Model Garden: el catálogo de modelos de Vertex AI

Elegir un modelo no debería significar elegir un proveedor de nube para siempre. Model Garden reúne modelos propios y de terceros bajo una misma superficie de despliegue en Vertex AI.

Qué es Model Garden

Model Garden es el catálogo central de Vertex AI que reúne más de 200 modelos fundacionales y especializados, organizados en tres categorías: modelos propietarios de Google (Gemini, Imagen, Veo, Chirp, los modelos de embeddings), modelos de partners de terceros disponibles como API totalmente gestionada, y modelos open-weight que se pueden desplegar en infraestructura de Google Cloud bajo tu propio proyecto.

La propuesta de valor es evitar que la elección de modelo se convierta en una decisión de arquitectura irreversible: todos se invocan con patrones de API similares y se despliegan sobre la misma capa de endpoints, IAM y facturación de Vertex AI.

Modelos propios de Google

Además de la familia Gemini, Model Garden incluye Imagen para generación y edición de imágenes con control de estilo, Veo para generación de video a partir de texto o imagen, Chirp para reconocimiento de voz multilingüe de alta precisión, y los modelos de embeddings (`text-embedding-005`, `multimodalembedding`) que alimentan Vector Search y Vertex AI Search.

Modelos de terceros como partners

Uno de los datos menos conocidos entre equipos que evalúan Google Cloud: los modelos Claude de Anthropic están disponibles en Model Garden como API totalmente gestionada dentro de Vertex AI, con la misma facturación y controles de IAM que el resto de la plataforma. Lo mismo aplica a modelos de Mistral AI. Esto permite a una organización estandarizar su infraestructura de despliegue, observabilidad y control de acceso en Vertex AI mientras elige el modelo específico —Gemini, Claude, Mistral— según el benchmark que mejor se ajuste a cada tarea, sin duplicar la integración de credenciales y logging por proveedor.

Modelos open-weight autodesplegados

Para organizaciones con requisitos de aislamiento total de datos o necesidad de fine-tuning profundo, Model Garden ofrece despliegue con un clic de modelos open-weight como Llama (Meta), Gemma (la familia open-weight de Google) y otros, sobre GPUs (A100, H100) o TPUs propias del proyecto. A diferencia de las APIs gestionadas, aquí el usuario paga por el cómputo del endpoint directamente y es responsable del dimensionamiento.

Cómo comparar modelos antes de comprometerse

Model Garden incluye fichas técnicas por modelo con benchmarks estándar (MMLU, HumanEval, casos de uso recomendados) y, para varios modelos, un playground integrado en Vertex AI Studio para probar prompts sin escribir código antes de decidir. La recomendación práctica: correr el mismo conjunto de prompts representativos de tu dominio (no benchmarks genéricos) contra dos o tres candidatos antes de fijar el modelo de producción, porque el rendimiento relativo varía significativamente según el tipo de tarea.

Fine-tuning por tipo de modelo

Las opciones de ajuste fino varían según el origen del modelo. Gemini soporta supervised fine-tuning gestionado directamente en Vertex AI. Los modelos open-weight desplegados por el usuario permiten fine-tuning completo o con técnicas de bajo costo como LoRA, corriendo como un job de entrenamiento custom sobre GPUs del proyecto. Los modelos de partners como Claude generalmente no exponen fine-tuning dentro de Vertex AI, limitándose al uso vía prompt engineering y, en algunos casos, técnicas de destilación separadas del proveedor.

El costo de la flexibilidad

Tener 200 opciones no es gratis en términos de gobernanza: cada modelo desplegado en Model Garden requiere su propia política de cuota, su propio análisis de costo por token o por hora de GPU, y en el caso de modelos open-weight, responsabilidad propia sobre parches de seguridad del contenedor de serving. La recomendación operativa es limitar el catálogo aprobado internamente a dos o tres modelos por tipo de tarea, en lugar de dejar que cada equipo elija libremente entre 200 opciones.