Wspierany przez Platformę Dr7.ai Medical AI
MedGemma to rodzina medycznych modeli AI Google z otwartymi wagami, oparta na Gemma 3. Poznaj wersje, wyniki i pliki do pobrania lub wypróbuj poniżej bezpłatne interaktywne demo MedGemma.
Doświadcz mocy modelu MedGemma 4B IT do zaawansowanej analizy tekstu i obrazów medycznych
Doświadcz Asystenta Medycznego AI
Korzystaj z własnego asystenta medycznego AI Dr7 przez API zgodne z OpenAI, bez zarządzania GPU ani wdrożeniem.
Przejdź na wersję Pro, aby odblokować zaawansowane modele AI, nieograniczone rozmowy, profesjonalną analizę obrazów medycznych i jeszcze więcej możliwości
MedGemma to rodzina otwartych modeli AI od Google, zbudowana na Gemma 3 i wytrenowana do rozumienia tekstów i obrazów medycznych. Google udostępnił pierwsze modele MedGemma 20 maja 2025 r.; najnowsze wydanie to MedGemma 1.5 4B (13 stycznia 2026 r.).
MedGemma powstał na bazie wydajnej architektury Gemma 3 i został zoptymalizowany pod kątem zastosowań medycznych, dając programistom solidne narzędzia do tworzenia innowacyjnych rozwiązań medycznych.
Jako część Health AI Developer Foundations MedGemma ma upowszechnić dostęp do zaawansowanej medycznej AI, aby badacze i programiści na całym świecie mogli tworzyć skuteczniejsze aplikacje medyczne. Można spotkać też zapisy Med Gemma, Med-Gemma, MedGamma, Medgema lub Google MedGemma – wszystkie odnoszą się do tej samej rodziny modeli, której nie należy mylić z Med-Gemini, odrębnym modelem badawczym Google, który nie został publicznie udostępniony.
Dodaje obsługę wolumenów 3D z CT i MRI, obrazów całych preparatów histopatologicznych (whole-slide), porównywania z wcześniejszymi zdjęciami RTG klatki piersiowej, lokalizacji anatomicznej oraz wyodrębniania danych z wyników badań laboratoryjnych.
MedGemma 1.5 4B – szczegółyStan na październik 2026: nie istnieje MedGemma 2 ani MedGemma 1.5 27B – MedGemma 1.5 występuje wyłącznie jako model 4B.
Wszystkie oficjalne checkpointy MedGemma opublikowane przez Google oraz powiązany enkoder obrazu MedSigLIP.
Zaktualizowany model 4B; dostępny tylko jako 4B instruction-tuned.
Szczegóły: MedGemma 1.5 4BDostrojony do instrukcji – zalecany punkt wyjścia.
Wstępnie wytrenowany model bazowy do bardziej zaawansowanych eksperymentów.
Trenowany wyłącznie na tekstach medycznych; najwyższe wyniki w benchmarkach tekstowych.
Jeden model 27B do tekstu, dokumentacji medycznej i obrazów.
To nie model czatu: medyczny enkoder obrazu stojący za MedGemma, do klasyfikacji i wyszukiwania obrazów.
