/ Модель

Характеристики

Лицензия
Gemma
Архитектура
gemma4 · MoE
Базовая модель
gemma-4-26b-a4b-it
Библиотека
transformers
Опубликована
5 апр 2026

Gemma-4-19B

Генерация текстаТекст → текст15 профессий

Сокращённая методом REAP диалоговая версия Gemma 4 для генерации текста, программного кода и математических рассуждений с меньшими требованиями к памяти.

165скачиваний за 30 дней21лайквеса обновлены30 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

0xSero/Gemma-4-19B — вариант Google Gemma 4 26B-A4B-it, сокращённый разработчиком 0xSero методом REAP (Router-weighted Expert Activation Pruning) при участии Cerebras. Это диалоговая модель MoE для генерации текста: из 128 экспертов в каждом слое удалено 38, осталось 90; на токен по-прежнему активируются 8 экспертов. Модель содержит около 19 млрд параметров, поставляется в BF16 и занимает примерно на 31% меньше места, чем исходная версия.

Модель подходит для диалога, генерации кода и математических рассуждений. Она принимает текст и изображения, поддерживает режим рассуждений и контекст до 262 144 токенов. В опубликованной оценке после сокращения экспертов сохранились сильные результаты по элементарной математике и кодированию, но заметно снизились показатели на задачах, требующих широких знаний, включая философию и мировые религии. Указанная лицензия — Gemma; применяются её условия использования.

Сценарии применения

  • диалог с ассистентом на основе Gemma
  • генерация и объяснение программного кода
  • решение задач по элементарной математике
  • рассуждения по длинным текстовым запросам
  • ответы на вопросы по тексту и изображениям

Ограничения

Оценки README показывают снижение качества на знанияёмких задачах после обрезки экспертов, особенно по философии и мировым религиям. Для запуска в README приведён пример с vLLM и ограничением длины контекста 16 384 токена, хотя заявленное собственное окно контекста модели составляет 262 144 токена.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[!TIP] Support this work → · X · GitHub · REAP paper · Cerebras REAP

Gemma-4-19B

REAP-pruned google/gemma-4-26b-a4b-it.

At a glance

Base model—
FormatBF16
Total params19B
Active / token—
Experts / layer90
Layers—
Hidden size—
Context—
On-disk size38 GB

Which variant should I pick?

VariantFormatLink
Gemma-4-19B (this)BF16link
Gemma-4-21BBF16link
gemma-moe-reapBF16link

30% expert-pruned version of google/gemma-4-26b-a4b-it using Cerebras REAP (Router-weighted Expert Activation Pruning).

Original0.20 variantThis Model (0.30)
Total params~26B21.34B19.02B
Experts per layer12810390
Active params/tok~4B~4B~4B
Experts/tok888
FormatBF16BF16BF16
Disk size~52 GB~43 GB~36 GB

REAP removes 30% of MoE experts (38 of 128 per layer) while preserving the model's routing behavior. The active parameter count per token is unchanged since the router still selects 8 experts per token from the remaining pool. This yields a ~31% reduction in total disk/memory footprint.

How This Model Was Made

Step 1: Calibration (Activation Observation)

We ran the full Gemma 4 26B-A4B-it model over a curated calibration dataset to record expert activation patterns across all layers.

Calibration dataset: 22,000 samples drawn from 12 sources:

CategorySamplesSource Dataset
Coding (general)1,000theblackcat102/evol-codealpaca-v1
Coding (additional)1,636theblackcat102/evol-codealpaca-v1
Reasoning -- code3,480open-r1/Mixture-of-Thoughts[code]
Reasoning -- math3,578open-r1/Mixture-of-Thoughts[math]
Reasoning -- science3,576open-r1/Mixture-of-Thoughts[science]
Tool calling1,000Salesforce/xlam-function-calling-60k
Agentic coding1,000SWE-bench/SWE-smith-trajectories
Biomedical QA800qiaojin/PubMedQA[pqa_labeled]
Science QA800derek-thomas/ScienceQA
Grade-school math4,466openai/gsm8k[main]
Competition math500HuggingFaceH4/MATH-500
Code correctness164evalplus/humanevalplus
Total22,000

Step 2: REAP Pruning

The lowest-scoring 30% of experts (38 per layer) are removed based on combined router gate values, activation norms, and frequency-weighted saliency. Router logits are renormalized post-pruning.

Pruning Configuration

ParameterValue
Compression ratio0.30 (30% expert removal)
Original experts per layer128
Remaining experts per layer90
Pruning methodREAP
Distance measureAngular (cosine)
Router weight renormalizationYes
Seed42

Benchmark Results

Accuracy (generative, 0-shot, 50 samples/task, thinking enabled, vLLM 0.19, 4x RTX 3090)

Evaluated using lm-eval generative tasks with --apply_chat_template and think_end_token=<channel|> to properly handle Gemma 4's thinking mode.

TaskOriginalREAP 0.20REAP 0.30
Elementary Math92%90%88%
Philosophy92%88%74%
World Religions90%64%48%
College CS56%76%68%
HS Math24%*44%*48%*
Abstract Algebra12%*28%*28%*
College Math16%*18%*24%*

* Tasks with extraction failures. Real accuracy likely higher.

Summary: At 30% pruning, the model retains strong performance on elementary math (88%) and coding (68% college CS). Knowledge-intensive tasks like philosophy and world religions see moderate drops. The 30% variant trades ~18 pts on philosophy and ~42 pts on world religions for a 31% smaller model.

Robustness: Generation Quality (14 prompts, temp=0.7, top_p=0.9, max 2048 tokens)

DomainNOrig AvgWordsREAP 0.30 AvgWordsOrig LoopREAP LoopOrig CollapseREAP Collapse
Coding36705580%0%0%0%
Math reasoning32963050%0%0%0%
Philosophy38196810%0%0%0%
Long context2121086450%0%0%0%
Repetition stress31088105633%33%0%0%

Zero looping, zero collapse across coding, math, and philosophy. The REAP 0.30 model actually outperforms the original on long-context (0% vs 50% loop rate). Generation quality is fully preserved at 30% compression.

Architecture

Gemma 4 uses a hybrid sliding/full attention MoE architecture:

  • 30 transformer layers
  • Sliding attention (window=1024) for 25 layers, full attention every 6th layer
  • MoE FFN with 90 remaining experts per layer (originally 128), 8 active per token
  • Thinking model -- uses <|channel>thought / <|channel>response channels
  • Multimodal -- supports text and vision inputs
  • Context window: 262,144 tokens
  • Vocab size: 262,144

Usage

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "0xSero/Gemma-4-19B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto", trust_remote_code=True)

messages = [{"role": "user", "content": "Write a quicksort in Python."}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=4096)
print(tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

vLLM

pip install vllm>=0.19 transformers>=5.0

vllm serve 0xSero/Gemma-4-19B \
    --tensor-parallel-size 2 \
    --enforce-eager \
    --gpu-memory-utilization 0.9 \
    --max-model-len 16384 \
    --trust-remote-code

Links

License & citation

License inherited from the base model.

@misc{lasby2025reap,
  title  = {REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression},
  author = {Mike Lasby and Ivan Lazarevich and Nish Sinnadurai and Sean Lie and Yani Ioannou and Vithursan Thangarasa},
  year   = {2025}, eprint = {2510.13999}, archivePrefix = {arXiv}
}

Sponsors

Made possible by NVIDIA · TNG Technology · Lambda · Prime Intellect · Hot Aisle.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
399f8d1

0 моделей