/ Модель

Характеристики

Размер весов
10,2 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-E4B-it
Библиотека
transformers
Опубликована
6 апр 2026

Gemma-4-E4B-it-NVFP4

Генерация текстаТекст → текст15 профессий

Gemma-4-E4B-it-NVFP4 — мультимодальная instruct-модель семейства Gemma 4, созданная на основе google/gemma-4-E4B-it и оптимизированная для диалогового и чат-применения.

929скачиваний за 30 дней0лайковвеса обновлены6 апр 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

Квантованную версию подготовил Mario Iseli с использованием NVIDIA Model Optimizer на платформе NVIDIA DGX Spark. Модель предназначена для генерации текста, а также обработки изображений и аудио; заявлена поддержка multilingual-сценариев и контекстного окна до 128K токенов.

Архитектура основана на плотной модели с механизмом Per-Layer Embeddings (PLE), где каждый из 26 декодерных слоёв получает специализированный 256-мерный сигнал. Вариант использует квантование NVFP4 по схеме W4A4: веса и активации языковых слоёв представлены в FP4, а башни обработки изображений и аудио, соответствующие проекционные слои и lm_head сохранены в BF16. Размер модели на диске составляет около 10,2 ГБ, при этом мультимодальные компоненты занимают значительную часть памяти.

Ключевые преимущества — уменьшенный размер, возможность запуска на совместимом оборудовании NVIDIA и высокая заявленная скорость около 65 токенов в секунду на DGX Spark. Ограничения включают необходимость vLLM с transformers версии 5.4 или новее, зависимость от поддержки NVFP4 и сохранение значительного потребления памяти мультимодальными башнями. Это общественная квантованная сборка, а не официальный релиз NVIDIA или Google. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

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-NVFP4

NVFP4 quantization of google/gemma-4-E4B-it — Google's Gemma 4 E4B instruct (chat-optimized) with Per-Layer Embeddings (PLE). 4B effective parameters, multimodal (text + image + audio), 128K context.

W4A4 — language model weights and activations in FP4. Vision and audio towers stay BF16.

See also Gemma-4-E4B-it-NVFP4A16 for the weight-only W4A16 variant.

Key Specs

Original (BF16)NVFP4 (this)
Size on disk~16 GB~10.2 GB
Compression—~1.6x (text layers 3x, vision/audio stay BF16)
Effective parameters2B2B
ArchitectureDense + PLE (Per-Layer Embeddings)same
Context window128K tokens128K tokens
ModalitiesText, Image, AudioText, Image, Audio

What is PLE?

Unlike the Gemma 4 26B which uses Mixture-of-Experts (MoE), the E4B uses Per-Layer Embeddings — a learned per-layer specialization mechanism. Each of the 26 decoder layers gets its own 256-dimensional signal derived from both the token identity (via a second embedding table) and the evolving hidden representation. This is a continuous alternative to discrete MoE routing — no expert selection, no sparsity, just dense computation with layer-specific conditioning.

Speed

Tested on DGX Spark (GB10 Blackwell, SM 12.1):

MetricNVFP4
Tokens/sec~65 tok/s
Model load~10.2 GB VRAM

Serving with vLLM

Requires vLLM with transformers >= 5.4 (for Gemma 4 architecture support). No patches needed — vanilla vLLM handles E4B NVFP4 directly.

vllm serve bg-digitalservices/Gemma-4-E4B-it-NVFP4 \
  --quantization modelopt \
  --dtype auto \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.30 \
  --max-model-len 131072 \
  --trust-remote-code

DGX Spark

VLLM_NVFP4_GEMM_BACKEND=marlin vllm serve bg-digitalservices/Gemma-4-E4B-it-NVFP4 \
  --quantization modelopt \
  --dtype auto \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.10 \
  --max-model-len 131072 \
  --trust-remote-code

Testing

This is an instruct model — use the chat completions endpoint:

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"bg-digitalservices/Gemma-4-E4B-it-NVFP4","messages":[{"role":"user","content":"Hello!"}],"max_tokens":200}'

Quantization Details

  • Method: NVIDIA Model Optimizer (modelopt) v0.43
  • Format: NVFP4 — E2M1 weights with per-group FP8 scales (group size 16)
  • Calibration: 512 samples from CNN/DailyMail, batch size 4, seq_len 1024
  • Excluded from quantization: Vision tower, audio tower, vision/audio projection layers, lm_head (all stay BF16)
  • Hardware: NVIDIA DGX Spark (GB10 Blackwell)
  • Quantization script: included as quantize.py

Limitations

  • Requires vLLM with transformers >= 5.4
  • Vision/audio towers stay BF16 (≈5 GB of the 7.5 GB total) — excluded to preserve multimodal quality
  • Community quantization, not an official NVIDIA or Google release

License

Apache 2.0 — inherited from the base model.

Credits

Quantized by Mario Iseli on an NVIDIA DGX Spark. Built and validated with AI-engineering assistance from Anthropic.

Shout-out to eugr/spark-vllm-docker for the DGX Spark-optimized vLLM build.

📬 mario@marioiseli.com ☕ Buy me a coffee if this makes your Spark go brrrrrr! 🚀

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
0a70517

0 моделей