Plan Pro: 30% zniżkiOdbierz

MedGemma

Zaawansowane modele AI do analizy tekstów i obrazów medycznych

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.

🧠
5
otwartych modeli MedGemma
4B
Multimodalny (obraz + tekst)
27B
Tylko tekst lub multimodalny
Najnowsza wersja: MedGemma 1.5 4B · sty 2026

Wypróbuj interaktywne demo MedGemma

Doświadcz mocy modelu MedGemma 4B IT do zaawansowanej analizy tekstu i obrazów medycznych

API Dr7.ai

Korzystaj z własnego asystenta medycznego AI Dr7 przez API zgodne z OpenAI, bez zarządzania GPU ani wdrożeniem.

Zobacz API

Chcesz bardziej zaawansowanych funkcji diagnostyki medycznej AI?

Przejdź na wersję Pro, aby odblokować zaawansowane modele AI, nieograniczone rozmowy, profesjonalną analizę obrazów medycznych i jeszcze więcej możliwości

10+
Dostępne modele AI
24/7
Wsparcie 24/7
∞
Nieograniczone rozmowy

Czym jest MedGemma

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.

Najnowsza wersja
MedGemma 1.5 4B
sty 2026

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 – szczegóły

Stan na październik 2026: nie istnieje MedGemma 2 ani MedGemma 1.5 27B – MedGemma 1.5 występuje wyłącznie jako model 4B.

Wersje i modele MedGemma

Wszystkie oficjalne checkpointy MedGemma opublikowane przez Google oraz powiązany enkoder obrazu MedSigLIP.

MedGemma 1.5 4BNajnowszy
Parametry
4B
Wejście
Tekst + obrazy, w tym CT/MRI 3D i obrazy całych preparatów histopatologicznych (whole-slide)
Wydanie
sty 2026
Repo Hugging Face
google/medgemma-1.5-4b-it
Licencja
Warunki HAI-DEF

Zaktualizowany model 4B; dostępny tylko jako 4B instruction-tuned.

Szczegóły: MedGemma 1.5 4B
MedGemma 4B-it
Parametry
4B
Wejście
Tekst + obrazy
Wydanie
maj 2025
Repo Hugging Face
google/medgemma-4b-it
Licencja
Warunki HAI-DEF

Dostrojony do instrukcji – zalecany punkt wyjścia.

MedGemma 4B-pt
Parametry
4B
Wejście
Tekst + obrazy
Wydanie
maj 2025
Repo Hugging Face
google/medgemma-4b-pt
Licencja
Warunki HAI-DEF

Wstępnie wytrenowany model bazowy do bardziej zaawansowanych eksperymentów.

MedGemma 27B text-it
Parametry
27B
Wejście
Tylko tekst
Wydanie
maj 2025
Repo Hugging Face
google/medgemma-27b-text-it
Licencja
Warunki HAI-DEF

Trenowany wyłącznie na tekstach medycznych; najwyższe wyniki w benchmarkach tekstowych.

MedGemma 27B multimodal
Parametry
27B
Wejście
Tekst + obrazy + dane EHR
Wydanie
lip 2025
Repo Hugging Face
google/medgemma-27b-it
Licencja
Warunki HAI-DEF

Jeden model 27B do tekstu, dokumentacji medycznej i obrazów.

MedSigLIPPowiązany
Parametry
400M + 400M
Wejście
Embeddingi obrazu i tekstu (448×448)
Wydanie
lip 2025
Repo Hugging Face
google/medsiglip-448
Licencja
Warunki HAI-DEF

To nie model czatu: medyczny enkoder obrazu stojący za MedGemma, do klasyfikacji i wyszukiwania obrazów.

Szczegóły: MedSigLIP

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

Funkcje

Co potrafi MedGemma według kart modeli (model cards) Google

Warianty modeli MedGemma

🖼️

Modele multimodalne (4B, 27B, 1.5 4B)

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.

📄

Model wyłącznie tekstowy (27B)

Wytrenowany wyłącznie na tekstach medycznych i zoptymalizowany pod kątem rozumowania medycznego, dlatego w benchmarkach tekstowych wypada nieco lepiej niż multimodalny model 27B.

Kluczowe możliwości

  • ✓Klasyfikacja obrazów medycznych (radiologia, patologia, dermatologia, okulistyka)
  • ✓Interpretacja obrazów medycznych i tworzenie wstępnych opisów
  • ✓Odpowiadanie na pytania medyczne i rozumowanie kliniczne
  • ✓Interpretacja CT/MRI 3D i obrazów całych preparatów histopatologicznych (whole-slide; MedGemma 1.5)
  • ✓Wyodrębnianie ustrukturyzowanych danych z wyników badań laboratoryjnych i tekstów EHR (elektronicznej dokumentacji medycznej) (MedGemma 1.5)

Wyniki MedGemma w benchmarkach

Dokładność (%) lub makro F1 według oficjalnych kart modeli Google. Wyniki modeli 27B uzyskano z użyciem test-time scaling.

