Bauen Sie repräsentative Erfolgs-, Fehler-, Grenz-, Sicherheits- und Out-of-Distribution-Fälle. Halten Sie sie aus Training und Prompt-Iteration heraus.
Prüfen Sie dasselbe Bewertungsraster mit Prompting, Few-Shot-Beispielen, Retrieval und den Kandidaten-Basismodellen. Fine-Tuning soll eine gemessene Lücke schließen.
Führen Sie ein kurzes Adapter-Experiment durch, halten Sie die vollständige Konfiguration fest und promoten Sie nur, wenn der Gewinn Holdout- und Sicherheitsevaluierung übersteht.
Stand geprüft im Juli 2026. Das ist ein Ausgangspunkt, keine Rangliste und keine Zusage, dass jeder Checkpoint jede Tuning-Methode unterstützt. Folgen Sie der offiziellen Quelle für aktuelle Dateien und Bedingungen.
Eine von Google unterstützte Open-Weight-Familie mit dokumentierten lokalen und cloudbasierten Tuning-Pfaden.
Prüfen: Wählen Sie Checkpoint und Format erst, nachdem Sie die aktuellen Gemma-Bedingungen, den Framework-Leitfaden und den Speicherbedarf geprüft haben.
Offizielle Modellquelle öffnenEine breite Open-Weight-Familie, die sich für mehrsprachige, Coding- und multimodale Workloads zu prüfen lohnt.
Prüfen: Die Collection enthält Modelle mit sehr unterschiedlichen Architekturen und Größen; prüfen Sie jede Model Card und jedes Chat-Template.
Offizielle Modellquelle öffnenOpen-Weight-Modelle mit offizieller Deployment-Anleitung und, für ausgewählte Checkpoints, Hinweisen zum Fine-Tuning.
Prüfen: Einige neuere Checkpoints sind Mixture-of-Experts-Modelle, deren Gesamtgewichtsbedarf deutlich über der Zahl der aktiven Parameter liegt.
Offizielle Modellquelle öffnenOpen-Weight-Reasoning-Modelle von OpenAI mit offizieller Model Card und Hinweisen zum Fine-Tuning.
Prüfen: Behalten Sie das geforderte Harmony-Antwortformat bei und messen Sie den Speicher auf genau dem Trainings-Stack, bevor Sie einen Checkpoint wählen.
Offizielle Modellquelle öffnenDie Parameterzahl allein sagt den Trainingsspeicher nicht vorher. Präzision, Sequenzlänge, Attention-Implementierung, Optimierer, Batchgröße, Adapter und Sharding zählen alle.
„Open Weight“ ist keine Lizenzkategorie. Prüfen Sie Bedingungen und Hinweise des Checkpoints; leiten Sie Rechte nicht aus dem Namen der Modellfamilie ab.
Ein getuntes Modell kann außerhalb der Zielaufgabe schlechter werden. Testen Sie Basisfähigkeiten, Missbrauchsfälle, Datenabfluss und Verweigerungsverhalten vor jedem Release.
Kaufen Sie niemals Hardware auf Basis einer allgemeinen VRAM-Schätzung. Reproduzieren Sie einen repräsentativen Piloten mit genau dem Checkpoint, der Präzision, der Sequenzlänge und dem Framework, oder holen Sie ein aktuelles Anbieterangebot ein, das Training, Speicher, Serving und Datentransfer enthält.