/ Модель

Характеристики

Размер весов
20,4 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-31B-it
Библиотека
transformers
Опубликована
4 апр 2026

gemma-4-31B-it-NVFP4A16-GPTQ

Изображение и текст → текст10 профессий

YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ — это квантизированная версия мультимодальной instruct-модели google/gemma-4-31B-it, подготовленная с помощью llm-compressor.

687скачиваний за 30 дней0лайковвеса обновлены19 авг 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 задач, требующих обработки текста и изображений, включая диалоговые сценарии и генерацию ответов по визуально-текстовым запросам. По умолчанию работает в режиме Instruct; также поддерживает режим рассуждений, который необходимо отдельно включить при запуске через vLLM.

Модель основана на архитектуре Gemma 4 с 31 млрд параметров и, согласно тегам репозитория, использует MoE-подход. Квантизация выполнена в формате NVFP4A16: основные компоненты сжаты, а lm_head, vision_tower и embed_vision сохранены в 16-битной точности для уменьшения потерь качества при генерации и обработке изображений. Указанный размер модели составляет около 20,5 ГБ, что заметно снижает требования к памяти по сравнению с исходной версией.

Сильной стороной модели является сочетание мультимодальности, instruct-режима и сниженного объёма памяти, благодаря чему она подходит для локального или серверного инференса на совместимом оборудовании. Ограничения включают возможные потери качества из-за квантизации, необходимость специальной настройки для режима рассуждений, а также отсутствие в предоставленных данных сведений о поддерживаемых языках и размере контекстного окна. Модель распространяется по лицензии Apache-2.0; при использовании необходимо также соблюдать условия лицензии исходной модели Gemma 4.

Для каких профессий подходит10

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

Language 中文|English

Model Details

This model is an NVFP4A16 quantized version of google/gemma-4-31B-it generated with llm-compressor. Please follow the license of the original model. This model runs in Instruct mode by default.

To use thinking mode, follow these steps in order:

  1. Start the server with --reasoning-parser gemma4.
  2. Enable thinking by adding --default-chat-template-kwargs '{"enable_thinking": true}', or by setting {%- set enable_thinking = true %} in chat_template.jinja.

See Example in Thinking Mode.

Quantization Strategy

Layer TypeBitsNotes
lm_head16-bitKept in original precision to preserve final token prediction quality and avoid extra degradation at output projection
vision_tower.*16-bitKept in original precision to better preserve visual feature extraction quality and reduce multimodal degradation
embed_vision.*16-bitKept in original precision to maintain vision embedding fidelity and reduce quantization error before visual feature processing

Model Comparison

Quickstart

vLLM Usage

vLLM is a high-throughput and memory-efficient inference and serving engine for LLMs.

Directly talk to the model

With vLLM already installed, create a file named example.py, copy the example code below into it, and then run python example.py in terminal.

import argparse
import atexit
import json
import os
import shutil
import subprocess
import sys
import time
import urllib.error
import urllib.request


# Configuration
DEFAULTS = {
    "model": "YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ",
    "served_model_name": "YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ",
    "host": "localhost",
    "port": 8000,
    "max_model_len": 63590,
    "enable_auto_tool_choice": True,
    "tool_call_parser": "gemma4",
    "max_num_seqs": 1,
    "reasoning_parser": "gemma4",
    "default_chat_template_kwargs": '{"enable_thinking": true}',
    "allowed_local_media_path": "/home/ycwtg/image",
}

RUNTIME = {
    "gpu_memory_utilization": 0.98,
    "startup_timeout_sec": 1800,
    "healthcheck_timeout_sec": 3,
    "healthcheck_interval_sec": 1,
    "chat_timeout_sec": 600,
}

# The API is always local; global HTTP_PROXY settings must not intercept it.
LOCAL_HTTP = urllib.request.build_opener(urllib.request.ProxyHandler({}))

SERVE_VALUE_ARGS = (
    "served_model_name", "host", "port", "max_model_len",
    "tool_call_parser", "max_num_seqs", "reasoning_parser",
    "default_chat_template_kwargs",
)
CLIENT_VALUE_ARGS = ("model", *SERVE_VALUE_ARGS)
BOOL_ARGS = ("enable_auto_tool_choice",)


def cli_flag(name):
    return "--" + ("max_num_seqs" if name == "max_num_seqs" else name.replace("_", "-"))


def value_options(args, names):
    return [part for name in names for part in (cli_flag(name), str(getattr(args, name)))]


