/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-12B-it
Библиотека
gguf
Опубликована
8 июн 2026

Gemma-4-12B-it-NVFP4-GGUF

Генерация текстаТекст → текст15 профессий

Квантованная в NVFP4 версия Gemma 4 12B-it для диалоговой генерации текста, следования инструкциям, рассуждений и программирования.

1 470скачиваний за 30 дней6лайковвеса обновлены16 сен 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

FreedomAISVR/Gemma-4-12B-it-NVFP4-GGUF — квантованная в формате NVFP4 версия инструкционной модели Google Gemma 4 12B-it. Это плотный трансформер-декодер Gemma4ForCausalLM с 12,08 млрд параметров, предназначенный для диалога, следования инструкциям, рассуждений, программирования и мультимодального понимания. Модель рассчитана на запуск на видеокартах NVIDIA Blackwell, включая RTX 50 серии; репозиторий содержит GGUF-веса с заявленным размером файла 6,5 ГБ. Карточка приводит результаты на RTX 5060 Ti и рекомендует контекст до 256 тыс. токенов с соответствующими настройками KV-кэша.

NVFP4 использует 4-битное представление весов с масштабированием по группам; автор отмечает, что на потребительских GPU скорость декодирования ограничена ядрами, а тензорные ядра FP4 в первую очередь ускоряют обработку входного контекста. Метаданные указывают диалоговую возможность, английский язык и задачу text-generation; описание базовой модели сообщает о понимании изображений, видео и аудио, но карточка этой квантованной версии не описывает точный мультимодальный интерфейс. Лицензия — Apache-2.0.

Сценарии применения

  • диалоговый помощник на локальной видеокарте NVIDIA Blackwell
  • генерация текста и ответы на инструкции
  • рассуждения по длинным текстовым запросам
  • помощь в написании и анализе кода

Ограничения

Скорость декодирования NVFP4 на потребительских видеокартах ограничена; заявленная аппаратная цель — NVIDIA Blackwell. Мультимодальные возможности описаны для базовой модели, но точный интерфейс этой сборки в карточке не уточнён.

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 12B Instruct - NVFP4 GGUF

Base Model

This is a quantized version of google/gemma-4-12B-it, Google's instruction-tuned 12 billion parameter language model from the Gemma 4 family.

Gemma 4 12B is a dense, decoder-only transformer trained on a diverse dataset of text and code. It excels at instruction following, reasoning, coding, and multimodal understanding.

About This Quantization

  • Format: NVFP4 (NVIDIA FP4) — 4-bit E2M1 values with E4M3 scaling per 16 values
  • BPW: 4.68 bits per weight
  • File size: 6.5 GB
  • Hardware target: NVIDIA Blackwell GPUs (RTX 50 series, SM 120a)
  • Note: NVFP4 decode is kernel-limited on consumer GPUs (~50 t/s on RTX 5060 Ti). The FP4 tensor cores primarily accelerate prefill, not decode. MXFP4 variant available for faster decode.

Quantization Details

PropertyValue
Base modelgoogle/gemma-4-12B-it
ArchitectureGemma4ForCausalLM
Parameters12.08B
Layers48
Hidden size3840
Context length128K (tested up to 1M with Q4_0 KV)
QuantizationNVFP4
BPW4.68
File size6.5 GB

Performance (RTX 5060 Ti 16GB)

ContextKV CachePromptGeneration
128KQ8_043.8 t/s49.9 t/s
256KQ8_0244.8 t/s49.5 t/s
256KQ4_0309.8 t/s50.8 t/s
512KQ4_0301.0 t/s50.0 t/s
1MQ4_047.4 t/s50.2 t/s
1MQ8_017.4 t/s27.8 t/s

Recommended Settings

llama-cli -m gemma-4-12b-it-nvfp4.gguf -ngl 99 -c 262144 -ctk q8_0 -ctv q8_0 -b 1024 -ub 512 --flash-attn
  • -ngl 99 — full GPU offload
  • -c 262144 — 256K context (recommended sweet spot)
  • -ctk q8_0 -ctv q8_0 — KV cache at Q8_0 for best quality
  • -b 1024 -ub 512 — optimized batch sizes
  • --flash-attn — essential for long context

Why No MTP?

Gemma 4 models do not include Multi-Token Prediction (MTP) heads. MTP is a Qwen3-specific architecture feature. This is a standard Gemma 4 model with no modifications to the architecture.

Usage with llama.cpp

# Interactive mode
./llama-cli -m gemma-4-12b-it-nvfp4.gguf -ngl 99 -c 262144 -ctk q8_0 -ctv q8_0 --flash-attn -i

# Server mode
./llama-server -m gemma-4-12b-it-nvfp4.gguf -ngl 99 -c 262144 -ctk q8_0 -ctv q8_0 --flash-attn --host 0.0.0.0 --port 8080

License

Apache 2.0 — same as the base model.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
eb8c8df

0 моделей