/ Модель

Характеристики

Размер весов
10 ГБ
Лицензия
Gemma
Архитектура
gemma4 · dense
Базовая модель
gemma-4-E4B-it
Библиотека
transformers
Опубликована
12 апр 2026

gemma-4-E4B-it-W4A16-AutoRound-GPTQ

Изображение и текст → текст12 профессий

Vishva007/gemma-4-E4B-it-W4A16-AutoRound-GPTQ — это 4-битная GPTQ-квантизованная версия мультимодальной модели Google Gemma 4 E4B Instruct, созданная на базе google/gemma-4-E4B-it.

6 086скачиваний за 30 дней4лайкавеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 и понимания текста, работы с изображениями и аудио, включая мультимодальные диалоги, описание изображений и анализ визуальных материалов. Заявлена поддержка английского и многоязычных сценариев. Модель распространяется для использования через Transformers и vLLM; в README рекомендована совместимая сборка vLLM для сервинга и OpenAI-совместимого API.

Архитектура включает 42-слойную текстовую часть Gemma4TextModel с размерностью скрытого состояния 2560 и смешанным локальным и глобальным вниманием, 16-слойную vision-модель с размерностью 768 и 12-слойную audio-модель с conformer-подобными слоями. Размер словаря составляет 262 144 токена. Линейные слои языковой модели квантизованы по схеме W4A16: веса INT4, активации BF16, размер группы 128, симметричная квантизация. Визуальная и аудиобашни, а также мультимодальные проекторы сохраняются в полной точности, что помогает поддерживать мультимодальное качество. В рекомендованной конфигурации vLLM указан максимальный размер контекста 18 432 токена, а число визуальных токенов на изображение можно настраивать.

Главные преимущества — снижение требований к памяти и возможность эффективного развёртывания при сохранении мультимодальных возможностей. Ограничения связаны с использованием RTN-режима AutoRound без полной оптимизации, возможным небольшим снижением точности из-за пропуска слоёв, размеры которых не кратны 32, а также более низкой эффективностью speculative decoding по сравнению с исходной неквантизованной моделью. Лицензия указана как gemma; конкретные условия её применения следует уточнять в лицензии Google Gemma.

Для каких профессий подходит12

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 E4B Instruct — W4A16 Quantized GPTQ

This repository hosts W4A16 INT4-quantized versions of google/gemma-4-E4B-it, a multimodal mixture-of-experts model supporting text, vision, and audio inputs. Two quantized variants are available:

Note on MTP / Speculative Decoding:
If you want to use the official speculative decoding assistant model (google/gemma-4-E4B-it-assistant) for MTP support, it is recommended to use the vllm/vllm-openai:gemma4-0505-cu129 Docker image, which includes newer Gemma 4 support and decoding patches.

Due to INT4 quantization, the assistant acceptance rate may be lower compared to the original unquantized google/gemma-4-E4B-it model.

VariantMethodRepo
AutoRound (RTN)intel/auto-roundVishva007/gemma-4-E4B-it-W4A16-AutoRound
GPTQAutoGPTQVishva007/gemma-4-E4B-it-W4A16-AutoRound-GPTQ

Note: Only the language model (LM) layers are quantized to INT4. The vision tower, audio tower, and multimodal projectors are kept at full precision (BF16) to preserve multimodal quality.


Quantization Details

ParameterValue
Base modelgoogle/gemma-4-E4B-it
Quantization schemeW4A16 (INT4 weights, BF16 activations)
Group size128
SymmetricYes
Calibration samples256
Sequence length2048
Non-LM modulesKept at FP32 (vision, audio, projectors)
Quantized layersAll LM linear layers (q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj, per_layer_input_gate, per_layer_projection)
AutoRound modeRTN (iters=0) — required for Gemma 4 compatibility
Hardware usedNVIDIA A100 80GB PCIe
FrameworkPyTorch 2.10.0 + CUDA 12.8

Model Architecture

Gemma 4 E4B is a multimodal MoE model (Gemma4ForConditionalGeneration) with:

  • Text backbone: 42-layer Gemma4TextModel with 2560 hidden dim, mixed local/global attention
  • Vision tower: 16-layer Gemma4VisionModel (768-dim, unquantized)
  • Audio tower: 12-layer Gemma4AudioModel with conformer-style layers (unquantized)
  • Vocabulary size: 262,144 tokens

Usage

vLLM Inference

The recommended way to serve this model is via the official vllm/vllm-openai:gemma4 Docker image, which ships vLLM v0.19.1 with the latest Transformers patches required for Gemma 4.

