Model Garden ist die Modellbibliothek der Gemini Enterprise Agent Platform. Sie bündelt Modelle von Google, von Partnern und aus dem Open-Source-Bereich an einer Stelle und stellt für alle ein einheitliches Bereitstellungsmuster bereit.
Was ist Model Garden?
Google beschreibt Model Garden als AI/ML-Modellbibliothek, die beim Entdecken, Testen, Anpassen und Bereitstellen von Modellen und Assets von Google und Google-Partnern hilft. Im Produktkatalog wird Model Garden als zentrale Stelle geführt, um über 200 Modelle von Google und Google-Partnern zu entdecken.
Als Vorteile nennt die Dokumentation, dass alle verfügbaren Modelle an einem Ort zusammengeführt sind, dass für unterschiedliche Modelltypen ein einheitliches Bereitstellungsmuster gilt, dass eine eingebaute Integration mit weiteren Teilen der Gemini Enterprise Agent Platform wie Tuning, Evaluation und Serving besteht und dass die Plattform Deployment und Serving generativer Modelle übernimmt.
Die Modelle sind in drei Kategorien gegliedert: Foundation Models als vortrainierte Multitask-Modelle, die sich über Agent Studio, die Agent-Platform-API und das SDK für spezifische Aufgaben anpassen lassen; Fine-tunable Models, die sich über ein eigenes Notebook oder eine Pipeline feinabstimmen lassen; sowie Task-specific Solutions, die überwiegend einsatzbereit sind und sich vielfach mit eigenen Daten anpassen lassen. Im Filterbereich lässt sich nach Tasks, Model collections, Providers und Features eingrenzen; Details stehen auf der jeweiligen Modellkarte.
Zur Sicherheit beschreibt Google Tests und Benchmarks der bereitgestellten Serving- und Tuning-Container sowie aktives Schwachstellen-Scanning der Container-Artefakte. Modelle ausgewählter Partner durchlaufen Checkpoint-Scans zur Echtheitsprüfung; Modelle vom HuggingFace Hub werden von HuggingFace und dessen Drittanbieter-Scanner auf Malware, Pickle-Dateien, Keras-Lambda-Layer und Secrets geprüft. Als unsicher eingestufte Modelle werden markiert und für das Deployment blockiert, als verdächtig eingestufte Modelle sind gekennzeichnet, bleiben aber bereitstellbar.
Für Open-Source-Modelle nennt die Dokumentation drei Kostenarten: Model Tuning zu denselben Sätzen wie Custom Training, Model Deployment nach den Compute-Ressourcen des Endpunkts gemäß Prediction-Preisen sowie Colab Enterprise nach eigener Preisliste.
Kernfunktionen
- Zentraler Modellkatalog: Modelle von Google, Partnern und aus dem Open-Source-Bereich an einer Stelle.
- Drei Modellkategorien: Foundation Models, Fine-tunable Models und Task-specific Solutions.
- Filter und Modellkarten: Eingrenzung nach Tasks, Model collections, Providers und Features mit Detailinformationen je Modell.
- Einheitliches Deployment: Konsistentes Bereitstellungsmuster über unterschiedliche Modelltypen hinweg.
- Plattformintegration: Verbindung zu Tuning, Evaluation und Serving der Gemini Enterprise Agent Platform.
- Model Security Scanning: Container-Scans, Checkpoint-Scans für Partnermodelle und Prüfung von HuggingFace-Modellen.
- Governance: Organisationsrichtlinie zur Beschränkung des Zugriffs auf bestimmte Modelle.
Typische Anwendungsfälle
Modellauswahl für eine neue Anwendung
Ein Team vergleicht mehrere Foundation Models anhand der Modellkarten und Filter, bevor es sich für eine Variante entscheidet.
Anpassung eines offenen Modells
Ein offenes Modell wird über ein Notebook feinabgestimmt und anschließend auf einem Endpunkt bereitgestellt.
Betrieb ohne eigene Serving-Infrastruktur
Statt eigene Serving-Infrastruktur aufzubauen, übernimmt die Plattform Deployment und Serving des Modells.
Governance über verwendbare Modelle
Ein Unternehmen schränkt über die Organisationsrichtlinie ein, welche Modelle in Projekten verwendet werden dürfen.
