Квантизированная Gemma 4 с архитектурой MoE для генерации текста и диалогов на Apple Silicon через MLX.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Gemma-4-26B-A4B-it-JANG_2L — квантизированная модель семейства Gemma 4 с архитектурой MoE для генерации текста и диалогов. Её создал Jinho Jang; модель предназначена для запуска на компьютерах Apple с процессорами Silicon через vMLX и библиотеку MLX. В README приведён пример генерации текста с помощью mlx_lm; конфигурация автоматически учитывает список стоп-токенов.
В метаданных указан формат safetensors и лицензия Gemma. Размер модели, поддерживаемые языки и длина контекста в предоставленных данных не приведены. README называет модель квантизированной, но не уточняет метод или точность квантизации.
Модель ориентирована на запуск в vMLX на Apple Silicon; предоставленные сведения не описывают метод квантизации, языковое покрытие и длину контекста.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
JANG-quantized Gemma-4 MoE for Apple Silicon. Created by Jinho Jang — eric@jangq.ai.
See the full JANGQ-AI collection for all profiles.
from mlx_lm import load, generate
model, tokenizer = load("JANGQ-AI/Gemma-4-26B-A4B-it-JANG_2L")
print(generate(model, tokenizer, "Hello", max_tokens=256))
Stock mlx_lm picks up the multi-stop-token list ([1, 106, 50]) automatically from generation_config.json — no manual configuration required.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · mlx
MLX-модели работают только на Apple Silicon.