/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-12B-it
Библиотека
llama-cpp
Опубликована
30 июл 2026

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

Мультимодальная модель15 профессий

Мультимодальная 12-миллиардная Gemma 4 в форматах GGUF NVFP4 и BF16 для диалога и анализа текста, изображений и аудио.

3 171скачиваний за 30 дней1лайквеса обновлены3 окт 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

WhiskyAKM/Gemma-4-12B-it-qat-NVFP4-GGUF — сборка Gemma 4 12B IT от Google DeepMind, подготовленная WhiskyAKM в формате GGUF для llama.cpp и других совместимых движков. В репозитории есть варианты NVFP4 и BF16; NVFP4 уменьшает требования к памяти, а ускорение инференса на NVIDIA Blackwell зависит от совместимого оборудования и движка. Модель содержит 12 млрд параметров и мультимодальную архитектуру Gemma4ForConditionalGeneration.

Модель предназначена для диалога и понимания текста, изображений и аудио с генерацией текстовых ответов; также заявлены работа с видео, многоязычность более чем на 140 языках, контекст до 256 тысяч токенов и поддержка вызова инструментов. Для обработки изображений и аудио требуется подключить файл проектора mmproj.gguf. Лицензия — Apache 2.0.

Сценарии применения

  • ответы на вопросы по текстовым запросам
  • описание и анализ изображений
  • понимание аудиовходов и ответы по их содержанию
  • многоязычный диалог с длинным контекстом
  • вызов инструментов в агентных сценариях

Ограничения

Для мультимодального ввода изображений и аудио требуется файл mmproj.gguf и совместимый инференс-движок; ускорение NVFP4 заявлено для совместимого оборудования NVIDIA Blackwell.

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 IT QAT NVFP4 — GGUF

NVFP4 GGUF conversions derived from WhiskyAKM/Gemma-4-12B-it-qat-GGUF, which was created from the Quantization-Aware Training (QAT) checkpoint of Gemma 4 12B IT (google/gemma-4-12B-it-qat-q4-0).

This repository provides NVFP4 (NVIDIA 4-bit floating-point) and bf16 GGUF files, making the model usable with llama.cpp and other GGUF-compatible inference engines.

Model Overview

Gemma 4 12B IT is a multimodal model built by Google DeepMind that handles text, image, and audio inputs and generates text output. It is designed for efficient on-device and server deployment.

Model Architecture

PropertyValue
ArchitectureGemma4ForConditionalGeneration
Parameters12B
Layers48
Embedding Dimension3840
Feed Forward Length15360
Attention Heads16
Sliding Window1024 tokens
Context Length256K tokens (262144)
Vocabulary Size262K (262144)
Supported ModalitiesText, Image, Audio
AttentionHybrid (sliding window + global, every 6th layer)
RoPEProportional RoPE (p-RoPE) on global layers
Logit Softcapping30.0

GGUF Files

FileFormatSizeDescription
gemma-4-12b-it-qat-nvfp4.ggufNVFP46.5GNVFP4 quantized model - embeddings are in Q6_K
gemma-4-12b-it-qat-fast-nvfp4.ggufNVFP46.3GNVFP4 quantized model - embeddings are in NVFP4
mtp-bf16.ggufBF160.8GMTP draft model
mtp-nvfp4.ggufNVFP40.3GNVFP4 quantized MTP draft model
mmproj.gguf—168MMultimodal projector (vision + audio)

A chat_template.jinja file is also provided for use with chat-based inference.

About NVFP4: NVFP4 is NVIDIA's 4-bit floating-point format (E2M1) with microscaled per-block scaling factors. It offers significant memory savings while preserving quality close to bfloat16. NVFP4 inference is accelerated on NVIDIA Blackwell GPUs and supported via llama.cpp on compatible hardware.

Note on mmproj: The mmproj.gguf file contains the vision and audio projectors needed for multimodal (image/audio) inference. It is shared across both quantization variants.

Usage

llama.cpp (CLI)

# Run text-only inference
./llama-cli \
  -m gemma-4-12b-it-qat-nvfp4.gguf \
  -p "Explain quantum computing in simple terms." \
  --temp 1.0 --top-k 64 --top-p 0.95

llama-server (OpenAI-compatible API)

# Text-only
./llama-server \
  -m gemma-4-12b-it-qat-nvfp4.gguf \
  --host 0.0.0.0 --port 8080

# Multimodal (image + audio)
./llama-server \
  -m gemma-4-12b-it-qat-nvfp4.gguf \
  --mmproj mmproj.gguf \
  --host 0.0.0.0 --port 8080

llama.cpp with MTP draft

# fit must be off to eanble MTP
# i find max 6, min 1 to be optimal settings
./llama-cli \
  -m gemma-4-12b-it-qat-nvfp4.gguf \
  --fit off \ 
  --spec-type draft-mtp -md mtp-nvfp4.gguf \
  --spec-draft-n-max 6 --spec-draft-n-min 1

Multimodal (Image / Audio)

For image and audio inputs, use llama-server or llama-cli with the --mmproj flag pointing to mmproj.gguf. Refer to your inference engine's documentation for passing image/audio data alongside text prompts.

Modality order tip: For best results, place image content before text and audio content after text in your prompt.

Generation Parameters

Recommended parameters from the model's generation_config.json:

ParameterValue
Temperature1.0
Top-K64
Top-P0.95
BOS Token ID2
EOS Token ID1
Pad Token ID0
Mask Token ID4

Thinking Mode

Gemma 4 supports configurable thinking (reasoning) mode:

  • Enable: Include the <|think|> token at the start of the system prompt.
  • Output format: When thinking is enabled, the model outputs internal reasoning followed by the final answer:
    <|channel>thought
    [Internal reasoning]
    <channel|>
    [Final answer]
    
  • Disable: Omit the <|think|> token.

Many libraries like Transformers and llama.cpp handle the chat template complexities automatically.

Key Features

  • Multimodal: Text, image, and audio understanding
  • Long Context: 256K token context window
  • Function Calling: Native support for structured tool use (agentic workflows)
  • Multilingual: Support for 140+ languages
  • Native System Prompt: Supports the system role for structured conversations

Acknowledgements

Citation

@misc{gemmateam2026gemma4,
      title={Gemma 4 Technical Report},
      author={Gemma Team},
      year={2026},
      eprint={2607.02770},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2607.02770},
}

License

Apache License 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · llama-cpp

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
a42e3fd

0 моделей