/ Модель

Характеристики

Размер весов
27,2 ГБ
Лицензия
Своя лицензия
Архитектура
gemma4 · dense
Базовая модель
gemma-4-26B-A4B-it
Библиотека
transformers
Опубликована
6 апр 2026

gemma-4-26b-a4b-it-fp8

Генерация текстаТекст → текст15 профессий

LargitData/gemma-4-26b-a4b-it-fp8 — производственный офлайн-чекпойнт в формате FP8 Dynamic, созданный Largitdata Inc. на основе Google Gemma 4 26B-A4B-it.

34 512скачиваний за 30 дней0лайковвеса обновлены7 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 «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 локального и серверного инференса через vLLM, включая развёртывание OpenAI-совместимого API и сценарии с несколькими одновременно обслуживаемыми пользователями. Заявленная поддержка языков — английский и китайский; тип задачи — генерация текста. Модель использует архитектуру mixture-of-experts (MoE), а её базовый размер обозначен как 26B-A4B. Максимальная длина контекста в приведённых тестах составляла 32 768 токенов.

Ключевая особенность — динамическое FP8-квантование без предварительной калибровки и без квантования весов MoE-роутеров и 1D-тензоров нормализации, что обеспечивает совместимость с путём загрузки Gemma 4 в vLLM. На NVIDIA H200 NVL чекпойнт занимал 25,75 GiB памяти против 48,5 GiB у BF16-версии, обеспечивал на 80% больший размер KV-кэша и почти 39-кратную максимальную параллельность для запросов длиной 32K токенов. В тесте MMLU-Pro точность составила 81,33% против 81,59% у BF16-базовой модели.

Ограничения включают примерно на 6% большую задержку одиночного запроса по сравнению с BF16, отсутствие результатов по MT-Bench и другим бенчмаркам, а также ограниченную проверку оборудования: тестирование проводилось только на NVIDIA H200 NVL. Поведение на других GPU и влияние исключения роутеров из квантования требуют дополнительной оценки. Артефакт не является официальным релизом Google; применяются условия лицензии Gemma, указанной для базовой модели.

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 FP8 Dynamic Norouter

Production-ready offline FP8 checkpoint for vLLM — 47% less VRAM, 80% more concurrency vs BF16.

We searched for a usable offline FP8 checkpoint of Gemma 4 26B-A4B-it but couldn't find one that worked cleanly with vLLM. So we vibe-coded our own and are sharing it with the community.

This repository hosts an offline FP8 checkpoint derived from google/gemma-4-26B-A4B-it for vLLM serving. No on-the-fly quantization needed at startup.

Published by Largitdata Inc.

Note: This is a derived operational checkpoint, not an official Google release. The original model's license terms, safety guidance, and documentation remain authoritative.

📖 中文說明 / Chinese Version


Model Details

  • Base model: google/gemma-4-26B-A4B-it
  • Derived format: offline FP8 checkpoint for vLLM
  • Quantization tool: llmcompressor
  • Quantization method: FP8_DYNAMIC
  • Calibration data: None required (dynamic quantization)
  • Excluded weights:
    • norm-class 1D tensors — excluded to avoid expected 2D linear weight validation errors during quantization
    • re:.*router\.proj$ — MoE router weights excluded to maintain compatibility with the Gemma4 vLLM loading path
  • Output directory name: gemma-4-26B-A4B-it-FP8-DYNAMIC-NOROUTER
  • Primary serving target: vllm/vllm-openai:gemma4
  • Organization: Largitdata Inc.

Test Environment

  • GPU: NVIDIA H200 NVL (143 GB VRAM)
  • Runtime: vllm/vllm-openai:gemma4
  • KV cache dtype: fp8
  • max_model_len: 32768
  • gpu_memory_utilization: 0.55

Observed vLLM startup characteristics:

  • model weight loading: 15.76 s
  • model loading total: 16.88 s
  • torch.compile: 56.98 s
  • engine init: 102.17 s
  • total time to /v1/models ready: about 153 s

Observed runtime capacity:

  • max_num_batched_tokens = 8192
  • available KV cache memory: 46.37 GiB
  • GPU KV cache size: 405,184 tokens
  • maximum concurrency at 32,768 tokens/request: 38.87x

Serving Capacity Comparison

MetricFP8 Dynamic NorouterBF16 Baseline
Model loading memory25.75 GiB48.5 GiB
GPU KV cache size405,184 tokens225,376 tokens
Max concurrency @ 32K tokens/req38.87x21.62x
VRAM savings47% less—
KV cache gain80% more—

Basic Benchmark

Single-request warm benchmark against the OpenAI-compatible vLLM endpoint:

  • prompt tokens: 38
  • completion tokens: 256
  • temperature: 0
MetricFP8 Dynamic NorouterBF16 Baseline
Avg end-to-end latency1.629 s1.536 s
Avg completion throughput157.19 tok/s166.62 tok/s
Avg total throughput180.53 tok/s191.36 tok/s

These numbers are single-request warm-path measurements, not multi-client throughput tests. In production multi-client scenarios, the FP8 variant's larger KV cache is expected to provide superior aggregate throughput.

