/ Модель

Характеристики

Лицензия
Gemma
Базовая модель
gemma-4-31B-it
Библиотека
llama.cpp
Опубликована
6 сен 2026

Gemma4-31B-Uncensored-GP100-GGUF

Генерация текстаТекст → текст3 профессии

Gemma4-31B-Uncensored-GP100-GGUF — это GGUF-сборка плотной языковой модели Gemma 4 на 31 млрд параметров.

281скачиваний за 30 дней0лайковвеса обновлены16 сен 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

Пакет подготовлен fallentree на основе google/gemma-4-31B-it и неконтентно-фильтрованной QAT-версии от HauhauCS. Модель предназначена для локальной генерации текста и исследовательского использования через llama.cpp, включая ускоренную генерацию со speculative decoding и официальной MTP-моделью-помощником.

Архитектура включает 60 слоёв, размерность модели 5376, словарь из 262 144 токенов и контекст до 262 144 токенов со sliding window 1024. Используется квантизация Q4_1_G64 с точностью 4,52 bpw; основной файл занимает около 16,2 GiB. Сборка оптимизирована для двух GPU Tesla P100 с архитектурой sm_60 и поддерживает только текстовый режим в заявленном окне контекста. Для работы требуются специализированная версия thefallentree/llama.cpp-gp100 и исправление Gemma MTP; стандартный llama.cpp этот тип квантизации не загружает.

К сильным сторонам относятся существенное ускорение на Tesla P100 по сравнению с Q4_K_M, экономичное размещение модели и поддержка MTP. Ограничения включают зависимость от специального runtime и GPU sm_60, отсутствие заявленной мультимодальности в этой сборке, а также то, что модель не является safety-tuned deployment-моделью и имеет uncensored-настройку. Лицензия унаследована от Gemma и указана как Gemma License; README отмечает локальный inference и исследовательское использование.

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 31B Uncensored — Q4_1_G64 4.5 bpw for GP100

Q4_1_G64 · 4.52 bpw · 16.2 GiB · +59% vs Q4_K_M MTP on 2× P100

GGUF pack of HauhauCS/Gemma4-31B-QAT-Uncensored-HauhauCS-Balanced-MTP requantized to type-43 Q4_1_G64 for 2× Tesla P100 (sm_60).

This is the dense 31B. That matters: G64’s fast A16 / HFMA2 path needs ne[2]==1. All 410 body tensors here qualify. The 26B-A4B MoE does not — its 60 expert tensors are ne[2]=128 and fall through to dequant+cuBLAS (32 tok/s bare / 38 with MTP). Do not G64 that MoE and expect this result.

The parent Q4_K_M and the BF16 mmproj stay on the Hauhau repo. Stock llama.cpp cannot load type 43.

Why G64 exists (GP100 vs GP104, Q4_K tax, closed levers): DESIGN.md on the Qwen pack. How to G64 any model: CONVERT.md.

Files

FileSizeSHA-256
Gemma4-31B-QAT-Uncensored-HauhauCS-Balanced-Q4_1_G64-Q4_1-embd.gguf16.186 GiBbadccfbac8eaf4174c7497f41ab464a116d65fbf7c2f4eb307b2da0cc8637b8b
mtp-gemma-4-31B-it.gguf0.261 GiBb5c4e583fc5982439080114bbc1b7edaec361f9d4c9193d6bed606a3de401b62

G64 mix: 410× Q4_1_G64 + Q4_1 token_embd (tied, no separate output.weight) + 422× F32. Requant from Hauhau Q4_K_M, not F16 — second-generation quant. llama-quantize --pure --allow-requantize --output-tensor-type q8_0 --token-embedding-type q4_1 Q4_1_G64 (59.2 s). 17806 → 16556 MiB.

MTP is the official Gemma 4 31B assistant Hauhau ships (gemma4-assistant, 4 layers, embd 1024 / out 5376, nextn_predict_layers=4, ctx 131072).

Parent Q4_K_M (17.4 GiB) and BF16 mmproj (1.12 GiB): Hauhau card. The mmproj OOMs CUDA0 on 2×16 GB after 31B + 128K Q8 + MTP (~1145 MiB alloc). This pack is text-only at that window.

Speed (2× Tesla P100)

Same canonical prompt, 256 gen, temp 0, --allow-eos, GPU warm, hash-matched request 2+. Image llama-p100:pr-sm60-gmeta (needs the Gemma MTP shared-KV meta-backend fix). Width 2, BACKEND_SAMPLING=off, tensor-split 1,1, Q8 KV, text-only, ctx 131072.

Targettok/s (novel / 2nd)draft/acceptVRAM
This G64 + MTP38.26 / 40.10145/217 = 0.66814789 / 14789 MiB
Hauhau Q4_K_M + same MTP23.99 / 24.57139/230 = 0.60415545 / 15545 MiB

G64 is +59% vs the Q4_K_M parent on the same draft. Accept stays in the same band. That is the kernel, not a luckier draft.

26B-A4B MoE Q4_K_M + official MTP is still faster in absolute tok/s (56.78 / 58.12, accept 0.681) because only ~4B parameters are active. This 31B pack is the dense model that can actually use G64.

Do not quote a 40 tok/s bare number from this table. These rows include MTP.

Run

Needs thefallentree/llama.cpp-gp100 with the Gemma MTP meta-backend fix (on cursor/gemma4-mtp-host-6006 as 418fc582d, tip 958bce0bb after the 2026-09-16 rebase onto 930e2fa59). ./run.sh gemma uses pr-sm60-gmeta. Do not serve this file on the Qwen LoopSpec image, and do not serve Qwen LoopSpec on the Gemma-MTP image. a8c9f3a7b / g64slot is archive only.

sm_60 only. P40 / GTX 10-series are sm_61; HFMA2 is gated off there.

./build/bin/llama-server \
  --model Gemma4-31B-QAT-Uncensored-HauhauCS-Balanced-Q4_1_G64-Q4_1-embd.gguf \
  --model-draft mtp-gemma-4-31B-it.gguf \
  --jinja \
  --spec-type draft-mtp \
  --spec-draft-n-max 2 --spec-draft-n-min 0 --spec-draft-p-min 0 \
  --device CUDA0,CUDA1 --split-mode tensor --tensor-split 1,1 \
  --device-draft CUDA0,CUDA1 \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  --cache-type-k-draft q8_0 --cache-type-v-draft q8_0 \
  --ctx-size 131072 --flash-attn on

No --backend-sampling: tensor-split Gemma 500s (vector underflow). Leave GPU sampling off.

Architecture

gemma4, 31B dense, 60 layers, d_model 5376, vocab 262144, context 262144, sliding window 1024. Tied embeddings. Official MTP head is a separate gemma4-assistant GGUF.

Provenance

Basegoogle/gemma-4-31B-it
Uncensor / QAT GGUFHauhauCS/Gemma4-31B-QAT-Uncensored-HauhauCS-Balanced-MTP
G64 targetthat Q4_K_M, requant to Q4_1_G64; token_embd Q4_1
MTPHauhau’s mtp-gemma-4-31B-it.gguf (official 31B assistant)
Runtimethefallentree/llama.cpp-gp100 cursor/gemma4-mtp-host-6006 @ 958bce0bb (418fc582d MTP fix)

License

Gemma, inherited from google/gemma-4-31B-it. Local inference and research. Uncensored by HauhauCS — not a safety-tuned deployment model.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
4665df2

0 моделей