def boolean_options(args, explicit_false=False):
    return [
        cli_flag(name) if getattr(args, name) else "--no-" + cli_flag(name)[2:]
        for name in BOOL_ARGS
        if explicit_false or getattr(args, name)
    ]


def multiline_input():
    print('User (type "END" on a single line to send, "exit" to quit):')
    lines = []
    while True:
        line = input()
        text = line.strip()
        if text.lower() in {"exit", "quit"}:
            return None
        if text == "END":
            break
        lines.append(line)
    return "\n".join(lines)


def resolve_client_host(host):
    return "127.0.0.1" if host in {"0.0.0.0", "::"} else host


def launch_vllm(args):
    vllm = shutil.which("vllm", path=os.path.dirname(sys.executable)) or shutil.which("vllm")
    if not vllm:
        raise RuntimeError("vllm command not found. Activate an environment that has vllm installed.")

    cmd = [vllm, "serve", args.model, *value_options(args, SERVE_VALUE_ARGS)]
    media_path = args.allowed_local_media_path
    if media_path is not None and (not isinstance(media_path, str) or media_path.strip()):
        cmd += ["--allowed-local-media-path", str(media_path)]
    cmd += ["--gpu-memory-utilization", str(RUNTIME["gpu_memory_utilization"]), *boolean_options(args)]

    print("Launching vLLM:")
    print(" ".join(cmd))
    env = os.environ.copy()
    env["PATH"] = os.path.dirname(vllm) + os.pathsep + env.get("PATH", "")
    try:
        return subprocess.Popen(cmd, env=env)
    except FileNotFoundError as e:
        raise RuntimeError("vllm command not found. Activate an environment that has vllm installed.") from e


def stop_vllm(proc):
    if proc and proc.poll() is None:
        proc.terminate()
        try:
            proc.wait(timeout=10)
        except subprocess.TimeoutExpired:
            proc.kill()


def wait_vllm_ready(base_url, timeout_sec=RUNTIME["startup_timeout_sec"], proc=None):
    deadline = time.time() + timeout_sec
    req = urllib.request.Request(url=f"{base_url}/v1/models")
    while time.time() < deadline:
        if proc and proc.poll() is not None:
            return False
        try:
            with LOCAL_HTTP.open(req, timeout=RUNTIME["healthcheck_timeout_sec"]) as resp:
                if resp.status == 200:
                    return True
        except urllib.error.URLError:
            pass
        time.sleep(RUNTIME["healthcheck_interval_sec"])
    return False


def chat_once(base_url, model_name, messages):
    payload = {"model": model_name, "messages": messages, "skip_special_tokens": False}
    req = urllib.request.Request(
        url=f"{base_url}/v1/chat/completions",
        data=json.dumps(payload, ensure_ascii=False).encode("utf-8"),
        headers={"Content-Type": "application/json"},
        method="POST",
    )
    with LOCAL_HTTP.open(req, timeout=RUNTIME["chat_timeout_sec"]) as resp:
        data = json.loads(resp.read().decode("utf-8"))
    return data["choices"][0]["message"]


def chat_loop(base_url, model_name):
    print("\n===== Chat Started =====\n")
    messages = []

    while True:
        user_text = multiline_input()
        if user_text is None:
            break

        messages.append({"role": "user", "content": user_text})
        try:
            assistant_msg = chat_once(base_url, model_name, messages)
        except Exception as e:
            print(f"\nRequest failed: {e}\n")
            messages.pop()
            continue

        content = assistant_msg.get("content")
        tool_calls = assistant_msg.get("tool_calls")

        if content:
            print(f"\nAssistant:\n{content}\n")
        elif tool_calls:
            print("\nAssistant(tool_calls):")
            print(json.dumps(tool_calls, ensure_ascii=False, indent=2))
            print()
        else:
            print("\nAssistant:\n(empty response)\n")

        normalized_msg = {"role": "assistant", "content": content or ""}
        if tool_calls:
            normalized_msg["tool_calls"] = tool_calls
        messages.append(normalized_msg)


def build_client_command(args):
    return [
        sys.executable,
        os.path.abspath(__file__),
        "--_client",
        *value_options(args, CLIENT_VALUE_ARGS),
        *boolean_options(args, explicit_false=True),
    ]


def spawn_chat_terminal(args):
    client_cmd = build_client_command(args)

    if os.name == "nt":
        terminal_cmd = ["cmd", "/c", "start", "", "cmd", "/k", subprocess.list2cmdline(client_cmd)]
    elif shutil.which("ptyxis"):
        terminal_cmd = ["ptyxis", "--standalone", "--new-window", "--title=vLLM Chat", "--", *client_cmd]
    elif shutil.which("gnome-terminal"):
        terminal_cmd = ["gnome-terminal", "--", *client_cmd]
    elif shutil.which("x-terminal-emulator"):
        terminal_cmd = ["x-terminal-emulator", "-e", *client_cmd]
    else:
        return False

