/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gemma4_unified · dense
Базовая модель
gemma-4-12b-it
Библиотека
mlx
Опубликована
3 июл 2026

gemma-4-12B-it-Mixed-8bit

Изображение и текст → текст11 профессий

Смешанно-квантованная до 8 бит версия Gemma 4 12B IT для локальных мультимодальных диалогов и анализа изображений.

12скачиваний за 30 дней0лайковвеса обновлены3 июл 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 смешанно-квантованная версия Gemma 4 12B IT, подготовленная автором репозитория на основе google/gemma-4-12b-it для локального инференса. Модель использует плотную унифицированную мультимодальную архитектуру Gemma4Unified: 48 слоёв с гибридным скользящим и полным вниманием. Матрицы проекций MLP квантованы до 8 бит с размером группы 64, а внимание, башни зрения и аудио, эмбеддинги и другие компоненты оставлены в BF16. По данным README, контекст составляет 262 144 токена.

Модель предназначена для диалогов и работы с текстом и изображениями; в README также заявлена поддержка аудио и видео через общий процессор. Сохранение мультимодальных компонентов в BF16 призвано поддержать качество обработки соответствующих входов, а частичная квантовка уменьшает требования к памяти при локальном запуске. Модель доступна под лицензией Apache-2.0.

Ограничения: квантование может немного снизить качество на отдельных примерах; README отмечает возможные ограничения понимания сложного аудио из-за простой линейной аудиопроекции. Для ускоренного спекулятивного декодирования MTP нужна дополнительная модель-помощник; совместимость некоторых полей конфигурации со стабильными версиями Transformers может быть ограничена.

Сценарии применения

  • диалог с локальной языковой моделью
  • ответы на вопросы по изображению
  • описание содержимого изображения
  • обработка длинных текстовых запросов
  • локальный мультимодальный инференс

Ограничения

Квантование может немного ухудшить качество на отдельных примерах, а понимание сложного аудио ограничено простой линейной аудиопроекцией. Для MTP-ускорения требуется отдельная модель-помощник.

Для каких профессий подходит11

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-Mixed-8bit

Mixed-precision 8-bit quantization of Gemma 4 12B IT — Google's unified multimodal model (text + vision + audio + video), optimized for efficient local inference with minimal quality loss.

Quick Stats

MetricValue
Base modelgoogle/gemma-4-12b-it
ArchitectureGemma4Unified (48-layer dense, hybrid attention)
QuantizationMLP-only 8-bit, group-size=64
BF16 size~24 GB
Mixed 8-bit size~15 GB (≈38% reduction)
ModalitiesText, Vision, Audio, Video
LicenseGemma License (inherits from base model)

Quantization Strategy

This model uses surgical mixed-precision quantization: only the SwiGLU MLP projection matrices (gate_proj, up_proj, down_proj) in the language model are quantized to 8-bit. All other components remain in BF16:

  • ✅ Quantized (8-bit): LLM MLP layers (144 tensors across 48 layers, ~60% of model mass)
  • ✅ Protected (BF16): All attention (sliding + full), vision tower, audio embedder, embeddings, LM head, MultimodalEmbedder, all normalization layers, layer_scalars

Rationale: MLP layers are "knowledge lookup" / feature transformation layers that are extremely quantization-tolerant. Attention mechanisms carry reasoning and context-window recall. Vision, audio, and multimodal projection layers are kept in BF16 to preserve modality fidelity.

Model Architecture

Language Model (Text)

  • 48 dense layers in pattern [sliding_attention × 5, full_attention × 1] × 8
  • Hybrid attention: Sliding window attention (40 layers, head_dim=256) + full global attention (8 layers, head_dim=512)
  • Heads: 16 query / 8 KV / 1 global KV
  • Hidden size: 3840, Intermediate: 15360
  • Vocab: 262,144, Context: 262,144 tokens
  • RoPE: Default (θ=10,000) for sliding; Proportional (θ=1,000,000, partial_rotary=0.25) for full attention
  • No MoE (dense architecture)

Vision Tower

  • ViT with patch_size=16, pooling_kernel=3
  • 280 soft tokens per image, projected to 3840-dim
  • Position embedding size: 1120

Audio Tower

  • Audio embedder: 640-dim embedding, 640 samples per token
  • Simple linear projection (no convolutional audio tower in this checkpoint)

Multimodal

  • Unified processor: Gemma4UnifiedProcessor handling text, images, audio, and video
  • Special tokens: <|image|>, <|audio|>, <|video|> with BOI/EOI, BOA/EOA delimiters
  • MultimodalEmbedder projects vision and audio into the shared 3840-dim text space

MTP Speculative Decoding

This model supports Multi-Token Prediction (MTP) speculative decoding via the companion assistant/drafter model. This model achieves 20-30% faster token generation with gemma-4-12B-it-assistant in BF16 format.

Usage

oMLX (Recommended)

Loads natively with MTP and vision support.

MLX / mlx-vlm

from mlx_vlm.utils import load

model, processor = load("your-username/gemma-4-12B-it-Mixed-8bit", lazy=True)
# Model loads in ~15 GB vs ~24 GB for BF16

Files

FileDescription
model-00001.safetensors – model-00003.safetensorsSharded model weights (~5 GB each)
config.jsonModel configuration with quantization metadata
tokenizer.json / tokenizer_config.jsonTokenizer (262K vocab)
chat_template.jinjaChat template with thinking/tool support
generation_config.jsonGeneration parameters
processor_config.jsonUnified processor config

Quantization Details

ParameterValue
Quantization modeAffine (8-bit)
Group size64
Layers quantized48 (all MLP: gate_proj, up_proj, down_proj)
Tensors quantized~144
Layers protectedAttention (Q/K/V/O), Vision, Audio, Embeddings, Norms, Scalars
Scriptquantization_scripts/mixed_quantize_gemma4_12b.py

Reproducing

# Quantize from the BF16 base model
mlx-env/bin/python quantization_scripts/mixed_quantize_gemma4_12b.py \
    --bits 8 --group-size 64

The script:

  1. Lazily loads the BF16 checkpoint via mlx_vlm.utils.load()
  2. Applies 8-bit quantization to MLP projections only (via class_predicate filter)
  3. Saves config with quantization metadata
  4. Flattens, evaluates, and shards to 5 GB safetensors

Limitations

  • Mixed quantization may show minor quality degradation on edge cases compared to BF16
  • The vision tower, audio embedder, and multimodal projector are kept in BF16 — they are not quantized in this version
  • Audio support uses a simple linear projection (no convolutional audio tower); complex audio understanding may be limited
  • MTP speculative decoding requires the companion assistant model to be loaded alongside
  • The base model uses transformers_version: 5.10.0.dev0 — some fields may not be recognized by stable transformers releases yet

License

This model inherits the Apache 2.0 license of the base google/gemma-4-12b-it.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Gemma4UnifiedForConditionalGeneration
Ревизия весов
5c17fd3

0 моделей