BenchmarkMedGemma 4BMedGemma 1.5 4BMedGemma 27B textMedGemma 27B multimodal
MedQA (4 opcje)64,469,187,785,3
MedMCQA55,759,874,270,2
PubMedQA73,468,276,877,2
MMLU – medycyna70,069,687,086,2
MIMIC-CXR (makro F1, 5 głównych schorzeń)88,989,5—90,0
EyePACS – dno oka64,976,8—75,3

Źródła: MedGemma 1.5 model card · MedGemma 1 model card

Zastosowania MedGemma

🏥

Tworzenie aplikacji medycznych

Twórz aplikacje AI, które analizują obrazy medyczne, generują raporty i wspierają triaż pacjentów.

🔬

Badania nad medyczną AI

Przyspiesz badania dzięki otwartemu dostępowi do zaawansowanej AI przez Hugging Face i Google Cloud.

👨‍⚕️

Prototypy wsparcia klinicznego

Twórz prototypy narzędzi do wspierania decyzji, podsumowywania i przeglądu dokumentacji, a przed jakimkolwiek zastosowaniem klinicznym je zwaliduj.

Jak korzystać z MedGemma

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.

1

Czat z medyczną AI od Dr7.ai

Zadaj pytanie własnemu asystentowi medycznemu AI Dr7 lub prześlij zdjęcie RTG, przekrój TK albo zdjęcie skóry. Zaloguj się, aby rozpocząć.

Otwórz demo
2

Pobrać z Hugging Face

Zaloguj 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 Face
3

Google Cloud Vertex AI

Wdróż 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

Szybki start z Hugging Face Transformers (z karty modelu Google)

# 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"])

Dostosowanie MedGemma do Twojego zadania

Prompt engineering

Stosuj przykłady few-shot i dziel zadania na mniejsze podzadania, aby poprawić wyniki.

Dostrajanie (fine-tuning)

Trenuj na własnych danych medycznych, zaczynając od notatnika do dostrajania udostępnionego przez Google na GitHubie.

Orkiestracja agentowa

Łącz MedGemma z narzędziami takimi jak wyszukiwarka internetowa, generatory danych FHIR czy inne modele AI.

Zanim zaczniesz

Wymagana walidacja

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.

Warunki korzystania

Korzystanie z MedGemma podlega warunkom Health AI Developer Foundations, które akceptujesz przed pobraniem wag.

MedGemma vs Med-PaLM 2 vs LLaVA-Med

Które medyczne modele AI można faktycznie pobrać, co analizują i jakie mają opublikowane wyniki MedQA.

MedGemma 4BGoogle
Do pobrania?
Tak (po akceptacji warunków HAI-DEF)
Wejście
Tekst + obrazy
MedQA
64.4%
MedGemma 1.5 4BGoogle
Do pobrania?
Tak (po akceptacji warunków HAI-DEF)
Wejście
Tekst + obrazy (w tym CT/MRI 3D)
MedQA
69.1%
Więcej: MedGemma 1.5 4B
MedGemma 27B textGoogle
Do pobrania?
Tak (po akceptacji warunków HAI-DEF)
Wejście
Tekst
MedQA
87.7%
MedGemma 27B multimodalGoogle
Do pobrania?
Tak (po akceptacji warunków HAI-DEF)
Wejście
Tekst + obrazy
MedQA
85.3%
Med-PaLM 2Google
Do pobrania?
Nie – wagi nigdy nie udostępnione
Wejście
Tekst
MedQA
86.5%
Więcej: Med-PaLM 2
LLaVA-Med v1.5Microsoft
Do pobrania?
Tak (tylko do badań)
Wejście
Tekst + obrazy
MedQA
Brak danych
Więcej: LLaVA-Med v1.5

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

FAQ

Najczęstsze pytania o MedGemma

Czym różnią się MedGemma 4B i MedGemma 27B?

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.

Czy MedGemma od razu nadaje się do zastosowań klinicznych?

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.

Jak pobrać MedGemma lub uzyskać do niej dostęp?

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.

Jakie rodzaje obrazów medycznych może przetwarzać MedGemma?

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.

Jak poprawić skuteczność MedGemma w konkretnym zadaniu?

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.

Kiedy wydano MedGemma?

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.

Jakie wyniki osiąga MedGemma w benchmarkach medycznych?

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%.

Czy są dostępne materiały do dostrajania MedGemma?

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.

Jakiego sprzętu potrzebuję, aby uruchomić MedGemma?

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.

Czy istnieje MedGemma 2 albo MedGemma 1.5 27B?

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.

Czy MedGemma działa w językach innych niż angielski, np. po polsku?

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).

Czy MedGemma to to samo co Med-Gemini lub Med-PaLM 2?

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.