/ Модель

Характеристики

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

gemma-4-26B-A4B-it-NVFP4

Изображение и текст → текст15 профессий

CyberFitz/gemma-4-26B-A4B-it-NVFP4 — квантизированная версия Gemma 4, разработанная CyberFitz на базе модели Google gemma-4-26b-a4b-it.

243скачиваний за 30 дней1лайквеса обновлены6 апр 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 «Изображение → 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

Это мультимодальная Mixture-of-Experts-модель для генерации и понимания текста, обработки изображений и совместных текстово-визуальных запросов. Она подходит для чат-ботов, анализа документов и изображений, а также для задач, требующих длинного контекста.

Модель содержит 25,2 млрд параметров, из которых около 3,8 млрд активируются для каждого токена. Архитектура использует 128 экспертов с маршрутизацией top-8 и поддерживает контекст до 262 144 токенов. Квантизация NVFP4 с 4-битными весами уменьшает размер примерно с 49 до 16 ГБ и снижает требования к памяти примерно до 18 ГБ. Для сохранения качества маршрутизаторы MoE, vision-компоненты, embeddings и LM head оставлены в формате bfloat16. Указана поддержка multilingual-сценариев, однако конкретный перечень языков не приведён.

Сильные стороны модели — существенно меньший размер, поддержка текста и изображений, очень длинный контекст и сохранение чувствительных компонентов в полной точности. Ограничения включают зависимость от совместимого NVIDIA-оборудования и программного стека, необходимость специальной поддержки NVFP4 и MoE при обслуживании, а также отсутствие опубликованных на момент создания README результатов бенчмарков. Модель распространяется по лицензии Gemma, унаследованной от базовой модели Google.

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

Gemma-4-26B-A4B-it-NVFP4

NVFP4 quantization of google/gemma-4-26b-a4b-it — the Mixture-of-Experts variant of Gemma 4 with 25.2B total parameters and ~3.8B active per token. Quantized using NVIDIA TensorRT Model Optimizer (modelopt) on DGX Spark hardware.

Supports text, image, and multimodal inference with a 256K token context window.

Base Model vs. NVFP4 Comparison

Original (BF16)NVFP4 (this)
Size on disk~49 GB~16 GB
Compression1x3.0x
Total parameters25.2B25.2B
Active parameters/token~3.8B~3.8B
ArchitectureMoE: 128 experts, top-8 routingSame
Context window262,144 tokens262,144 tokens
ModalitiesText + ImageText + Image
Min GPU Memory~50 GB+~18 GB
DGX Spark (128 GB)Runs, memory-constrainedRuns comfortably

Quantization Details

MethodNVFP4 (4-bit floating point weights)
ToolNVIDIA modelopt
Group Size16
FormatSafeTensors (3 shards)

Quality-Preserving Exclusions

The following layers are kept at full bfloat16 precision to preserve output quality:

Excluded LayerReason
MoE routers (all 30 layers)Routing decisions are critical for MoE quality — quantizing routers degrades expert selection
Vision tower & embeddingsImage understanding quality degrades significantly under quantization
LM headFinal output layer directly impacts token probability accuracy

This is standard best practice for MoE quantization: compress the bulk of the transformer (attention + FFN layers) where FP4 has minimal quality impact, but keep sensitive routing, vision, and output layers at full precision. The tradeoff is a slightly larger model (~16 GB vs theoretical ~12 GB for full FP4) but significantly better quality retention.

MoE Quantization Challenge

Gemma 4 MoE stores expert weights as fused 3D tensors (shape [128, dim, dim]) rather than individual linear modules. NVIDIA modelopt only quantizes linear layers — the fused expert parameters (which are ~91% of the model) require a custom plugin to unfuse into individual linear layers before quantization.

Hardware

Quantized and serving on NVIDIA DGX Spark:

  • GB10 Grace Blackwell processor
  • 128 GB unified CPU+GPU memory
  • CUDA 13.1
  • SM 12.1

Model loads at ~16 GB, leaving substantial headroom for long-context inference with KV cache.

Serving with vLLM

Quick Start

vllm serve CyberFitz/gemma-4-26B-A4B-it-NVFP4 \
  --quantization modelopt \
  --max-model-len 262144 \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.85 \
  --moe-backend marlin \
  --trust-remote-code

Key Flags

FlagWhy
--quantization modeloptNVFP4 checkpoint format
--moe-backend marlinMarlin kernel for efficient MoE expert layers
--kv-cache-dtype fp8Saves memory for longer contexts
--trust-remote-codeRequired for Gemma 4 architecture

Docker (DGX Spark)

docker run -d \
  --name gemma4-nvfp4 \
  --gpus all --ipc=host --network host \
  -e VLLM_NVFP4_GEMM_BACKEND=marlin \
  -v /path/to/model:/model \
  <your-vllm-image> \
  vllm serve /model \
    --quantization modelopt \
    --max-model-len 262144 \
    --kv-cache-dtype fp8 \
    --moe-backend marlin \
    --trust-remote-code

Testing

# Text generation
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma-4-26B-A4B-it-NVFP4",
    "messages": [{"role": "user", "content": "Explain mixture of experts in one paragraph."}],
    "max_tokens": 200
  }'

Usage with Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "CyberFitz/gemma-4-26B-A4B-it-NVFP4",
    device_map="auto",
    torch_dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained("CyberFitz/gemma-4-26B-A4B-it-NVFP4")

messages = [{"role": "user", "content": "Hello, how are you?"}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Benchmarks

Coming soon — GSM8K, IFEval, and throughput benchmarks comparing BF16 vs NVFP4 on DGX Spark.

License

This model inherits the Gemma license from the base model.

Credits

Quantized by CyberFitz on NVIDIA DGX Spark hardware.

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
8b30b34

0 моделей