Szczegóły: MedSigLIP| Model | Parametry | Wejście | Wydanie | Repo Hugging Face | Licencja |
|---|---|---|---|---|---|
MedGemma 1.5 4BNajnowszy Zaktualizowany model 4B; dostępny tylko jako 4B instruction-tuned. | 4B | Tekst + obrazy, w tym CT/MRI 3D i obrazy całych preparatów histopatologicznych (whole-slide) | sty 2026 | google/medgemma-1.5-4b-it | Warunki HAI-DEF |
MedGemma 4B-it Dostrojony do instrukcji – zalecany punkt wyjścia. | 4B | Tekst + obrazy | maj 2025 | google/medgemma-4b-it | Warunki HAI-DEF |
MedGemma 4B-pt Wstępnie wytrenowany model bazowy do bardziej zaawansowanych eksperymentów. | 4B | Tekst + obrazy | maj 2025 | google/medgemma-4b-pt | Warunki HAI-DEF |
MedGemma 27B text-it Trenowany wyłącznie na tekstach medycznych; najwyższe wyniki w benchmarkach tekstowych. | 27B | Tylko tekst | maj 2025 | google/medgemma-27b-text-it | Warunki HAI-DEF |
MedGemma 27B multimodal Jeden model 27B do tekstu, dokumentacji medycznej i obrazów. | 27B | Tekst + obrazy + dane EHR | lip 2025 | google/medgemma-27b-it | Warunki HAI-DEF |
MedSigLIPPowiązany To nie model czatu: medyczny enkoder obrazu stojący za MedGemma, do klasyfikacji i wyszukiwania obrazów. | 400M + 400M | Embeddingi obrazu i tekstu (448×448) | lip 2025 | google/medsiglip-448 | Warunki HAI-DEF |
Źródła: MedGemma 1.5 model card · MedGemma 1 model card · MedGemma Technical Report (arXiv 2507.05201) · MedGemma 1.5 Technical Report (arXiv 2604.05081) · Nature Medicine (2026) · MedSigLIP model card
Co potrafi MedGemma według kart modeli (model cards) Google
Analizują jednocześnie obrazy i teksty medyczne. Korzystają z enkodera obrazu SigLIP wstępnie wytrenowanego na zanonimizowanych danych medycznych – zdjęciach RTG klatki piersiowej oraz obrazach z dermatologii, okulistyki i histopatologii.
Wytrenowany wyłącznie na tekstach medycznych i zoptymalizowany pod kątem rozumowania medycznego, dlatego w benchmarkach tekstowych wypada nieco lepiej niż multimodalny model 27B.
Dokładność (%) lub makro F1 według oficjalnych kart modeli Google. Wyniki modeli 27B uzyskano z użyciem test-time scaling.
| Benchmark | MedGemma 4B | MedGemma 1.5 4B | MedGemma 27B text | MedGemma 27B multimodal |
|---|---|---|---|---|
| MedQA (4 opcje) | 64,4 | 69,1 | 87,7 | 85,3 |
| MedMCQA | 55,7 | 59,8 | 74,2 | 70,2 |
| PubMedQA | 73,4 | 68,2 | 76,8 | 77,2 |
| MMLU – medycyna | 70,0 | 69,6 | 87,0 | 86,2 |
| MIMIC-CXR (makro F1, 5 głównych schorzeń) | 88,9 | 89,5 | — | 90,0 |
| EyePACS – dno oka | 64,9 | 76,8 | — | 75,3 |
Źródła: MedGemma 1.5 model card · MedGemma 1 model card
Twórz aplikacje AI, które analizują obrazy medyczne, generują raporty i wspierają triaż pacjentów.
Przyspiesz badania dzięki otwartemu dostępowi do zaawansowanej AI przez Hugging Face i Google Cloud.
Twórz prototypy narzędzi do wspierania decyzji, podsumowywania i przeglądu dokumentacji, a przed jakimkolwiek zastosowaniem klinicznym je zwaliduj.
Uruchom MedGemma samodzielnie przez Hugging Face lub Vertex AI albo wypróbuj online czat z medyczną AI od Dr7. Szukasz API Dr7? Znajdziesz je tuż pod demo.
Zadaj pytanie własnemu asystentowi medycznemu AI Dr7 lub prześlij zdjęcie RTG, przekrój TK albo zdjęcie skóry. Zaloguj się, aby rozpocząć.
Otwórz demoZaloguj się do Hugging Face, otwórz stronę modelu i zaakceptuj warunki Health AI Developer Foundations (dostęp jest przyznawany od razu). Następnie wczytaj model za pomocą Transformers 4.50 lub nowszej wersji. Według Google każdy model MedGemma może działać na jednym GPU; modele 27B wymagają jednak dużego GPU, chyba że je skwantyzujesz.
MedGemma na Hugging FaceWdróż MedGemma jako zarządzany endpoint z Vertex AI Model Garden we własnym projekcie Google Cloud – to ścieżka zalecana przez Google dla wdrożeń produkcyjnych na dużą skalę. Rozliczenia prowadzi Google Cloud.
