/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-E4B-it
Библиотека
llama-cpp
Опубликована
30 июл 2026

Gemma-4-E4B-it-qat-NVFP4-GGUF

Мультимодальная модель15 профессий

Квантизованная в NVFP4 сборка Gemma 4 E4B IT в формате GGUF для локального мультимодального диалога и анализа текста, изображений и аудио.

1 438скачиваний за 30 дней2лайкавеса обновлены4 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

Это NVFP4-квантизованная сборка в формате GGUF модели Gemma 4 E4B IT от Google DeepMind, подготовленная для запуска через llama.cpp и другие совместимые движки. В основе указана QAT-версия Gemma 4 E4B IT; архитектура — Gemma4ForConditionalGeneration, с 4,3 млрд эффективных параметров (7,5 млрд с эмбеддингами) и 42 слоями. В репозитории есть варианты весов NVFP4 и BF16, а также MTP-модель для ускорения генерации.

Модель принимает текст, изображения и аудио и генерирует текст. Она предназначена для диалога, анализа изображений и аудио, рассуждений, программирования и локального запуска; заявлены контекст до 128 тыс. токенов, поддержка более 140 языков и структурированного вызова инструментов. Для мультимодального ввода требуется файл mmproj.gguf. NVFP4 уменьшает требования к памяти, а QAT призван сохранить качество, однако качество конкретной квантизованной сборки может отличаться от исходных весов. Лицензия — Apache 2.0.

Сценарии применения

  • диалог с локально запущенной языковой моделью
  • ответы на вопросы по длинным текстовым запросам
  • описание и анализ изображений
  • понимание аудиовхода в мультимодальном диалоге
  • генерация и объяснение кода
  • вызов инструментов в агентных сценариях

Ограничения

Для мультимодального ввода необходим mmproj.gguf и поддерживающий NVFP4 движок; NVFP4-сборка может уступать по качеству исходной модели. Языковая поддержка заявлена как многоязычная, но конкретные коды языков в доступных данных не перечислены.

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 E4B IT QAT NVFP4 — GGUF

NVFP4 (NVIDIA Floating Point 4-bit) GGUF quantization of google/gemma-4-E4B-it-qat-q4_0-unquantized, created from the Quantization-Aware Training (QAT) checkpoint of Gemma 4 E4B IT.

Model Overview

Gemma 4 E4B 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 E4B 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 that support the NVFP4 data type.

Model Architecture

PropertyValue
ArchitectureGemma4ForConditionalGeneration
Effective Parameters4.3B (7.5B with embeddings)
Layers42
Embedding Length2560
Sliding Window512 tokens
Context Length128K tokens
Vocabulary Size262K
Supported ModalitiesText, Image, Audio
Vision EncoderSigLIP-based, 16 layers, 768-dim, ~478M params
Audio Encoder12 layers, 1024-dim
AttentionHybrid (sliding window + global, every 6th layer)
RoPEProportional RoPE (p-RoPE) on global layers

GGUF Files

FileFormatSizeDescription
gemma-4-E4B-it-qat-nvfp4.ggufNVFP44.9GNVFP4 quantized model - embeddings are in Q6_K
gemma-4-E4B-it-qat-fast-nvfp4.ggufNVFP44.0GNVFP4 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.gguff32946MMultimodal projector (vision + audio)

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

Note on NVFP4: NVFP4 uses 4-bit floating-point representation (1 sign + 3 mantissa + 2 exponent bits on an E2M1 basis with microscaling) designed for NVIDIA Blackwell and later GPUs. It offers significant memory savings while maintaining good quality thanks to the QAT optimization.

Note on mmproj.gguf: This file contains the vision and audio encoders/projection layers required for multimodal inference. It is not needed for text-only use.

Usage

llama.cpp (CLI)

# Run text inference
./llama-cli \
  -m gemma-4-E4B-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-E4B-it-qat-nvfp4.gguf \
  --host 0.0.0.0 --port 8080

# With multimodal (image + audio) support
./llama-server \
  -m gemma-4-E4B-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-E4B-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, pass the --mmproj mmproj.gguf flag to load the multimodal projector. 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 E4B 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
db5e898

0 моделей