/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-E2B-it
Библиотека
llama-cpp
Опубликована
29 июл 2026

Gemma-4-E2B-it-qat-NVFP4-GGUF

Мультимодальная модель15 профессий

Квантованная мультимодальная Gemma 4 E2B IT для локальных диалогов и анализа текста, изображений и аудио с текстовыми ответами.

1 964скачиваний за 30 дней0лайковвеса 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

Gemma 4 E2B IT QAT NVFP4 GGUF — мультимодальная разговорная модель на основе контрольной точки Gemma 4 E2B IT с QAT-оптимизацией и преобразованием весов в формат GGUF с квантованием NVFP4. Модель разработана Google DeepMind; этот вариант подготовлен WhiskyAKM для запуска через llama.cpp и другие совместимые с GGUF движки. Эффективный размер составляет 2,3 млрд параметров, или 5,1 млрд с учётом встраиваний; архитектура — Gemma4ForConditionalGeneration, 35 слоёв.

Модель принимает текст, изображения и аудио и формирует текстовые ответы. Она предназначена для диалогов, анализа изображений и аудио, локального запуска и сценариев с вызовом инструментов; заявлены контекст до 128 тыс. токенов и поддержка более 140 языков. QAT и NVFP4 снижают требования к памяти, а файлы GGUF позволяют использовать модель в llama.cpp. Для обработки изображений и аудио нужен движок с мультимодальной поддержкой. Лицензия — Apache-2.0.

Сценарии применения

  • локальный чат с ассистентом на ноутбуке
  • ответы на вопросы по изображениям
  • анализ аудиовхода с формированием текстового ответа
  • диалоговый вызов инструментов
  • обработка длинных мультиязычных запросов

Ограничения

Для обработки изображений и аудио требуется движок инференса с мультимодальной поддержкой. NVFP4 ориентирован на NVIDIA Blackwell и более новые GPU; производительность и качество могут зависеть от совместимости движка и оборудования.

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 E2B IT QAT - NVFP4 GGUF

NVFP4 GGUF quantization based on WhiskyAKM/Gemma-4-E2B-it-qat-GGUF, created from the Quantization-Aware Training (QAT) checkpoint of Gemma 4 E2B IT.

Model Overview

Gemma 4 E2B 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 deployment on laptops and mobile devices.

The "E" in E2B stands for "effective" parameters - the model uses Per-Layer Embeddings (PLE) to maximize parameter efficiency, giving each decoder layer its own small embedding for every token. This keeps the effective parameter count much smaller than the total.

This repository contains an NVFP4 GGUF conversion of the QAT-optimized checkpoint, making it usable with llama.cpp and other GGUF-compatible inference engines.

Model Architecture

PropertyValue
ArchitectureGemma4ForConditionalGeneration
Effective Parameters2.3B (5.1B with embeddings)
Layers35
Sliding Window512 tokens
Context Length128K tokens
Vocabulary Size262K
Supported ModalitiesText, Image, Audio
Vision Encoder Parameters~150M
Audio Encoder Parameters~300M
AttentionHybrid (sliding window + global, every 5th layer)
RoPEProportional RoPE (p-RoPE) on global layers

GGUF Files

FileFormatSizeDescription
gemma-4-E2B-it-qat-nvfp4.ggufNVFP43.2GNVFP4 quantized model - embeddings are in Q6_K
gemma-4-E2B-it-qat-fast-nvfp4.ggufNVFP42.6GNVFP4 quantized model - embeddings are in NVFP4
mtp-bf16.ggufBF16160MMTP draft model
mtp-nvfp4.ggufNVFP480MNVFP4 quantized MTP draft model - not recomendend, in this case MTP model is already small and quantization causes degradation of accuracy
mmproj.gguf-942MMultimodal projector for image and audio inputs

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

Note on NVFP4: NVFP4 (NVIDIA 4-bit Floating Point) is a low-precision floating-point format designed for NVIDIA Blackwell and later GPUs. The QAT optimization preserves quality close to bfloat16 while dramatically reducing memory requirements.

Usage

llama.cpp (CLI)

# Run text inference
./llama-cli \
  -m gemma-4-E2B-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)

./llama-server \
  -m gemma-4-E2B-it-qat-nvfp4.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-E2B-it-qat-nvfp4.gguf \
  --fit off \ 
  --spec-type draft-mtp -md mtp-bf16.gguf \
  --spec-draft-n-max 6 --spec-draft-n-min 1

Multimodal (Image / Audio)

For image and audio inputs, use a GGUF-compatible engine with multimodal support. 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 IDs1, 106, 50
Pad Token ID0

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. For the E2B variant, thinking is fully off when disabled (no empty thought block is generated).

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

Key Features

  • Multimodal: Text, image, and audio understanding
  • Long Context: 128K token context window
  • Function Calling: Native support for structured tool use (agentic workflows)
  • Multilingual: Support for 140+ languages
  • On-Device Optimized: Designed for efficient local execution on laptops and mobile devices
  • 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
af4179d

0 моделей