/ Модель

Характеристики

Размер весов
51,6 ГБ
Лицензия
Apache 2.0
Архитектура
diffusion_gemma · dense
Базовая модель
diffusiongemma-26B-A4B-it
Библиотека
transformers
Опубликована
19 сен 2026

diffusiongemma-26B-A4B-it-ALWAYS-THINK

Изображение и текст → текст3 профессии

Копия DiffusionGemma 26B-A4B-it с шаблоном чата, который включает рассуждения по умолчанию, для диалоговой генерации текста и анализа изображений.

137скачиваний за 30 дней0лайковвеса обновлены20 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

kaivoss опубликовал копию весов Google DiffusionGemma 26B-A4B-it с изменённым шаблоном чата: маркер включения рассуждений добавляется по умолчанию, поэтому модель формирует непустой канал рассуждений без дополнительного запроса в системном сообщении. Это мультимодальная модель семейства DiffusionGemma с архитектурой блочной диффузии, предназначенная для диалогов и работы с изображениями; основной сценарий — генерация ответов с включённым режимом рассуждений.

В карточке сообщается о проверке на 14 отложенных запросах, где непустые блоки рассуждений появились во всех 14 случаях; это ограниченная проверка, а не оценка качества рассуждений. README утверждает, что веса не изменены, поэтому языковые сдвиги и результаты обучения, описанные в заметках, к этой копии напрямую не относятся. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • диалоговые ответы с включённым по умолчанию каналом рассуждений
  • анализ изображений в формате вопроса и ответа
  • эксперименты с шаблонами чата DiffusionGemma
  • прототипирование мультимодальных диалоговых приложений

Ограничения

Описание измерений основано на 14 запросах и не подтверждает качество рассуждений на широком наборе задач. Поддерживаемые языки отдельно не перечислены.

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

diffusiongemma-26B-A4B-it-ALWAYS-THINK

Weights are an unmodified copy of google/diffusiongemma-26B-A4B-it. The only difference is chat_template.jinja: thinking is on by default, without the caller having to ask for it in the system prompt.

Thinking

The stock template gates reasoning behind an enable_thinking kwarg that injects a <|think|> marker into the system turn. This template emits that marker unconditionally. Measured on 14 held-out prompts, 384 new tokens each:

templatenon-empty thought blocks
stock (no `<think
this one (`<think

The model emits <|channel>thought on its own either way; the marker decides whether it fills the channel or closes it immediately and answers. Pre-filling <|channel>thought into the generation prompt is not a substitute — the model emits its own opener on top of the prefilled one and duplicates the token.

Finetuning notes

DiffusionGemmaForBlockDiffusion.forward takes no labels and returns no loss, so the training objective has to be written by hand. Following NVIDIA NeMo Automodel's DiffusionGemma recipe, it has two terms:

total = diffusion_CE + encoder_loss_weight * encoder_AR_CE
  • diffusion CE — corrupt canvas positions with uniform-random vocab tokens at a per-example rate t ~ U(eps, 1) (there is no [MASK] token), score with CE.
  • encoder AR CE — plain causal next-token CE on the encoder's logits over the clean full sequence.

The AR term is not optional. A LoRA run with the diffusion term alone produced no style transfer at all over 30 and 100 steps. Adding it (plus a fix for double-applying the logit softcap — forward already softcaps, don't do it again) transferred cleanly:

LoRA r=16, alpha=32, lr=1.5e-4, 800 steps, attention + dense MLP on the text backbone, MoE experts and router frozen. Trained on sriq-ai/sriq-sft-v1.5 (compressed Simplified Chinese reasoning). Measured on 14 held-out prompts:

basediffusion-only, 100 steps+ AR term, 800 steps
mean CJK of generation0.0%3.3%26.6%
rows with any CJK0 / 142 / 1414 / 14

The adapter is not published. Reasoning quality under the adapter was not benchmarked — only the language shift was measured.

Gotchas

  • Do not merge_and_unload() a LoRA adapter here. Gemma4ClippableLinear wraps the nn.Linear; merging corrupts it. Load unmerged and generate through the PeftModel.
  • The encoder must see the clean full sequence for the AR term; keep the decoder block-causal via decoder_attention_mask or it reads the block it is meant to denoise.
  • transformers 5.11 does not expose encoder_last_hidden_state from the top-level forward, so the AR term needs model.encoder / model.decoder called directly. 5.17 added the field.
  • Weight loading needs a transformers build that ships the DiffusionGemma classes.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
DiffusionGemmaForBlockDiffusion
Ревизия весов
b7c06c9

0 моделей