/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-26B-A4B-it-heretic
Опубликована
2 апр 2026

gemma-4-26B-A4B-it-heretic-GUFF

Изображение и текст → текст15 профессий

nohurry/gemma-4-26B-A4B-it-heretic-GUFF — набор квантованных вариантов модели coder3101/gemma-4-26B-A4B-it-heretic, созданный участником сообщества на основе Gemma 4 от Google.

4 414скачиваний за 30 дней74лайкавеса обновлены4 апр 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 диалоговых сценариев, генерации текста и работы с изображениями, включая OCR. В README указана поддержка режима рассуждений, который включается специальным маркером в системном промпте, а также возможность ограничивать бюджет рассуждений.

Модель имеет архитектуру Gemma 4 с конфигурацией 26B-A4B; точные сведения о размере активируемой части, языках и максимальной длине контекста в README не приведены. Для обработки изображений используются отдельные mmproj-файлы и настраиваемый диапазон от 70 до 1120 image-токенов. Реализация рассчитана на использование в llama.cpp и koboldcpp; для корректной работы требуется включить Sliding Window Attention с параметром --swa-full. Доступны разные уровни квантования, а выбор рекомендуется делать с учётом доступной VRAM. Для задач OCR желательно использовать менее квантованную текстовую модель и более качественно сохранённый image encoder.

Сильными сторонами являются мультимодальность, поддержка управляемого рассуждения, различные варианты квантования и возможность локального запуска. Ограничения включают зависимость требований к памяти от выбранного кванта и контекста, чувствительность image encoder к квантованию, а также необходимость совместимого программного обеспечения и настроек SWA. Модель распространяется по лицензии Apache-2.0; ссылка на лицензию Gemma 4 указана в карточке.

Для каких профессий подходит15

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

Quants of https://huggingface.co/coder3101/gemma-4-26B-A4B-it-heretic, using Unsloth's imatrix.

Not sure how many different quants I can upload as I am severely constrained by my PC's storage space.

Usage

Google recommends the following sampler settings:

temperature = 1.0
top_k = 64
top_p = 0.95
min_p = 0.0

For creative writing, I use:

temperature = 1.0
top_k = 0
top_p = 1.0
min_p = 0.05
top-n-sigma = 1.0
adaptive-target = 0.7
adaptive-decay = 0.9

For the image encoder:

image-min-tokens: 70
image-max-tokens: 1120

While it's reasoning is not excessive, sometimes I do want to limit it:

predict: 16384
reasoning-budget: 8192
reasoning-budget-message: "... I think I've explored this enough, time to respond."

Within llama.cpp and koboldcpp, ensure that --swa-full is enabled as this model uses Sliding Window Attention (SWA).

Thinking

In order to enable thinking, add <|think|> at the top of your system prompt:

<|think|>
You are a helpful assistant.

Conversely, to disable thinking simply omit <|think|> from your system prompt:

You are a helpful assistant.

To parse the thinking, use the following in SillyTavern or your platform of choice:

  • prefix: <|channel>thought
  • postfix: <channel|>

Reproduction

You can read REPRODUCE.md in the repo's "files and versions" to see how I made the quants. mmproj files are also located there.

FAQ

What quant should I use?

The largest model that fits inside your VRAM.

Context GBs: context / 8k = VRAM usage. So 16384 / 8192 = 2GB

As an example to estimate VRAM cost:

+ Q3_K_M model (12,9 GB)
+ 16K context (2 GB)
+ Q8_0 mmproj (800 MB)
= ~15,7 GB usage.

In case you want to mainly do OCR tasks, prefer a lower text model quant and a higher mmproj quant (bf16/f16/f32) as encoders are far more sensitive to quantization.

F16 vs BF16

BF16's format allows for storing weights in higher accuracy.

Do you have support for BF16 acceleration? If yes, use BF16.

These are the following indicators:

  • AVX512-BF16
  • SPV_KHR_bfloat16
  • NVIDIA RTX 30 series or newer
  • AMD RaDEON RX 7000 series or newer
  • Intel Xe A series or newer

If you like to thinker (like me) by running LLMs on an Intel N5000 CPU with Intel UHD Graphics 605 over Vulkan 1.3? F16 is going to run better.

Why don't you use the imatrix for the q8_0 quant?

As explained by the wonderful team mradermacher:

Q8_0 imatrix quants do not exist - some quanters claim otherwise, but Q8_0 ggufs do not contain any tensor type that uses the imatrix data, although technically it might be possible to do so.
--- https://huggingface.co/mradermacher/model_requests

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
9500faa

0 моделей