/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Gemma
Архитектура
gemma4 · dense
Базовая модель
gemma-4-E2B
Библиотека
transformers
Опубликована
11 июл 2026

gemma-4-E2B-asm-init

Генерация текстаТекст → текст3 профессии

Стартовый чекпойнт Gemma 4 E2B с ассамским токенизатором и инициализированными эмбеддингами для продолжения предобучения на ассамских текстах.

51скачиваний за 30 дней1лайквеса обновлены23 авг 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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 стартовый чекпойнт на основе Gemma 4 E2B, подготовленный Anand Dey для продолжения предобучения на ассамском языке. Модель сохраняет трансформерные слои Google Gemma 4 E2B, но использует SentencePiece-токенизатор с алфавитом из 32 тысяч токенов, обученным на корпусе AsmCorpus. Входные и выходные эмбеддинги инициализированы методом FOCUS с опорой на эмбеддинги базовой модели.

Чекпойнт предназначен для continued pretraining на ассамских текстах, чтобы создать полноценную языковую модель для этого языка. Это не обученная и не донастроенная для инструкций модель: она не готова к использованию как чат-ассистент без дополнительного обучения. Базовая модель — Google Gemma 4 E2B, архитектура Gemma4ForConditionalGeneration; репозиторий распространяется в формате safetensors по лицензии Gemma.

Сценарии применения

  • продолжение предобучения Gemma 4 на ассамском корпусе
  • создание ассамской языковой модели на базе Gemma 4 E2B
  • эксперименты с адаптацией токенизатора и эмбеддингов для ассамского языка

Ограничения

Это инициализационный чекпойнт, а не обученная модель: для получения пригодной языковой модели требуется продолжить предобучение на ассамских текстах. Модель не настроена для инструкций и не предназначена для использования как чат-ассистент без дополнительного обучения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gemma 4 E2B — Assamese Pre-Initialized

Pre-initialized Gemma 4 E2B with a custom 32K Assamese SentencePiece tokenizer and FOCUS-aligned embeddings. Ready for continued pretraining (CPT) on Assamese text.

This is NOT a trained model — it is a CPT-ready initialization checkpoint. The base model (google/gemma-4-E2B) has been prepared for Assamese pretraining by replacing the tokenizer and warm-initializing the embedding table via FOCUS. Train it on Assamese corpus (e.g. AsmCorpus) to produce a full Assamese language model.

What Changed from Base Gemma 4 E2B

ComponentOriginalThis Model
TokenizerGemma-native (256K)SentencePiece BPE (32K, Assamese-optimized)
Vocab size256,00032,000
Embedding tableOriginalFOCUS-initialized (semantically aligned)
Transformer weightsOriginalUnchanged
ArchitectureGemma4ForConditionalGenerationUnchanged (35 layers, 1536 hidden, 1.6B params)

Tokenizer

A SentencePiece unigram tokenizer trained on the AsmCorpus dataset.

  • Vocab size: 32,000
  • Special tokens: <unk> (0), <s> (1), </s> (2)
  • Space marker: ▁ (U+2581)
  • Training data: Assamese monolingual text (~5.8B Gemma-equivalent tokens)
  • File: tokenizer.model , tokenizer.json (HF fast tokenizer)

FOCUS Embedding Initialization

The embedding table was initialized using FOCUS (Fast Overlapping token Combinations Using Surface-form), which maps each new token's surface form through the original Gemma tokenizer and averages the corresponding base embeddings. This gives the model semantically meaningful embeddings from step 0, bypassing the need for a long embedding warmup phase.

  • Special tokens (<unk>, <s>, </s>, <pad>) are copied exactly from the base model
  • All 32K new tokens are initialized via FOCUS (surface-form mapping) with mean-embedding fallback
  • LM head is tied to input embeddings (same as base Gemma 4)

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "ananddey/gemma-4-E2B-asm-init",
    torch_dtype=torch.bfloat16,
    attn_implementation="sdpa",  # required: Gemma 4 global layers use head_dim=512 > FlashAttention limit
)
tokenizer = AutoTokenizer.from_pretrained("ananddey/gemma-4-E2B-asm-init")

To continue pretraining, use the training script:

python scripts/train_gemma_as.py --preset auto \
    --train-data data/train/mixed_train.jsonl.gz \
    --val-data data/train/mixed_val.jsonl.gz \
    --output-dir ./gemma-4-as

Intended Use

This checkpoint is a starting point for continued pretraining (CPT) on Assamese text. It is not instruction-tuned, not chat-aligned, and should not be used as an end-user assistant without further training.

How It Was Created

  1. Trained a SentencePiece BPE tokenizer on AsmCorpus
  2. Loaded google/gemma-4-E2B weights
  3. Ran FOCUS embedding initialization (surface-form mapping through the base tokenizer)
  4. Resized embedding table and lm_head to 32,000
  5. Saved weights — transformer layers are untouched

Citation

@misc{gemma-4-asm-init,
  author = {Anand Dey},
  title = {Gemma 4 E2B — Assamese Pre-Initialized Checkpoint},
  year = {2026},
  publisher = {HuggingFace},
  howpublished = {https://huggingface.co/ananddey/gemma-4-E2B-asm-init},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
f6f36f4

0 моделей