diff --git a/gemma.py b/gemma.py
new file mode 100644
index 0000000..5742741
--- /dev/null
+++ b/gemma.py
@@ -0,0 +1,75 @@
+import torch
+import chromadb
+from sentence_transformers import SentenceTransformer
+from datasets import Dataset
+from peft import LoraConfig, get_peft_model
+from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer
+
+# 1️⃣ Inicjalizacja ChromaDB i modelu do embeddingów
+chroma_client = chromadb.PersistentClient(path="./chroma_db")
+collection = chroma_client.get_or_create_collection("my_embeddings")
+embed_model = SentenceTransformer("all-MiniLM-L6-v2")
+
+# 2️⃣ Dodanie dokumentów i embeddingów
+documents = [
+    "Jak założyć firmę w Polsce?", 
+    "Jak rozliczyć podatek VAT?", 
+    "Procedura składania reklamacji w e-sklepie.",
+    "Jakie dokumenty są potrzebne do rejestracji działalności?"
+]
+embeddings = embed_model.encode(documents).tolist()
+
+for i, (doc, emb) in enumerate(zip(documents, embeddings)):
+    collection.add(ids=[str(i)], documents=[doc], embeddings=[emb])
+
+# 3️⃣ Przygotowanie danych treningowych
+def create_training_data():
+    data = collection.get(include=["documents", "embeddings"])
+    return Dataset.from_dict({
+        "text": data["documents"],
+        "embedding": data["embeddings"]
+    })
+
+dataset = create_training_data()
+
+# 4️⃣ Ładowanie modelu Gemma 2 7B
+device = "cuda" if torch.cuda.is_available() else "cpu"
+model_name = "google/gemma-7b"
+model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16).to(device)
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+
+# 5️⃣ Konfiguracja LoRA dla efektywnego treningu
+lora_config = LoraConfig(
+    r=8, lora_alpha=32, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM"
+)
+model = get_peft_model(model, lora_config)
+
+# 6️⃣ Tokenizacja danych
+def tokenize_function(examples):
+    return tokenizer(examples["text"], padding="max_length", truncation=True)
+
+tokenized_dataset = dataset.map(tokenize_function, batched=True)
+
+# 7️⃣ Parametry treningu
+training_args = TrainingArguments(
+    output_dir="./results",
+    per_device_train_batch_size=2,
+    num_train_epochs=3,
+    logging_dir="./logs",
+    save_strategy="epoch"
+)
+
+# 8️⃣ Trening modelu
+trainer = Trainer(
+    model=model,
+    args=training_args,
+    train_dataset=tokenized_dataset,
+)
+
+trainer.train()
+
+# 9️⃣ Zapisanie dostrojonego modelu
+model.save_pretrained("./trained_model/gemma")
+tokenizer.save_pretrained("./trained_model/gemma")
+
+print("✅ Model został wytrenowany i zapisany!")