    try:
        terminal_proc = subprocess.Popen(terminal_cmd)
        if terminal_cmd[0] == "ptyxis":
            time.sleep(0.5)
            if terminal_proc.poll() is not None:
                print(f"Failed to open Ptyxis (exit code {terminal_proc.returncode}).")
                return False
        return True
    except Exception as e:
        print(f"Failed to open a new terminal automatically: {e}")
        return False


def parse_args():
    parser = argparse.ArgumentParser(description="Minimal local vLLM chat script")
    parser.add_argument("--_client", action="store_true", help=argparse.SUPPRESS)

    def add(name, *flags, **kwargs):
        parser.add_argument(
            *(flags or (f"--{name.replace('_', '-')}",)), dest=name, default=DEFAULTS[name], **kwargs
        )

    add("model")
    add("served_model_name")
    add("host")
    add("port", type=int)
    add("max_model_len", type=int)
    add("max_num_seqs", "--max-num-seqs", "--max_num_seqs", type=int)
    add("enable_auto_tool_choice", action=argparse.BooleanOptionalAction)
    add("allowed_local_media_path", help="Optional local media path. Leave empty to disable.")
    add("tool_call_parser")
    add("reasoning_parser")
    add("default_chat_template_kwargs")
    return parser.parse_args()


def main():
    args = parse_args()
    base_url = f"http://{resolve_client_host(args.host)}:{args.port}"
    if args._client:
        print(f"Waiting for model service: {base_url}")
        if wait_vllm_ready(base_url):
            chat_loop(base_url, args.served_model_name)
        else:
            print("Model service did not become ready.")
        return

    proc = launch_vllm(args)
    atexit.register(stop_vllm, proc)
    terminal_opened = spawn_chat_terminal(args)

    print(f"Waiting for service to become ready: {base_url}")
    if not wait_vllm_ready(base_url, proc=proc):
        print(f"vLLM failed to become ready (exit code: {proc.poll()}). Check server logs above.")
        stop_vllm(proc)
        sys.exit(1)

    if terminal_opened:
        print("Model is ready. Opened a new terminal for chat; this terminal keeps server logs.")
        print("Press Ctrl+C here to stop vLLM.")
        try:
            proc.wait()
        except KeyboardInterrupt:
            print("\nInterrupted. Stopping vLLM...")
    else:
        print("No supported terminal found. Falling back to chat in this terminal.")
        chat_loop(base_url, args.served_model_name)


if __name__ == "__main__":
    main()

Directly use the OpenAPI

Instruct Mode

vllm serve YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --served-model-name YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --host localhost --port 8000 --async-scheduling --max-model-len 63590 --enable-auto-tool-choice --tool-call-parser gemma4 --gpu-memory-utilization 0.98 --max_num_seqs 1 --allowed-local-media-path /home/ycwtg/image

Thinking Mode

vllm serve YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --served-model-name YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --host localhost --port 8000 --async-scheduling --max-model-len 63590 --enable-auto-tool-choice --tool-call-parser gemma4 --gpu-memory-utilization 0.98 --max_num_seqs 1 --allowed-local-media-path /home/ycwtg/image --reasoning-parser gemma4 --default-chat-template-kwargs '{"enable_thinking": true}'

Text-Only Mode

vllm serve YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --served-model-name YCWTG/gemma-4-31B-it-NVFP4A16-GPTQ --host localhost --port 8000 --async-scheduling --max-model-len 66634 --enable-auto-tool-choice --tool-call-parser gemma4 --gpu-memory-utilization 0.98 --max_num_seqs 1 --reasoning-parser gemma4 --default-chat-template-kwargs '{"enable_thinking": true}' --language-model-only

The following will create API endpoints at http://localhost:8000/v1.

See its documentation for more details.

Generate the Model

See code here.

Ethical Considerations and Limitations

The model can produce factually incorrect output, and should not be relied on to produce factually accurate information. Because of the limitations of the pretrained model and the finetuning datasets, it is possible that this model could generate lewd, biased or otherwise offensive outputs.

Therefore, before deploying any applications of the model, developers should perform safety testing.

Disclaimer

The license on this model does not constitute legal advice. We are not responsible for the actions of third parties who use this model. Please consult an attorney before using this model for commercial purposes.

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
92a6c1c

0 моделей