Google輕量級開放模型Gemma增加兩個新成員，其一是可用於程式碼完成以及指令遵循生成式任務的CodeGemma，另一個則是針對研究實驗效率最佳化架構的RecurrentGemma。

CodeGemma模型針對開發人員和企業的程式碼完成、生成和聊天工具使用情境開發，其提供了多種變體供用戶靈活應用，包括CodeGemma 7B預訓練變體，可用作專門處理程式碼完成和生成任務，還有針對指令調校的CodeGemma 7B變體，能用於程式碼聊天和指令遵循任務，另外CodeGemma 2B預訓練變體則適用於本地端快速程式碼完成。這些變體針對不同功能進行最佳化，以適應不同的使用場景和需求。

由於CodeGemma模型使用5,000億個，主要為英文的網頁文件、數學和程式碼Token進行訓練，Google提到，CodeGemma產生的程式碼不僅語法正確，而且語義也更具意義，有助於減少程式碼錯誤與除錯時間。CodeGemma同樣具有多語言能力，特別是Python、JavaScript、Java等各種熱門程式語言的程式碼編寫建議。

RecurrentGemma則可支援研究人員進行大批次的高效推理，採用循環神經網路和局部注意力機制提升記憶效率，Google提到，雖然RecurrentGemma在基準測試上成績與Gemma 2B模型相當，但是RecurrentGemma使用的記憶體量更少，在記憶體資源相對有限的裝置上，像是單GPU或是CPU電腦，能夠生成更長的樣本。

也因為RecurrentGemma較少的記憶體使用量，因此能夠以更大的批次規模進行推理，在生成長序列時，每秒能夠產生更多Token。Google指出，RecurrentGemma展示了一種非Transformer模型，也能實現高效能的深度學習研究進展。

CodeGemma和RecurrentGemma皆採用Google所開發的開源數值運算函式庫JAX建置，與JAX、PyTorch、Hugging Face Transformers、Gemma.cpp相容，支援包括筆記型電腦、桌上型電腦、Nvidia GPU和Google雲端TPU等裝置，進行本地實驗和雲端部署。此外，CodeGemma還相容於Keras、NvidiaNeMo、TensorRT-LLM、Optimum-Nvidia、MediaPipe與Vertex AI等市面上各種機器學習工具與框架。