Prüfung von Drittanbietermodellen
Vor dem Einsatz eines Modells aus dem HuggingFace Hub werden die von Google beschriebenen Scan-Ergebnisse und Kennzeichnungen ausgewertet.
Vorteile
- Ein Katalog statt vieler Quellen: Google-, Partner- und offene Modelle sind gemeinsam auffindbar.
- Einheitlicher Weg zur Bereitstellung: Dasselbe Muster für unterschiedliche Modelltypen.
- Integration in die Plattform: Tuning, Evaluation und Serving greifen direkt ineinander.
- Transparenz zur Modellsicherheit: Scan- und Prüfmechanismen sind dokumentiert.
- Steuerbarkeit: Der Zugriff auf Modelle lässt sich über eine Organisationsrichtlinie einschränken.
Integration mit innFactory
Als zertifizierter Google Cloud Partner unterstützt innFactory Sie bei Model Garden: Auswahl geeigneter Modelle für Ihren Anwendungsfall, Bewertung von Kosten und regionaler Verfügbarkeit, Governance-Konzepte für den Modellzugriff sowie Aufbau von Tuning- und Serving-Prozessen. Wie ein unternehmensweiter KI-Stack aussehen kann, beschreiben wir am Beispiel unseres CompanyGPT-Cloud-Stacks.
Kontaktieren Sie uns für eine Beratung zu Model Garden und Google Cloud.
Typische Anwendungsfälle
Technische Spezifikationen
Häufig gestellte Fragen
Was ist Model Garden?
Model Garden ist laut Dokumentation eine AI/ML-Modellbibliothek, die beim Entdecken, Testen, Anpassen und Bereitstellen von Modellen und Assets von Google und Google-Partnern unterstützt. Google beschreibt Model Garden im Produktkatalog als zentrale Stelle, um über 200 Modelle von Google und Google-Partnern zu entdecken.
Welche Modellkategorien gibt es?
Die Dokumentation unterscheidet drei Kategorien: Foundation Models als vortrainierte Multitask-Modelle, die sich über Agent Studio, die Agent-Platform-API und das SDK anpassen lassen; Fine-tunable Models, die über ein eigenes Notebook oder eine Pipeline feinabgestimmt werden können; sowie Task-specific Solutions, die überwiegend einsatzbereit sind und sich vielfach mit eigenen Daten anpassen lassen.
Wie finde ich ein passendes Modell?
Im Filterbereich lässt sich nach Tasks, Model collections – also von Google, von Partnern oder von Ihnen verwaltete Modelle –, Providers und Features filtern. Details zu jedem Modell stehen auf der jeweiligen Modellkarte.
Wie werden Modelle aus Model Garden abgerechnet?
Für Open-Source-Modelle in Model Garden nennt die Dokumentation drei Kostenarten auf der Gemini Enterprise Agent Platform: Model Tuning wird zu denselben Sätzen wie Custom Training für die genutzten Compute-Ressourcen berechnet, Model Deployment nach den Compute-Ressourcen für den Endpunkt gemäß Prediction-Preisen, und Colab Enterprise nach der eigenen Preisliste.
Wie geht Google mit der Sicherheit von Modellen um?
Google testet und benchmarkt die bereitgestellten Serving- und Tuning-Container und wendet aktives Schwachstellen-Scanning auf Container-Artefakte an. Modelle ausgewählter Partner durchlaufen Checkpoint-Scans zur Echtheitsprüfung. Modelle vom HuggingFace Hub werden von HuggingFace und dessen Drittanbieter-Scanner auf Malware, Pickle-Dateien, Keras-Lambda-Layer und Secrets geprüft; als unsicher eingestufte Modelle werden markiert und für das Deployment in Model Garden blockiert. Als verdächtig eingestufte Modelle sind gekennzeichnet, können aber weiterhin bereitgestellt werden – Google empfiehlt hier eine gründliche eigene Prüfung.
Kann ich den Zugriff auf bestimmte Modelle einschränken?
Ja. Die Dokumentation beschreibt eine Organisationsrichtlinie für Model Garden, mit der sich der Zugriff auf bestimmte Modelle steuern lässt.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von Google Cloud (offizielle Dokumentation). Diese Seite stellt kein Angebot von Google Cloud dar.
