/ Модель

Характеристики

Лицензия
Gemma
Архитектура
gemma4_unified · dense
Базовая модель
gemma-4-12B-it
Библиотека
transformers
Опубликована
4 июл 2026

gemma-4-12B-it-W4A16-GPTQ-g32-DSpark

Генерация текстаТекст → текст8 профессий

Danny-Dasilva/gemma-4-12B-it-W4A16-GPTQ-g32-DSpark — квантизированная версия инструкционной модели Google Gemma 4 12B-it, подготовленная для ускоренного speculative decoding с использованием DSpark.

346скачиваний за 30 дней0лайковвеса обновлены4 июл 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

Модель предназначена для генерации текста и диалоговых сценариев, включая работу через vLLM; рекомендуется применять чат-шаблон Gemma 4 и draft-модель deepseek-ai/dspark_gemma4_12b_block7.

Модель использует посттренировочную GPTQ-квантизацию int4 в формате W4A16 с group_size=32, симметричными весами и weights-only quantization. Размер весов составляет около 7,8 ГБ; заявлена поддержка контекста до 8192 токенов в конфигурации vLLM. Указан английский язык. Модель основана на нетронутых bf16-весах google/gemma-4-12B-it и сохраняет совместимость с DSpark: заявлены скорость до 198,2 токена в секунду и ускорение 1,73 раза на одной RTX 5090 при использовании рекомендованной конфигурации.

Сильные стороны модели — существенно сниженное потребление памяти, возможность запуска на видеокарте с 32 ГБ памяти и высокая эффективность совместно с DSpark. Ограничения включают зависимость максимальной производительности от конкретной аппаратной и программной конфигурации, необходимости совместимой версии vLLM, FlashInfer и отдельной draft-модели. Для корректной работы требуется использовать чат-шаблон; без него генерация может быть некорректной. Модель распространяется на условиях Gemma Terms of Use.

Для каких профессий подходит8

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-4-12B-it — W4A16 GPTQ (group=32) · DSpark-verified

A post-training GPTQ int4 (W4A16, group_size=32, symmetric) quantization of google/gemma-4-12B-it, built specifically to be a DSpark speculative-decoding target (draft head: deepseek-ai/dspark_gemma4_12b_block7).

TL;DR: 198 tok/s single-stream on one RTX 5090 (32 GB) — the fastest gemma-4-12B configuration we measured on that card, at 7.8 GB of weights.

Why this exists — QAT breaks DSpark, post-training quant doesn't

The DSpark draft head was trained against the bf16 gemma-4-12B-it weights. Any retraining of the target — including the official QAT checkpoint google/gemma-4-12B-it-qat-w4a16-ct — drifts far enough that draft acceptance collapses and speculation makes the model slower:

target (same W4A16 format)DSpark per-token acceptoutcome
QAT w4a16-ct (retrained)2.1%slower than no speculation
this model (post-training GPTQ)35.6%1.73× speedup
fp8 (post-training, reference)34.4%1.9× over its own native
bf16 (reference)39.5%2.7× (eager)

Post-training rounding preserves draft alignment; QAT retraining destroys it. If you pair gemma-4-12B int4 with the DeepSeek DSpark draft, you need a post-training quant like this one.

Measured speed — RTX 5090 (32 GB, Blackwell sm_120), single stream (bs=1)

vLLM (recent main with gemma-4 DSpark support), FlashInfer target attention, greedy, 256-token generations over 4 chat prompts, CUDA graphs (piecewise):

configtok/svs native int4
this model + DSpark k=7 + CUDA graphs + FlashInfer autotune198.2 (peaks 239)1.73×
this model + DSpark k=7 + CUDA graphs193.81.69×
this model + DSpark k=14 (2 draft blocks)178.6don't — accept dies at block boundary
this model, native (no speculation), CUDA graphs114.71.0×
fp8 (online) + DSpark k=7 (13 GB weights)165—
bf16 + DSpark k=7 (eager; graphs OOM on 32 GB)144—
official QAT w4a16-ct, native118speculation hurts this one
llama.cpp Q4_0 GGUF, native (reference)156its DSpark port is slower than native

Weights: 7.8 GB (vs 24 GB bf16, 13 GB fp8) — target + draft + KV fit comfortably in 32 GB with CUDA graphs, which bf16 cannot do.

Usage (vLLM + DSpark)

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

MODEL = "Danny-Dasilva/gemma-4-12B-it-W4A16-GPTQ-g32-DSpark"
DRAFT = "deepseek-ai/dspark_gemma4_12b_block7"

llm = LLM(
    model=MODEL,
    max_model_len=8192,
    attention_backend="FLASHINFER",       # gemma-4 full-attn layers have head_dim 512
    enable_flashinfer_autotune=True,      # +2% in our runs
    speculative_config={
        "method": "dspark",
        "model": DRAFT,
        "num_speculative_tokens": 7,      # = draft block size; k<7 or k=14 are both slower
        "attention_backend": "TRITON_ATTN",
    },
)

tok = AutoTokenizer.from_pretrained(MODEL)
prompt = tok.apply_chat_template(
    [{"role": "user", "content": "Explain transformers step by step."}],
    add_generation_prompt=True, tokenize=False,
)
print(llm.generate([prompt], SamplingParams(temperature=0.0, max_tokens=256))[0].outputs[0].text)

Notes:

  • Always apply the chat template — gemma-4-it uses <|turn>-style tokens and add_bos_token=False; raw prompts produce garbage on any backend.
  • num_speculative_tokens must be ≤ 7 or a multiple of 7 (draft block size). 7 is optimal.
  • Works without DSpark too, as a normal compressed-tensors W4A16 checkpoint (kernel path identical to the official QAT release: group=32, symmetric, pack-quantized).
  • kv_cache_dtype="fp8" measured slower (−3%) at short context on this card.

Quantization recipe

llm-compressor 0.12 GPTQ, one-shot:

  • 256 calibration samples from HuggingFaceH4/ultrachat_200k (train_sft), chat template applied, max_seq_length 2048
  • scheme: int4, group_size=32, symmetric, weights-only (W4A16), pack-quantized format — mirrors the official QAT checkpoint's config so every vLLM kernel path is identical
  • sequential_targets=["Gemma4UnifiedTextDecoderLayer"]; lm_head and vision/audio embedder projections kept in bf16 (same 17-entry ignore list as the official QAT release, spelled so both HF and vLLM module names match)
  • processor_config.json included (vLLM's multimodal processor init requires it)

Provenance

  • Base: google/gemma-4-12B-it @ 5926caa4 (bf16, untouched — no finetuning)
  • Quantized 2026-07-04 on a single RTX 5090; outputs verified coherent against bf16 generations
  • Gemma is provided under and subject to the Gemma Terms of Use: https://ai.google.dev/gemma/terms

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4UnifiedForConditionalGeneration
Ревизия весов
03c395f

0 моделей