BF16 is ~6% faster on single-request latency, but the FP8 variant uses 47% less VRAM and provides 80% more KV cache capacity. For production environments serving multiple concurrent users, the FP8 variant offers a better trade-off.

Accuracy Evaluation — MMLU-Pro

We ran MMLU-Pro (full set, 14 categories) comparing this FP8 checkpoint against its BF16 baseline on the same harness and prompt template.

ModelMMLU-Pro AccuracyWall clock
26B BF16 (baseline)81.59%65 min
26B FP8 Dynamic Norouter (this)81.33%63 min
Δ (FP8 − BF16)−0.26 pp—

FP8 quantization cost is essentially zero — the 0.26 pp gap sits inside benchmark noise. Our 26B BF16 number (81.59%) is ~1.0 pp below Google's reported 82.6%, consistent with harness/prompt differences rather than a quantization defect; both BF16 and FP8 shift together.

For context, we also evaluated the sibling 31B variant under identical conditions:

ModelMMLU-Pro
26B BF1681.59%
26B FP881.33%
31B BF1684.60%
31B FP8 Dynamic84.55%

See also: LargitData/gemma-4-31b-it-fp8.

Usage

Example vLLM launch:

docker run -d \
  --name vllm-gemma4-26b-fp8-norouter \
  --restart unless-stopped \
  --ipc=host \
  --shm-size 16G \
  --gpus all \
  -v /models \
  -p 8001:8000 \
  -e NVIDIA_VISIBLE_DEVICES=0 \
  vllm/vllm-openai:gemma4 \
  --model /models/gemma-4-26B-A4B-it-FP8-DYNAMIC-NOROUTER \
  --trust-remote-code \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.55 \
  --max-model-len 32768 \
  --enable-auto-tool-choice \
  --tool-call-parser gemma4 \
  --host 0.0.0.0 \
  --port 8000

Known Limitations

  • Single-request latency is ~6% higher than BF16 due to FP8 dequantization overhead.
  • MMLU-Pro measured (see above); MT-Bench and other benchmarks not yet run. Community contributions are welcome.
  • Only tested on NVIDIA H200 NVL. Other GPUs (A100, H100) may require adjusting gpu-memory-utilization.
  • MoE router weights (router.proj) and norm-class 1D tensors are excluded from quantization for vLLM compatibility. No routing degradation has been observed, but systematic evaluation has not been performed.

Intended Use

This artifact is intended for:

  • Operational vLLM deployment on H200-class hardware
  • Reproducible offline FP8 serving experiments
  • Environments where startup-time on-the-fly quantization is undesirable
  • Production inference with higher concurrency requirements

This artifact is not intended to replace the original base model documentation, safety guidance, or license terms.

License

This repository contains a derived checkpoint based on google/gemma-4-26B-A4B-it. Usage is subject to the Gemma Terms of Use.

Citation

If you use this artifact, please cite both the derived checkpoint and the upstream base model.

@misc{largitdata_gemma4_26b_a4b_it_fp8_dynamic_norouter_2026,
  title        = {Gemma 4 26B-A4B IT FP8 Dynamic Norouter},
  author       = {David Chiu},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/largitdata-inc/gemma-4-26b-a4b-it-fp8-dynamic-norouter}},
  note         = {Derived offline FP8 checkpoint from google/gemma-4-26B-A4B-it for vLLM serving, published by Largitdata Inc. \url{https://www.largitdata.com/}}
}

@misc{google_gemma4_26b_a4b_it,
  title        = {Gemma 4 26B-A4B IT},
  author       = {Google},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/google/gemma-4-26B-A4B-it}}
}

Disclaimer

Users are responsible for verifying license compatibility, downstream serving behavior, numerical quality, and safety characteristics for their own environment.


中文說明

給 vLLM 用的離線 FP8 checkpoint — 比 BF16 省 47% VRAM,平行處理能力多 80%。

我們在網路上找了一輪,沒有找到堪用的 Gemma 4 26B 離線 FP8 版本,索性自己 vibe coding 做了一版,貢獻給社群。

這個 Repo 提供從 google/gemma-4-26B-A4B-it 衍生出的離線 FP8 checkpoint,讓 vLLM 可以直接載入服務,不需要在啟動時執行 on-the-fly 量化。

由 Largitdata Inc. 發佈。

注意: 這是衍生的操作用 checkpoint,並非 Google 官方發佈。原始模型的授權條款、安全指引與文件仍以官方為準。

模型細節

  • 基底模型: google/gemma-4-26B-A4B-it
  • 格式: 離線 FP8 checkpoint,供 vLLM 使用
  • 量化工具: llmcompressor
  • 量化方式: FP8_DYNAMIC
  • 校準資料: 不需要(動態量化)
  • 排除的權重:
    • norm 類一維 tensor — 避免量化驗證時產生 expected 2D linear weight 類錯誤
    • re:.*router\.proj$ — MoE router 權重,維持與 Gemma4 vLLM 載入路徑的相容性
  • 主要部署目標: vllm/vllm-openai:gemma4