Vertex AI Model Garden# pip install -U "transformers>=4.50" accelerate torch pillow requests
from transformers import pipeline
from PIL import Image
import requests
import torch
pipe = pipeline(
"image-text-to-text",
model="google/medgemma-4b-it", # or "google/medgemma-1.5-4b-it"
torch_dtype=torch.bfloat16,
device="cuda",
)
# Image attribution: Stillwaterising, CC0, via Wikimedia Commons
image_url = "https://upload.wikimedia.org/wikipedia/commons/c/c8/Chest_Xray_PA_3-8-2010.png"
image = Image.open(requests.get(image_url, headers={"User-Agent": "example"}, stream=True, timeout=30).raw)
messages = [{"role": "user", "content": [
{"type": "image", "image": image},
{"type": "text", "text": "Describe this X-ray"},
]}]
output = pipe(text=messages, max_new_tokens=300)
print(output[0]["generated_text"][-1]["content"])Stosuj przykłady few-shot i dziel zadania na mniejsze podzadania, aby poprawić wyniki.
Trenuj na własnych danych medycznych, zaczynając od notatnika do dostrajania udostępnionego przez Google na GitHubie.
Łącz MedGemma z narzędziami takimi jak wyszukiwarka internetowa, generatory danych FHIR czy inne modele AI.
MedGemma nie jest od razu narzędziem klasy klinicznej. Karta modelu Google stwierdza, że programiści muszą go zwalidować i dostosować do konkretnego zastosowania, zanim zaczną na nim polegać.
Korzystanie z MedGemma podlega warunkom Health AI Developer Foundations, które akceptujesz przed pobraniem wag.
Które medyczne modele AI można faktycznie pobrać, co analizują i jakie mają opublikowane wyniki MedQA.
| Model | Twórca | Do pobrania? | Wejście | MedQA |
|---|---|---|---|---|
| MedGemma 4B | Tak (po akceptacji warunków HAI-DEF) | Tekst + obrazy | 64.4% | |
| MedGemma 1.5 4B | Tak (po akceptacji warunków HAI-DEF) | Tekst + obrazy (w tym CT/MRI 3D) | 69.1% | |
| MedGemma 27B text | Tak (po akceptacji warunków HAI-DEF) | Tekst | 87.7% | |
| MedGemma 27B multimodal | Tak (po akceptacji warunków HAI-DEF) | Tekst + obrazy | 85.3% | |
| Med-PaLM 2 | Nie – wagi nigdy nie udostępnione | Tekst | 86.5% | |
| LLaVA-Med v1.5 | Microsoft | Tak (tylko do badań) | Tekst + obrazy | Brak danych |
Wyniki pochodzą z artykułu lub karty każdego modelu i uzyskano je w różnych warunkach (np. Med-PaLM 2 korzystał z promptowania ensemble refinement, a MedGemma 27B z test-time scaling), dlatego należy traktować je orientacyjnie, a nie jako bezpośrednie porównanie. LLaVA-Med oceniano w odpowiadaniu na pytania dotyczące obrazów medycznych (VQA-RAD, SLAKE, PathVQA), a nie w MedQA.
Źródła: MedGemma 1.5 model card · MedGemma 1 model card · Med-PaLM 2 (arXiv 2305.09617) · LLaVA-Med (arXiv 2306.00890) · microsoft/llava-med-v1.5-mistral-7b
Najczęstsze pytania o MedGemma
MedGemma 4B to multimodalny model z 4 miliardami parametrów, który analizuje obrazy i teksty medyczne. MedGemma 27B występuje w dwóch wersjach z 27 miliardami parametrów: modelu wyłącznie tekstowego, wytrenowanego tylko na tekstach medycznych, oraz modelu multimodalnego, który obsługuje także obrazy i dane z elektronicznej dokumentacji medycznej. Modele 27B osiągają wyższe wyniki w medycznych benchmarkach tekstowych (MedQA: 87,7% dla 27B tekstowego wobec 64,4% dla 4B), natomiast 4B jest znacznie tańszy w uruchomieniu. MedGemma 1.5 4B (styczeń 2026) to zaktualizowany model 4B.
