/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-E4B
Библиотека
transformers
Опубликована
6 апр 2026

gemma-4-E4B-turboquant

Изображение и текст → текст3 профессии

Документация по использованию Gemma 4 E4B с TurboQuant для сжатия KV-кэша и снижения расхода памяти при инференсе.

67скачиваний за 30 дней9лайковвеса обновлены15 сен 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 «Изображение → 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

majentik/gemma-4-E4B-turboquant — документационный репозиторий о применении сжатия KV-кэша TurboQuant при инференсе базовой модели Google Gemma 4 E4B. Весов модели в репозитории нет; описаны способы использовать базовую модель с TurboQuant через Python-пакет или специализированную сборку llama.cpp. Метаданные указывают архитектуру Gemma 4 для генерации текста по текстовым и визуальным входам, около 4 млрд параметров у базовой модели и библиотеку Transformers.

Репозиторий предназначен для снижения расхода памяти внимания, особенно при работе с длинным контекстом. README отмечает, что сценарий с TurboQuant для llama.cpp экспериментальный и устаревший; для стандартных рантаймов рекомендуются обычные типы KV-кэша q8_0 и q4_0. Заявления о поддержке и экономии памяти относятся к режиму инференса, а не к отдельным весам этой карточки. Лицензия, указанная в метаданных, — Apache-2.0. Языки модели и длина контекста в предоставленных данных не подтверждены.

Сценарии применения

  • сокращение памяти KV-кэша при длинных диалогах
  • запуск Gemma 4 E4B на устройствах с ограниченной памятью
  • настройка инференса Gemma 4 через Transformers и TurboQuant

Ограничения

В репозитории нет весов, поэтому для запуска требуется базовая модель google/gemma-4-E4B. Поддержка TurboQuant в llama.cpp требует неподдерживаемой экспериментальной ветки; README рекомендует обычную квантизацию KV-кэша в стандартных рантаймах.

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

[!TIP] KV-cache quantization without any fork (recommended, 2026): upstream llama.cpp/Ollama now cover this natively — use -ctk q8_0 -ctv q8_0 (~half KV memory, negligible quality loss: perplexity +0.002–0.05) or -ctk q4_0 -ctv q4_0 (~quarter memory, ≈7.6% perplexity increase). In Ollama: OLLAMA_KV_CACHE_TYPE=q8_0 with OLLAMA_FLASH_ATTENTION=1. Keep K and V types symmetric to stay on the fast fused Flash-Attention path. Since April 2026, mainline llama.cpp also applies Hadamard rotation to KV activations (PR #21038), which greatly improves low-bit KV quality (opt-out: LLAMA_ATTN_ROT_DISABLE=1).

The RotorQuant/TurboQuant fork flow below is experimental/legacy: the TurboQuant llama.cpp PR was closed without merging (June 2026) and the fork is unmaintained relative to mainline. It is NOT required to use this model.

gemma-4-E4B-TurboQuant

TurboQuant KV cache compression for google/gemma-4-E4B.

This is a documentation repository that explains how to combine gemma-4-E4B's weights with TurboQuant inference-time KV cache compression. No weights are stored here — use the base model directly and apply TurboQuant via the Python package or llama.cpp fork.

Hardware compatibility

DeviceVRAM / RAMRecommendation
Any host that runs the base modelbaseline + runtime savingsRotorQuant/TurboQuant is a KV-cache runtime modifier; pair with any weight variant

What is this?

KV cache compression reduces the memory used by the attention cache during inference. Unlike weight quantization (which is baked into the GGUF/MLX file), KV cache compression is applied at runtime — so the same base weights can be used with or without compression.

TechniqueWhere it's appliedSavings
TurboQuant KV cacheAt inference timeReduces attention memory (critical for long context)

Both can be combined for maximum efficiency.

Quickstart

Option A — Python / transformers

Install the turboquant package:

pip install turboquant

Then use it with the base model:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from turboquant import TurboQuantCache

tokenizer = AutoTokenizer.from_pretrained("google/gemma-4-E4B", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-4-E4B",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

# Apply TurboQuant to the KV cache
cache = TurboQuantCache(bits=4)  # or bits=2 for more aggressive compression

inputs = tokenizer("Hello, how are you?", return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=128,
    past_key_values=cache,
    use_cache=True,
)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Option B — llama.cpp / LM Studio / Ollama (with fork)

TurboQuant KV cache types (planar3) are not in upstream llama.cpp. They require:

Once built:

llama-completion -no-cnv -m gemma-4-E4B.gguf \
  --cache-type-k planar3 --cache-type-v planar3 \
  -ngl 99 -fa \
  -p "Hello"

For standard runtimes (LM Studio, Ollama, upstream llama.cpp), use conventional KV cache types (q8_0, q4_0). You lose the TurboQuant-specific benefits but keep GGUF weight quantization.

Model Specifications

PropertyValue
Base Modelgoogle/gemma-4-E4B
ArchitectureDense transformer (Edge optimised)
Parameters~4B
Context Length128K
BF16 Size~8 GB
ModalitiesText + Image + Audio
Licenseapache-2.0

About the RotorQuant / TurboQuant labels

RotorQuant and TurboQuant are this project's release labels, not distinct quantization algorithms — for any given tier, both brand repos carry byte-identical weights produced with the standard MLX / llama.cpp quantizers. No brand-specific speedup is claimed or measured. The KV-cache fork these labels originally referred to is legacy; for KV-cache memory savings use the upstream options described above (-ctk/-ctv q8_0, OLLAMA_KV_CACHE_TYPE).

Current Ecosystem Support

RuntimeTurboQuant SupportNotes
Python transformers + turboquant✅ FullDrop-in cache class
llama.cpp upstream❌ Not mergedUse fork below
llama-cpp-turboquant fork✅ planar3, iso3GitHub
LM Studio❌ RequestedUse q8_0 as alternative
Ollama❌ Not supportedUse OLLAMA_KV_CACHE_TYPE=q8_0
vLLM❌ Not supported—
koboldcpp❌ Not supported—

Pre-quantized weight variants

If you want combined weight + KV cache compression, majentik hosts pre-quantized versions:

See Also

Variants in this family

(Showing 13 sibling variants under majentik/gemma-4-e4b-*. The current variant — TurboQuant — is bolded.)

VariantRuntimeApprox sizeUse case
RotorQuant-GGUF-IQ4_XSllama.cpp~3.4 GBLossy 4-bit, low-RAM CPU/edge
RotorQuant-GGUF-Q2_Kllama.cpp~2.4 GBLossy, low-RAM CPU/edge
RotorQuant-GGUF-Q3_K_Mllama.cpp~3.1 GBSmaller 3-bit, CPU-friendly
RotorQuant-GGUF-Q4_K_Mllama.cpp~4.4 GBBalanced default
RotorQuant-GGUF-Q5_K_Mllama.cpp~5.3 GBHigher fidelity, more RAM
RotorQuant-GGUF-Q8_0llama.cpp~8.4 GBNear-lossless reference
RotorQuant-MLX-2bitmlx-lm~1.3 GBApple Silicon, smallest
RotorQuant-MLX-4bitmlx-lm~2.5 GBApple Silicon balanced
RotorQuant-MLX-8bitmlx-lm~4.7 GBApple Silicon reference
TurboQuantruntime modifiern/aKV-cache root (weight-agnostic)

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
0087929

0 моделей