Gemma 2 de Google est un modèle d’IA conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, offrant une fenêtre de contexte de 8K, une vitesse de 110 tokens/s, un indice d’intelligence de 58/100 et un tarif de accès gratuit à poids ouverts.
Technical Specifications
- Provider
- Category
- open-source
- Release Date
- 2024-06
- Batch API Discount
- Standard rate
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Fixed
- Structured Outputs
- Yes
- Output Modalities
- text
- Official Documentation
- Visit Official Docs ↗
Data Privacy, Licensing & Deployment Governance
Official Provider Release Intelligence, API Quotas & Agentic Specs
- Official API Model ID (SDK String)
- models/gemma-2
- Supported SDK & API Protocol
- Google Gemini API (generateContent) + OpenAI-Compatible SDK
- Lifecycle & Deprecation Status
- Legacy Stable (Upgrade path available in Google lineup)
- Production Rate Limits (RPM & TPM)
- Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
- Long-Context Pricing Tier (>128K / >200K)
- Free across full context window (only KV-cache VRAM scales)
- Prompt Cache Write & TTL Policy
- Automatic prefix KV-caching in vLLM / SGLang (0 cost)
- Computer Use & Browser GUI Agent
- API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
- MCP & Parallel Tool Calling
- Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
- Web Search Grounding & Code Sandbox
- Built-in Google Search Grounding + Managed Python Code Execution Sandbox
- Fine-Tuning & Distillation Support
- Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
- Multimodal Tokenization Billing
- Text BPE (~4 chars/token)
- Weights Precision & Quantization
- BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0)
- Minimum GPU VRAM Requirement
- 2 GB VRAM (4-bit Quantized) · 4 GB VRAM (Native BF16)
- Supported Inference Engines
- vLLM, SGLang, Ollama, llama.cpp, TensorRT-LLM, HuggingFace TGI
- System Card & Safety Framework
- Google DeepMind Frontier Safety Framework Verified
- Enterprise Compliance (SOC2 / HIPAA / ZDR)
- 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Gemma 2 Cost, Context, Hardware & API Integration
Open-weights or free-tier model: $0 API license cost when self-hosted.
Same Monthly Workload Cost Across Popular Reference Models
Live Prompt Paste Tokenizer & Cost Counter
Paste real system instructions, JSON schemas, or code to measure BPE token counts across tokenizers.
Hybrid Prompt Routing Cascade Simulator
Route routine queries to a fast lightweight model ($0.15/1M) and escalate only complex reasoning turns to Gemma 2:
Benchmark Scores & 6-Axis Capability Radar
- MMLU-Pro
- 68.5%
- HumanEval
- 72%
- Chatbot Arena Elo
- 1250pts
Strengths
- Fenêtre de contexte de 8K et capacité de sortie maximale de 4K tokens (MMLU-Pro 68.5% · Arena Elo 1250)
- Débit rapide de 110 tokens/seconde avec une latence au premier token (TTFT) de 300 ms
- Poids ouverts (2B / 9B / 27B) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Limitations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Editorial Assessment
Alliant un indice d’intelligence de 58/100, un contexte de 8K et un débit de 110 tok/s, Gemma 2 s’impose comme une valeur sûre de la gamme Google.
Best for: Conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, l’intégration RAG et les pipelines de production évolutifs.
Compare Gemma 2
Frequently Asked Questions about Gemma 2
How much does the Gemma 2 API cost per 1M tokens?+
Gemma 2 by Google is priced at $0 per 1M input tokens and $0 per 1M output tokens. With prompt caching enabled, cached input tokens cost $0 per 1M tokens, and asynchronous Batch API requests receive a 0% discount.
Should I use a $20/month subscription or the Gemma 2 pay-as-you-go API?+
A flat $20/month consumer subscription is predictable for daily interactive chat and manual coding. However, if you are building software, running automated workflows, or sending low-to-moderate volume with prompt caching enabled, the pay-as-you-go API is typically far more cost-effective and offers higher rate limits without manual UI caps.
How many words and pages fit in Gemma 2's context window?+
Gemma 2 features a 8K tokens context window, which equals approximately 6,144 English words or ~16 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 4,096 tokens.
Can I run Gemma 2 locally on my own GPU (Open Weights)?+
Yes, Gemma 2 (2B / 9B / 27B) releases open weights that can be self-hosted locally or on private cloud GPUs using vLLM, Ollama, SGLang, or llama.cpp.
Does Google train on data sent to the Gemma 2 API, and is commercial use allowed?+
100% Isolated when self-hosted on private GPUs or VPC. License tier: Open-Weights Research & Commercial License. Full commercial ownership of generated outputs. Supported deployment channels include: Self-Hosted GPU (vLLM / Ollama), Private VPC, or Managed Serverless API.
How does Gemma 2 perform on coding and reasoning benchmarks?+
Gemma 2 achieves a composite Intelligence Index of 58/100, scoring N/A% on SWE-bench Verified, N/A% on GPQA Diamond, 68.5% on MMLU-Pro, and 1250 pts on Chatbot Arena Elo.
What is Gemma 2 best used for?+
Gemma 2 is best suited for: Conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, l’intégration RAG et les pipelines de production évolutifs.. Assessment: Alliant un indice d’intelligence de 58/100, un contexte de 8K et un débit de 110 tok/s, Gemma 2 s’impose comme une valeur sûre de la gamme Google.
Google Family Lineage, Routing Tiers & Upgrade Path
Step down to a lighter sibling for high-volume routing or step up to Google's flagship reasoning tier:
Gemini 4 Argon
Gemini 3.8 Flash
Gemini 3.7 Flash
Gemini 3.6 Flash
Gemini 3.5 Flash-Lite
Gemini Omni Flash
AI Glossary & Architecture Concepts
View full glossary →Key machine learning concepts and benchmarks relevant to Gemma 2:
L'unité textuelle de base traitée par un modèle linguistique, représentant généralement 3 à 4 caractères ou environ 0,75 mot. Par exemple, une phrase courante est découpée en plusieurs jetons.
Une suite de tests standardisés permettant d'évaluer et de comparer objectivement les performances des modèles d'IA sur des tâches ciblées (code avec SWE-bench, mathématiques avec AIME, etc.).
Le nombre maximal de jetons qu'un modèle peut traiter simultanément (entrée et sortie comprises). Une fenêtre de 1 000 000 jetons permet d'analyser environ 750 000 mots en une seule requête.
La capacité d'un LLM à déterminer quand une action externe est requise et à générer des arguments structurés pour invoquer des API, calculatrices ou bases de données avant de poursuivre.
Un standard ouvert créé par Anthropic permettant aux agents d'IA de se connecter de façon uniforme aux systèmes de fichiers locaux, aux environnements de développement et aux API tierces.
L'architecture de réseau neuronal introduite en 2017 à la base des LLM modernes, utilisant l'auto-attention pour traiter tous les jetons en parallèle plutôt que séquentiellement.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Google DeepMind Gemma 2 Report↗