Nie. Karta modelu Google mówi, że MedGemma nie jest przeznaczona do użytku bez odpowiedniej walidacji, adaptacji lub istotnej modyfikacji pod konkretne zastosowanie, a jej wyniki nie są przeznaczone do bezpośredniego wpływania na diagnozę kliniczną, postępowanie z pacjentem ani decyzje terapeutyczne.
Wagi MedGemma są dostępne na Hugging Face (na przykład google/medgemma-4b-it). Zaloguj się, zaakceptuj warunki Health AI Developer Foundations na stronie modelu – dostęp jest przyznawany od razu – i wczytaj model za pomocą Transformers. Możesz też wdrożyć go z Vertex AI Model Garden w Google Cloud.
Enkoder obrazu MedGemma został wstępnie wytrenowany na zanonimizowanych zdjęciach RTG klatki piersiowej, obrazach dermatologicznych, okulistycznych (dna oka) i preparatach histopatologicznych. MedGemma 1.5 4B dodaje wolumeny 3D z CT i MRI, wiele fragmentów obrazów całych preparatów histopatologicznych (whole-slide) oraz porównywanie zdjęcia RTG klatki piersiowej z wcześniejszymi obrazami.
Google wymienia prompt engineering (na przykład przykłady few-shot), grounding, orkiestrację agentową z innymi narzędziami oraz dostrajanie na własnych danych. Oficjalne repozytorium GitHub google-health/medgemma zawiera notatnik do dostrajania.
Google udostępnił MedGemma 4B i MedGemma 27B w wersji tekstowej 20 maja 2025 r., w okolicach Google I/O. Multimodalny MedGemma 27B i enkoder obrazu MedSigLIP pojawiły się 9 lipca 2025 r., a MedGemma 1.5 4B – 13 stycznia 2026 r. Recenzowany artykuł o MedGemma ukazał się w Nature Medicine 6 października 2026 r.
W MedQA (pytania w stylu USMLE, 4 opcje) Google podaje 64,4% dla MedGemma 4B, 69,1% dla MedGemma 1.5 4B, 87,7% dla MedGemma 27B w wersji tekstowej i 85,3% dla multimodalnego MedGemma 27B (wyniki modeli 27B uzyskano z użyciem test-time scaling). Dla porównania bazowy model Gemma 3 4B osiąga 50,7%.
Tak. Repozytorium GitHub google-health/medgemma od Google zawiera notatnik szybkiego startu i notatnik do dostrajania dla Hugging Face, a także kolejne notatniki z samouczkami, np. dotyczące CT i obrazów całych preparatów histopatologicznych (whole-slide) z MedGemma 1.5.
Według Google wszystkie modele MedGemma mogą działać na jednym GPU, a MedGemma 4B można nawet dostosować do działania na urządzeniach mobilnych. Modele 27B wymagają dużego GPU – wskazówki szybkiego startu Google odsyłają do GPU klasy Colab Enterprise, aby uruchomić je bez kwantyzacji.
Nie – stan na październik 2026. Najnowsze wydanie to MedGemma 1.5, które Google oferuje wyłącznie jako multimodalny model 4B dostrojony do instrukcji (instruction-tuned). Modele 27B to nadal oryginalne wersje MedGemma 1 z maja i lipca 2025 r.
MedGemma jest zbudowana na Gemma 3, który obsługuje ponad 140 języków, więc potrafi czytać i odpowiadać w wielu językach. Google zaznacza jednak, że ocena bezpieczeństwa była prowadzona głównie na promptach w języku angielskim, a benchmarki medyczne są w większości anglojęzyczne – dlatego przed poleganiem na modelu sprawdź jakość w swoim języku (na przykład po polsku).
Nie. Med-Gemini (2024, 91,1% w MedQA) i Med-PaLM 2 (2023, 86,5% w MedQA) to modele badawcze Google, których wagi nigdy nie zostały udostępnione. MedGemma to otwarta rodzina modeli Google, którą każdy może pobrać i dostroić.