/ Модель

Характеристики

Размер весов
8,5 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-e2b-it
Библиотека
transformers
Опубликована
28 апр 2026

gemma-4-e2b-arabic-english-vision

Изображение и текст → текст7 профессий

Разреженная Gemma 4 E2B IT для понимания изображений и генерации текста на арабском и английском языках.

96скачиваний за 30 дней4лайкавеса обновлены28 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 «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

Gemma 4 E2B Arabic + English Vision — разреженная версия мультимодальной модели Google Gemma 4 E2B IT, подготовленная ml-intern-explorers. Это плотная модель с архитектурой Gemma4ForConditionalGeneration: она принимает текст и изображения и генерирует текст. По данным карточки, из словаря удалены токены для ряда языков, включая кириллицу, а также аудиоэнкодер; сохранены зрительный энкодер и генерация текста. README указывает словарь из 209 836 токенов и сообщает о 4,25 млрд параметров; метаданные подтверждают базовую модель google/gemma-4-e2b-it и формат safetensors.

Модель предназначена для понимания изображений и текста на арабском и английском языках, включая разбор документов и распознавание арабского текста на изображениях. В описанном в README тесте распознавания арабского текста результаты совпали с исходной Gemma 4 E2B IT на 100 примерах; это ограниченная проверка, а не гарантия качества на других данных. README также рассматривает модель как основу для дообучения двуязычных приложений. Лицензия — Apache-2.0.

В заявленных ограничениях — отсутствие аудиовхода и поддержки языков, чьи токены были удалены, в том числе русского, китайского, деванагари и тайского. Модель не подходит для сценариев, которым нужны аудиофункции или текстовая генерация на этих языках.

Сценарии применения

  • распознавание арабского текста на изображениях
  • извлечение сведений из арабских документов
  • ответы на вопросы по изображению на арабском языке
  • описание изображений на английском языке
  • разработка двуязычных арабско-английских приложений с дообучением

Ограничения

Аудиоэнкодер удалён; поддержка ограничена арабским и английским языками, а токены кириллицы и ряда других письменностей удалены. Указанный тест арабского распознавания охватывает только 100 примеров.

Для каких профессий подходит7

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 E2B — Arabic + English Vision (Pruned)

A pruned version of google/gemma-4-e2b-it optimized for Arabic and English vision-language tasks. Unnecessary language tokens and the audio encoder have been removed, resulting in a smaller and more efficient model while retaining full vision and text generation capabilities.

What was done

ComponentOriginalPruned
Vocabulary262,144 tokens209,836 tokens (Arabic + English + special)
Vision encoder✅ 16 layers✅ KEPT
Audio encoder✅ 12 layers❌ Removed
Decoder layers35 layers35 layers (untouched)
PLE tables262,144 × 256 × 35209,836 × 256 × 35
Total size (bf16)10.2 GB8.5 GB
Size reduction—17%

Token breakdown

  • Arabic tokens kept: 8,460
  • English/Latin tokens kept: 201,096
  • Special tokens: 24
  • Byte fallbacks: 256
  • Total kept: 209,836 (80.0% of original)
  • Dropped: 52,308 (CJK, Cyrillic, Devanagari, Thai, etc.)

Why this exists

Gemma 4's Per-Layer Embedding (PLE) architecture stores a separate embedding table for each of its 35 decoder layers. With 262K vocab, that's 4.7 GB of PLE tables alone (53% of the model). By pruning to Arabic+English only, we cut this to ~3.8 GB.

The vision encoder is kept intact for image understanding tasks.

Benchmark: Arabic text recognition (zero-shot, no fine-tuning)

Evaluated on loay/ar_stage1_probe — 100 samples, seed=42:

ModelParamsVRAMCER ↓Exact Match
This model (pruned)4.25B8.5 GB0.116823/100
google/gemma-4-e2b-it (original)5.10B10.2 GB0.116823/100

Identical output on all 100 samples — pruning is lossless for Arabic+English tasks.

Intended use

  • Arabic + English vision-language tasks
  • Document understanding
  • Fine-tuning base for bilingual Arabic/English applications
  • Any task where CJK/Cyrillic/Indic language support is not needed

Usage

from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained(
    "ml-agent-explorers/gemma-4-e2b-arabic-english-vision",
    dtype="bfloat16",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(
    "ml-agent-explorers/gemma-4-e2b-arabic-english-vision"
)

Base model

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
2faa5d2

0 моделей