/ Модель

Характеристики

Размер весов
10,1 ГБ
Лицензия
Apache 2.0
Архитектура
gemma4 · dense
Базовая модель
gemma-4-26B-A4B-it-OptiQ-4bit
Библиотека
mlx
Опубликована
28 авг 2026

gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B

Генерация текстаТекст → текст8 профессий

mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B — квантованная и подвергнутая прореживанию версия Gemma-4, разработанная сообществом mlx-community на базе mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit.

659скачиваний за 30 дней3лайкавеса обновлены18 окт 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 локальной генерации текста и запуска LLM на устройствах Apple Silicon через MLX. Она может использоваться для диалогов, следования инструкциям, решения математических задач, генерации кода и вызова функций, однако точный набор языков и размер контекстного окна в README не указан.

Модель использует MoE-архитектуру с 128 экспертами на слой, из которых сохранены 64; для каждого токена по-прежнему активируются 8 экспертов. После прореживания объём параметров уменьшен с 25,8 млрд до 14,3 млрд, размер на диске — с 17,5 до 10,4 ГБ, а пиковое потребление памяти — с 16,4 до 9,4 ГБ. Активное число параметров на токен не изменилось, поэтому заявлено отсутствие снижения скорости из-за маршрутизации. Применено 4-битное квантование OptiQ и метод REAP; сохранённые эксперты не деквантизировались, не переквантизировались и не переобучались.

Главное преимущество модели — заметное сокращение требований к диску и памяти при сохранении высокой производительности в отдельных сценариях: показатели GSM8K, IFEval и BFCL-V3 составляют соответственно 89,1, 80,8 и 90,0. Ограничение — существенная потеря качества относительно родительской модели: итоговый Capability Score снижен с 75,75 до 68,13, MMLU — с 65,0 до 38,9, а HumanEval — с 90,2 до 72,0. Поэтому модель может быть менее подходящей для широких академических задач и генерации кода. Лицензия — Apache 2.0.

Для каких профессий подходит8

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

mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B

Built with mlx-optiq, the MLX-native toolkit to quantize, prune, fine-tune, and serve LLMs locally on Apple Silicon. All OptiQ models · Docs

10.4 GB instead of 17.5 GB. 9.4 GB of memory to run instead of 16.4 GB. Capability Score 68.13 against the parent's 75.75.

ParentThis model
On disk17.5 GB10.4 GB−40%
Peak memory16.4 GB9.4 GB−42%
Parameters25.8B14.3B−45%
Capability Score75.7568.13-7.62

50% of the routed experts are removed from mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit; active parameters per token are unchanged, since top-8 routing is preserved and only the stored expert bank shrinks. That is why it gets smaller without getting slower.

Retained experts are copied bit-for-bit from the parent quant. Nothing is dequantized, re-quantized, merged, or retrained.

What pruning costs

BenchmarkParentThis modelΔ
MMLU65.038.9-26.1
GSM8K93.889.1-4.7
IFEval73.080.8+7.8
BFCL-V391.590.0-1.5
HumanEval90.272.0-18.2
HashHop41.038.0-3.0
Capability Score75.7568.13-7.62

Gemma-4 gives up more than the Qwen models do at the same 50 % retention. It routes over 128 experts where they route over 256, and the divergence from the unpruned parent measures KL 0.56 against their 0.07–0.13. The cost shows up in MMLU first, as it does everywhere, but here HumanEval moves too — on the Qwens procedural ability is essentially untouched.

If that trade is wrong for your workload, the model is not the only option: optiq prune-experts <parent> --retain 96 keeps three quarters of the bank and measures KL 0.33, at a correspondingly smaller saving.

Details

PropertyValue
Experts retained64 of 128 per layer
Active experts per token8 (unchanged)
Allocationuniform (64 of 128 in every layer)
Size10.4 GB (parent 17.5 GB)
Parameters14.3B (parent 25.8B)
SelectionREAP — router weight × expert output norm, weighted by selection frequency (this router renormalizes its weights, so frequency is what carries preference)
Calibrationoptiq six-domain mix, 8 samples
MTP sidecarabsent

Use it

pip install mlx-optiq
optiq serve --model mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B
from mlx_lm import load, generate
model, tok = load("mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B")
print(generate(model, tok, prompt="Hello", max_tokens=64))

Method

Expert pruning follows REAP (Cerebras Research, ICLR 2026 — REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression). Experts are ranked by the conditional mean of router weight × expert output norm over calibration data; the lowest-ranked are removed and the router is sliced to match.

OptiQ applies it in the quantized domain — directly on a quantized checkpoint, with no BF16 parent and no dequantization of survivors — via optiq prune-experts. See the pruning docs.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
84c43d8

0 моделей