Serve with Docker (recommended)

docker run --gpus all --rm -p 8000:8000 \
  vllm/vllm-openai:gemma4 \
  vllm serve Vishva007/gemma-4-E4B-it-W4A16-AutoRound-GPTQ \
    --served-model-name Gemma-4-E4B-it \
    --quantization autoround \
    --kv-cache-dtype auto \
    --max-num-batched-tokens 16384 \
    --enable-chunked-prefill \
    --enable-prefix-caching \
    --dtype bfloat16 \
    --max-model-len 18432 \
    --enable-auto-tool-choice \
    --tool-call-parser gemma4 \
    --port 8000 \
    --default-chat-template-kwargs '{"enable_thinking": false}' \
    --mm-processor-kwargs '{"max_soft_tokens": 560}'

Direct vllm serve (vLLM ≥ 0.19.0)

vllm serve Vishva007/gemma-4-E4B-it-W4A16-AutoRound-GPTQ \
  --served-model-name Gemma-4-E4B-it \
  --quantization autoround \
  --kv-cache-dtype auto \
  --max-num-batched-tokens 16384 \
  --enable-chunked-prefill \
  --enable-prefix-caching \
  --dtype bfloat16 \
  --max-model-len 18432 \
  --enable-auto-tool-choice \
  --tool-call-parser gemma4 \
  --port 8000 \
  --default-chat-template-kwargs '{"enable_thinking": false}' \
  --mm-processor-kwargs '{"max_soft_tokens": 560}'

max_soft_tokens — Image Token Budget

The max_soft_tokens parameter controls how many visual tokens are allocated per image. Higher values give richer image representations at the cost of context length and throughput.

max_soft_tokensDetail levelRecommended use
70MinimalFast throughput, simple images
140LowCharts, diagrams
280Medium (default)General-purpose
560HighDense scenes, documents
1120MaximumFine-grained visual detail

Pass it via --mm-processor-kwargs '{"max_soft_tokens": <value>}'.

OpenAI-compatible API call

Once the server is running, query it like any OpenAI-compatible endpoint:

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="Gemma-4-E4B-it",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe what you see."},
                {"type": "image_url", "image_url": {"url": "https://..."}},
            ],
        }
    ],
    max_tokens=512,
)
print(response.choices.message.content)

The quantized model was then exported in both AutoRound and GPTQ formats and pushed to Hugging Face Hub.


Limitations & Notes

  • RTN mode (iters=0) is used instead of full AutoRound optimization due to Gemma 4's architecture constraints.
  • Some layers with shapes not divisible by 32 are skipped during quantization (minor precision impact).
  • Multimodal (vision/audio) capabilities are fully preserved as those towers are not quantized.

🚀 Deploy on RunPod

One-click launch environments pre-configured with PyTorch, CUDA, and dependencies for fine-tuning or quantization.

🎁 Need GPU compute? Sign up via RunPod and get $5–$500 in free credits when you add your first $10.

PyTorch 2.14

TemplateCUDA VersionDocker ImageTemplate IDDeploy
PyTorch 2.14 (CUDA 12.6)12.6vishva123/cuda-12.6-pytorch-2.14-runpodd7lxsa4w9mDeploy to RunPod
PyTorch 2.14 (CUDA 13.0)13.0vishva123/cuda-13.0-pytorch-2.14-runpodyk0y6j6rpgDeploy to RunPod
PyTorch 2.14 (CUDA 13.2)13.2vishva123/cuda-13.2-pytorch-2.14-runpodgsp4gwx0nwDeploy to RunPod

PyTorch 2.13

TemplateCUDA VersionDocker ImageTemplate IDDeploy
PyTorch 2.13 (CUDA 12.6)12.6vishva123/cuda-12.6-pytorch-2.13-runpodgmlupxnxfkDeploy to RunPod
PyTorch 2.13 (CUDA 13.0)13.0vishva123/cuda-13.0-pytorch-2.13-runpody3j8xvk4f4Deploy to RunPod
PyTorch 2.13 (CUDA 13.2)13.2vishva123/cuda-13.2-pytorch-2.13-runpodvigpissn5wDeploy to RunPod

PyTorch 2.12

TemplateCUDA VersionDocker ImageTemplate IDDeploy
PyTorch 2.12 (CUDA 12.6)12.6vishva123/cuda-12.6-pytorch-2.12-runpodctmz86zmf0Deploy to RunPod
PyTorch 2.12 (CUDA 13.0)13.0vishva123/cuda-13.0-pytorch-2.12-runpodqjko5yiwziDeploy to RunPod
PyTorch 2.12 (CUDA 13.2)13.2vishva123/cuda-13.2-pytorch-2.12-runpodifg6xmye0fDeploy to RunPod

Acknowledgements

Special thanks to OLAF-OSS and the contributors of the gemma4-vllm project for their excellent work in enabling Gemma 4 support with vLLM. Their QUANTIZE.md guide was extremely helpful in understanding the correct quantization approach for gemma-4-E2B-it.

At the time of writing, the original repository appears to be unavailable or removed. To ensure reproducibility, I have documented the full quantization workflow used for this model in my own repository.

The full quantization process used to produce these models is documented here: 📓 auto_round_Gemma4-E4B.ipynb

License

This quantized model is derived from google/gemma-4-E4B-it and is subject to the Gemma Terms of Use.


Citation

If you use this quantized model, please also cite the original Gemma 4 work:

@misc{gemma4_2026,
  title  = {Gemma 4},
  author = {Google DeepMind},
  year   = {2026},
  url    = {https://huggingface.co/google/gemma-4-E4B-it}
}

Quantized by Vishva007

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
6500d59

0 моделей