/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-26B-A4B-it
Библиотека
vllm
Опубликована
10 апр 2026

gemma-4-26B-A4B-it-NVFP4

Генерация текстаТекст → текст15 профессий

Gemma-4-26B-A4B-it-NVFP4 — это версия Google Gemma 4, подготовленная FusenAI в формате modelopt и оптимизированная для запуска через vLLM на GPU NVIDIA Blackwell (SM120).

23 972скачиваний за 30 дней1лайквеса обновлены10 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

Модель предназначена для генерации текста и использует архитектуру MoE. Она подходит для локального и серверного инференса, включая сценарии с высокой параллельной нагрузкой.

Модель применяет квантизацию NVFP4 с размером группы 16 к экспертам MoE и MLP-слоям, тогда как self-attention, router, vision tower и lm_head сохранены в BF16. Размер весов составляет около 17,2 GiB, размер на диске — около 17 GB. README не указывает полный набор поддерживаемых языков, точное число параметров активной части или максимальный контекст; в примерах используется длина контекста 4096 токенов. Модель поддерживает текстовую генерацию, а наличие vision tower указывает на мультимодальные компоненты, однако их сценарии использования в README не описаны.

К сильным сторонам относятся сниженное потребление памяти, сохранение attention-слоёв в BF16 для уменьшения потерь качества и высокая производительность на RTX 5090 при использовании CUDA Graphs. Ограничения включают необходимость совместимого оборудования NVIDIA Blackwell или новее, vLLM 0.19.x с параметром modelopt и соответствующими исправлениями, а также зависимость производительности от конфигурации KV-кэша: FP8 увеличивает его ёмкость, но снижает скорость обработки отдельных запросов. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия Gemma 4 от Google.

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

FusenAI/gemma-4-26B-A4B-it-NVFP4

NVFP4-quantized version of google/gemma-4-26B-A4B-it in modelopt format, optimized for vLLM on NVIDIA Blackwell (SM120) GPUs.

What makes this different

This model follows NVIDIA's quantization pattern from Gemma-4-31B-IT-NVFP4:

  • MoE experts + MLP layers: Quantized to NVFP4 (4-bit floating point)
  • Self-attention (q/k/v/o projections): Kept in BF16 (not quantized)
  • Router, vision tower, lm_head: Kept in BF16

Other available NVFP4 quantizations of this model quantize attention layers too, which causes:

  1. Quality degradation from aggressive attention quantization
  2. vLLM's QKV fusion scale bug (fused projections take max() of global scales, causing underflow)

Performance

Tested on RTX 5090 (Blackwell SM120, 32 GB VRAM) with vLLM 0.19.x:

Best config: CUDA graphs + BF16 KV cache

vllm serve FusenAI/gemma-4-26B-A4B-it-NVFP4 \
  --quantization modelopt \
  --max-model-len 4096
BatchGen tok/sAvg Latency
B=11272.0s
B=43832.7s
B=161,2213.3s
B=322,0713.9s
B=1282,0594.0s

Config comparison (single request)

Configtok/sNotes
--enforce-eager18No CUDA graphs
Default (CUDA graphs)1277x faster
--kv-cache-dtype fp8312x KV capacity but 4x slower (FlashInfer FP8 overhead)

Model details

PropertyValue
VRAM (model weights)17.2 GiB
KV cache (BF16)~10 GiB / 43K tokens / 15x concurrency at 4096 ctx
KV cache (FP8)~10 GiB / 87K tokens / 30x concurrency at 4096 ctx
Size on disk17 GB
QuantizationNVFP4 (MLP/MoE only), BF16 (attention)
Group size16

Quick Start

# Recommended (CUDA graphs enabled by default)
vllm serve FusenAI/gemma-4-26B-A4B-it-NVFP4 \
  --quantization modelopt \
  --max-model-len 4096

# For maximum KV cache capacity (2x tokens, slower per-request)
vllm serve FusenAI/gemma-4-26B-A4B-it-NVFP4 \
  --quantization modelopt \
  --kv-cache-dtype fp8 \
  --max-model-len 4096

How this was created

  1. Started from RedHatAI/gemma-4-26B-A4B-it-NVFP4 (compressed-tensors format)
  2. Dequantized all 115 self-attention projections (q/k/v/o across 30 layers) back to BF16 using FP4-E2M1 lookup table
  3. Converted from compressed-tensors to modelopt format:
    • weight_packed -> weight (same data)
    • weight_global_scale (divisor) -> weight_scale_2 (1/divisor)
    • input_global_scale (divisor) -> input_scale (1/divisor)
  4. Updated quantization config to match NVIDIA's modelopt pattern with proper exclude_modules

Tensor Format

NVFP4 layers (MoE/MLP):

  • weight: uint8 (packed FP4-E2M1, two values per byte)
  • weight_scale: float8_e4m3fn (per-block scale, group_size=16)
  • weight_scale_2: float32 (global scale, scalar)
  • input_scale: float32 (activation global scale, scalar)

BF16 layers (attention):

  • weight: bfloat16 (standard dense weight)

vLLM Compatibility

  • Tested with: vLLM 0.19.x with --quantization modelopt
  • Required patches (for Gemma 4 heterogeneous attention): PRs #38891, #39084, #39406 (merged in vLLM 0.19.x)
  • GPU: NVIDIA Blackwell (SM120) or later for native NVFP4 support
  • Backends: FlashAttention v2 (sliding) + Triton (global attention) + FlashInfer+Cutlass (NVFP4 linear) + VLLM_CUTLASS (NVFP4 MoE)

License

This model inherits the Apache 2.0 license from Google's Gemma 4.

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
54218eb

0 моделей