測試環境

  • GPU: NVIDIA H200 NVL(143 GB VRAM)
  • Runtime: vllm/vllm-openai:gemma4
  • KV cache dtype: fp8
  • max_model_len: 32768
  • gpu_memory_utilization: 0.55

啟動實測數據:

  • 模型權重載入:15.76 s
  • 模型載入總計:16.88 s
  • torch.compile:56.98 s
  • 引擎初始化:102.17 s
  • /v1/models 就緒總時間:約 153 s

執行期容量:

  • max_num_batched_tokens = 8192
  • 可用 KV cache 記憶體:46.37 GiB
  • GPU KV cache 大小:405,184 tokens
  • 最大平行處理量(32,768 tokens/request):38.87x

服務容量比較

指標FP8 Dynamic NorouterBF16 原版
模型載入記憶體25.75 GiB48.5 GiB
GPU KV cache 大小405,184 tokens225,376 tokens
最大平行處理量 @ 32K tokens/req38.87x21.62x
VRAM 節省47%—
KV cache 增加80%—

基礎效能測試

單請求暖機測試(OpenAI 相容 vLLM endpoint):

  • prompt tokens:38
  • completion tokens:256
  • temperature:0
指標FP8 Dynamic NorouterBF16 原版
平均端到端延遲1.629 s1.536 s
平均 completion 吞吐量157.19 tok/s166.62 tok/s
平均總吞吐量180.53 tok/s191.36 tok/s

以上為單請求暖機路徑測量值,非多用戶吞吐量測試。在生產環境多用戶場景下,FP8 版本更大的 KV cache 預期能提供更好的整體吞吐量。

結論:BF16 單請求略快(約 6%),但 FP8 版本 VRAM 用量減少 47%,可用 KV cache 增加 80%。需要同時服務多用戶的生產環境,FP8 版本更具優勢。

精度評估 — MMLU-Pro

使用相同 harness 與 prompt template,對 FP8 checkpoint 與 BF16 原版同時執行 MMLU-Pro(全集,14 類別):

模型MMLU-Pro 準確率總執行時間
26B BF16(基準)81.59%65 min
26B FP8 Dynamic Norouter(本版本)81.33%63 min
Δ (FP8 − BF16)−0.26 pp—

FP8 量化的代價基本為零 — 0.26 pp 的差距落在 benchmark 噪音範圍內。我們的 26B BF16 成績(81.59%)比 Google 官方的 82.6% 低約 1.0 pp,這是 harness / prompt 差異造成,非量化問題;BF16 與 FP8 兩者一起偏移。

作為對照,同條件下 31B 版本結果:

模型MMLU-Pro
26B BF1681.59%
26B FP881.33%
31B BF1684.60%
31B FP8 Dynamic84.55%

另見:LargitData/gemma-4-31b-it-fp8。

使用方式

vLLM 啟動範例:

docker run -d \
  --name vllm-gemma4-26b-fp8-norouter \
  --restart unless-stopped \
  --ipc=host \
  --shm-size 16G \
  --gpus all \
  -v /models \
  -p 8001:8000 \
  -e NVIDIA_VISIBLE_DEVICES=0 \
  vllm/vllm-openai:gemma4 \
  --model /models/gemma-4-26B-A4B-it-FP8-DYNAMIC-NOROUTER \
  --trust-remote-code \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.55 \
  --max-model-len 32768 \
  --enable-auto-tool-choice \
  --tool-call-parser gemma4 \
  --host 0.0.0.0 \
  --port 8000

已知限制

  • 單請求延遲比 BF16 高約 6%,主因為 FP8 dequantization 的額外開銷
  • MMLU-Pro 已完成(見上),MT-Bench 等其他 benchmark 尚未執行,歡迎社群補充
  • 僅在 H200 NVL 上實測,其他 GPU(如 A100、H100)可能需要調整 gpu-memory-utilization
  • MoE router 權重(router.proj)與 norm 類一維 tensor 被排除在量化範圍外以維持 vLLM 相容性,目前未觀察到分流品質下降,但尚無系統性評估

使用場景

此 checkpoint 適用於:

  • 在 H200 等級硬體上以 vLLM 進行生產部署
  • 可重現的離線 FP8 服務實驗
  • 不希望在啟動時執行 on-the-fly 量化的環境
  • 需要更高平行處理能力的生產推論場景

此 checkpoint 不取代原始基底模型的文件、安全指引或授權條款。

授權

此 Repo 包含基於 google/gemma-4-26B-A4B-it 的衍生 checkpoint,使用須遵守 Gemma 使用條款。

免責聲明

使用者需自行驗證授權相容性、下游服務行為、數值品質與安全特性。

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
2398f3b

0 моделей