/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
llama.cpp
Опубликована
9 июн 2026

gemma-4-mtp-q8_0-gguf

Генерация текстаТекст → текст3 профессии

Вспомогательные GGUF-модели Gemma 4 MTP ускоряют генерацию в llama.cpp через speculative decoding при запуске с соответствующей целевой моделью.

94скачиваний за 30 дней1лайквеса обновлены9 июн 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

Это набор вспомогательных MTP-моделей для Gemma 4, подготовленный владельцем репозитория из контрольных точек Google и предназначенный для ускорения генерации методом speculative decoding в llama.cpp. Модели представлены в формате GGUF с квантизацией Q8_0; в репозитории есть варианты для Gemma 4 12B и 31B. Это не самостоятельные чат-модели: каждую нужно запускать вместе с соответствующей целевой моделью Gemma 4 Instruct через путь draft-mtp.

Вспомогательная модель предлагает черновые токены, которые целевая модель проверяет, ускоряя генерацию без замены её ответов. Для работы нужна сборка llama.cpp с поддержкой Gemma 4 MTP. У варианта 31B контекст черновой модели составляет 131072 токена, поэтому при сочетании с целевой моделью на 262K возможна выдача предупреждения о несовпадении контекста. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • ускорение генерации текста целевой моделью Gemma 4 12B Instruct
  • ускорение генерации текста целевой моделью Gemma 4 31B Instruct
  • черновое предсказание токенов для speculative decoding в llama.cpp

Ограничения

Модель не предназначена для самостоятельного диалога и требует соответствующую целевую модель Gemma 4 и сборку llama.cpp с поддержкой draft-mtp. Контекст варианта 31B ограничен 131072 токенами, поэтому с целью на 262K возможны предупреждения о контексте.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gemma 4 MTP Draft Models — GGUF Q8_0

This repository contains GGUF-converted MTP / assistant draft models for Gemma 4 speculative decoding in llama.cpp.

These files are not standalone chat models. They are draft / MTP models intended to be loaded alongside the matching Gemma 4 target model using llama.cpp speculative decoding.

Files

FileSource checkpointSource revisionGGUF typeSHA256
mtp-gemma-4-31B-it.ggufgoogle/gemma-4-31B-it-qat-q4_0-unquantized-assistant5db7ebef2cfabfc4b5b0dc898171d854b1521b14Q8_0c1a08236603ff83678494d491a80b941b5ed5dfed035ce778d662dfc435d832d
mtp-gemma-4-12B-it.ggufgoogle/gemma-4-12B-it-qat-q4_0-unquantized-assistant9b957049a807d0ce8d7682d0f308a2df835c3f9aQ8_013331068b6af643c3dc75e619373b674c1f75a1958e7c82e2020d96a17c63809

What these are

Google's source checkpoints are unquantized QAT assistant checkpoints. They contain half-precision weights extracted from the QAT pipeline for Gemma 4 MTP / assistant drafting.

This repo provides those assistant checkpoints converted to GGUF and quantized as Q8_0 for use with llama.cpp's draft-mtp speculative decoding path.

The target model itself is not included in this repository. Pair these files with the matching Gemma 4 IT GGUF target model.

Conversion approach

Converted with llama.cpp's Hugging Face to GGUF converter:

python convert_hf_to_gguf.py \
  --outtype q8_0 \
  --outfile mtp-gemma-4-31B-it.gguf \
  /path/to/google/gemma-4-31B-it-qat-q4_0-unquantized-assistant

python convert_hf_to_gguf.py \
  --outtype q8_0 \
  --outfile mtp-gemma-4-12B-it.gguf \
  /path/to/google/gemma-4-12B-it-qat-q4_0-unquantized-assistant

Conversion environment:

  • llama.cpp commit: 7d2b45b4f
  • GGUF v3
  • Architecture: gemma4-assistant
  • Output type: Q8_0
  • 49 tensors per model

A tokenizer config compatibility fix was applied before conversion because the local Transformers version errored on:

"extra_special_tokens": []

The value was changed to an empty object for conversion compatibility:

"extra_special_tokens": {}

No model weights were otherwise modified beyond GGUF conversion and Q8_0 quantization.

Usage with llama.cpp

Example for Gemma 4 31B:

llama-server \
  -m /path/to/gemma-4-31B_q4_0-it.gguf \
  -md /path/to/mtp-gemma-4-31B-it.gguf \
  --spec-type draft-mtp \
  --spec-draft-n-max 4 \
  --kv-unified \
  -fa on

For very large context sizes, the target model and KV cache may consume nearly all GPU memory before the draft model is loaded. If draft loading fails, place the draft model on CPU:

llama-server \
  -m /path/to/gemma-4-31B_q4_0-it.gguf \
  -md /path/to/mtp-gemma-4-31B-it.gguf \
  --spec-type draft-mtp \
  --spec-draft-ngl 0 \
  --spec-draft-n-max 4 \
  --kv-unified \
  -fa on

For example, with a 32 GB GPU and full 262k context, --spec-draft-ngl 0 may be needed. Reducing context length can allow the draft model to remain on GPU.

Notes

  • Requires a llama.cpp build with Gemma 4 MTP / draft-mtp support.
  • The draft model should be paired with the matching target model family and size.
  • These files are intended for speculative decoding acceleration, not direct prompting.
  • The 31B assistant checkpoint has n_ctx_train = 131072; using it with a 262k target may emit a context warning for the draft context.

License

The source Gemma 4 models are provided by Google under the Apache 2.0 license. See the original model cards and license terms:

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
c6c3cfc

0 моделей