Характеристики

Размер весов: 23,8 ГБ
Лицензия: Apache 2.0
Архитектура: gemma4_unified · dense
Базовая модель: gemma-4-12B-it
Библиотека: transformers
Опубликована: 27 июн 2026

Ссылки

Hugging Face

gemma-4-12B-TNG-V8

nightmedia

Мультимодальная модель8 профессий

Дообученная мультимодальная Gemma 4 12B для помощи в backend-разработке, проектировании LLM и программировании.

2 939скачиваний за 30 дней0лайковвеса обновлены27 июн 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

gemma-4-12B-TNG-V8 — выпущенная Nightmedia дообученная версия мультимодальной модели Google Gemma 4 12B Instruct. Она предназначена прежде всего для помощи с backend-разработкой, проектированием и обучением LLM, а также программированием на Haskell, Rust, Go и Python. В обучении использовались созданные локально уроки, примеры трасс Claude Code и дистилляция ответов модели-учителя на части вопросов Polaris Alpha.

Модель имеет плотную унифицированную архитектуру Gemma4Unified и распространяется в формате safetensors через Transformers. Базовая модель поддерживает работу с текстом, изображениями, видео и аудио, однако README описывает специализированные данные для программирования и не приводит подробностей об оценке этих возможностей именно у версии TNG-V8. Указана лицензия Apache 2.0. Карточка приводит результаты тестов и замеры для нескольких вариантов квантования, но не уточняет здесь длину контекста.

Сценарии применения

получение помощи по backend-разработке
обсуждение архитектуры и обучения LLM
написание и разбор кода на Haskell
написание и разбор кода на Rust
написание и разбор кода на Go и Python

Ограничения

Обучение версии было сосредоточено на backend-разработке и LLM, поэтому её специализация может ограничивать качество ответов в других областях. Приведённые в карточке метрики относятся к тестам и вариантам квантования, но не дают полной оценки качества по заявленным сценариям.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gemma-4-12B-TNG-V8

SkullOfStars

This is a Nightmedia release, trained with locally generated content.

This training includes TNG-infused coding lessons.

The teacher model used was the qx86-hi quant of the nightmedia/Qwen3.6-35B-A3B-Holo3-Qwopus-bf16

The lessons are exclusively in backend engineering, LLM design and training, operational Holodeck in Haskell, Rust, Golang and Python.

The set up was in the DS9 Holodeck, with in-person commentary by Spock, Data, Quark, Worf, Odo, Julian, Garak, Q, and many others.

Additionally, some of the Polaris Alpha questions were used to distill from the teacher model.

         arc   arc/e boolq hswag obkqa piqa  wino
bf16     0.553,0.771,0.849
mxfp8    0.551,0.779,0.865
q8-hi    0.552,0.770,0.848
qx86-hi  0.539,0.771,0.835
mxfp4    0.505,0.750,0.853

Quant    Perplexity      Peak Memory   Tokens/sec
bf16     67.645 ± 1.080  30.95 GB      549
mxfp8    74.437 ± 1.177  19.42 GB      373
q8-hi    65.357 ± 1.031  20.54 GB      460
qx86-hi  64.724 ± 1.021  19.00 GB      394
mxfp4   117.640 ± 2.029  13.47 GB      442

Training TNG base

gemma-4-12B-TNG-V6-q8-hi-mlx

         arc   arc/e boolq hswag obkqa piqa  wino
q8-hi    0.524,0.713,0.775

Quant    Perplexity      Peak Memory   Tokens/sec
q8-hi    75.792 ± 1.251  20.54 GB      446

Training 1/4 curriculum

gemma-4-12B-TNG-V1-q8-hi-mlx

         arc   arc/e boolq hswag obkqa piqa  wino
mxfp8    0.439,0.617,0.695
q8-hi    0.475,0.615,0.724
qx86-hi  0.468,0.614,0.753

Quant    Perplexity      Peak Memory   Tokens/sec
mxfp8    85.212 ± 1.319  19.42 GB      360
q8-hi    73.981 ± 1.145  20.54 GB      373
qx86-hi  71.764 ± 1.103  19.00 GB      416

Baseline model

gemma-4-12B-it

         arc   arc/e boolq hswag obkqa piqa  wino
mxfp8    0.385,0.527,0.766,0.509,0.386,0.664,0.579
q8-hi    0.394,0.522,0.774,0.520,0.370,0.674,0.583
qx86-hi  0.391,0.526,0.777,0.521,0.366,0.677,0.590
mxfp4    0.371,0.517,0.660,0.508,0.368,0.677,0.581

Quant    Perplexity      Peak Memory   Tokens/sec
mxfp8   175.766 ± 3.092  19.42 GB      463
mxfp4   283.801 ± 5.361  13.47 GB      484

The V8 iteration introduces a random pick of Claude code traces from angrygiraffe/claude-opus-4.6-4.7-reasoning-8.7k-raw mixed in with a random pick of lessons from the first stage.

-G

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры: Gemma4UnifiedForConditionalGeneration
Ревизия весов: 9ac1d4b