/ Модель

Характеристики

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

gemma-4-26B-A4B-it-heretic-FP8-Static

Изображение и текст → текст15 профессий

Gemma 4 26B A4B IT Heretic (FP8 Static) — офлайн-статически квантованная версия модели coder3101/gemma-4-26B-A4B-it-heretic, опубликованная в репозитории cloud19.

283скачиваний за 30 дней4лайкавеса обновлены8 апр 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 диалоговых и мультимодальных сценариев, включая обработку текста и изображений, а также для высокопроизводительного инференса на оборудовании NVIDIA с FP8 tensor cores, например архитектур Hopper и Blackwell.

Модель основана на архитектуре Gemma 4 с MoE-компонентами; заявленный размер — 26B параметров при конфигурации A4B. Квантование выполнено с помощью AutoFP8 в формате FP8 W8A8 со статическим масштабированием активаций. Для калибровки использовано 512 примеров из набора mgoin/ultrachat_2k. Визуальные слои и маршрутизаторы MoE сохранены в исходной точности bfloat16, чтобы сохранить мультимодальность и совместимость с vLLM. Указан контекст до 131072 токенов и поддержка развёртывания через vLLM версии 0.19.0 или новее.

Сильные стороны модели — повышенная скорость инференса и эффективность использования NVIDIA-оборудования при сохранении разговорных возможностей, а также поддержка мультимодальности и автоматического выбора инструментов. Ограничения связаны с зависимостью от совместимого FP8-оборудования и актуальной версии vLLM; README не содержит подробных результатов оценки качества, перечня поддерживаемых языков и точных требований к видеопамяти. Модель распространяется по лицензии Apache-2.0.

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 26B A4B IT Heretic (FP8 Static)

This repository contains an offline statically quantized FP8 version of the coder3101/gemma-4-26B-A4B-it-heretic model. The quantization procedure was designed to maximize inference throughput on NVIDIA hardware equipped with FP8 tensor cores (e.g., Hopper, Blackwell architectures) while preserving conversational accuracy.

Quantization Methodology

The model was quantized utilizing the AutoFP8 library. To ensure optimal runtime performance without the overhead of dynamic activation scaling, a strict static activation scheme was employed.

  • Quantization Format: FP8 (W8A8)

  • Activation Scheme: Static

  • Calibration Dataset: 512 samples from the mgoin/ultrachat_2k dataset.

  • Exclusions for Multimodality & Architecture Stability: The Gemma 4 architecture utilizes separate pathways for vision (the Vision Tower) and text generation. AutoFP8 implicitly attempts to quantize all linear layers indiscriminately. To ensure the model remains fully multimodal and compatible with vLLM, a surgical restoration process was applied post-quantization:

    1. The config.json was patched to explicitly add the vision_tower and embed_vision modules, alongside the MoE router.proj layers, to the ignored_layers list.
    2. The original, unquantized bfloat16 weights for all vision layers (e.g., model.vision_tower.encoder.layers...) and MoE routers were extracted from the base model.
    3. These bfloat16 weights were manually injected back into the quantized FP8 model.safetensors, overwriting the corrupted FP8 layers.
    4. All residual scale factors (weight_scale, input_scale) generated by AutoFP8 for these specific modules were deleted to prevent vLLM from attempting to load them as quantized layers.

    This hybrid precision approach guarantees that the heavy LLM feedforward and attention layers benefit from FP8 speedups, while the sensitive vision encoders and expert routing mechanisms maintain their native precision, preserving full multimodal capabilities without crashing the inference engine.

Deployment with vLLM

This model is pre-configured for deployment using vLLM. The static scaling factors are embedded within the model tensors, allowing vLLM to load and execute the model with native hardware acceleration automatically.

Prerequisites

Ensure you are utilizing a recent version of vLLM (v0.19.0 or later) that supports the Gemma 4 MoE architecture and FP8 loading.

Launch Command

Execute the following command to serve the model:

python -m vllm.entrypoints.openai.api_server \
    --model cloud19/gemma-4-26B-A4B-it-heretic-FP8-Static \
    --served-model-name "gemma-rp-uncensored" \
    --tensor-parallel-size 1 \
    --max-model-len 131072 \
    --gpu-memory-utilization 0.95 \
    --enable-chunked-prefill \
    --max-num-batched-tokens 8192 \
    --enable-auto-tool-choice \
    --tool-call-parser gemma4 \
    --port 8080

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
0e75c5c

0 моделей