/ Модель

Характеристики

Лицензия
Gemma
Базовая модель
gemma-4-E4B-it
Библиотека
transformers
Опубликована
14 июн 2026

ResAI_Image-to-Text_final

Изображение и текст → текст

Квантованная и дистиллированная версия Gemma 4 E4B Instruct для диалогового анализа изображений с текстовыми ответами.

0скачиваний за 30 дней2лайкавеса обновлены15 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

ResAI_Image-to-Text_final — оптимизированная мультимодальная модель terra-cognita-ai на базе Google Gemma 4 E4B Instruct. По карточке, веса языковой части были сокращены на 20%, затем модель прошла дистилляцию и квантование W4A16: линейные слои языковой модели упакованы в int4, тогда как компоненты обработки изображений и аудио, проекторы и lm_head сохранены в bf16. Модель рассчитана на диалоговые сценарии с анализом изображений и выдачей текста; в метаданных указана задача image-text-to-text и библиотека Transformers.

Модель использует базовую модель google/gemma-4-E4B-it и поддерживает зрительный ввод; базовая Gemma 4 E4B Instruct также описана в каталоге как способная обрабатывать аудио, но README этого репозитория не подтверждает аудиосценарии для данной версии. Лицензия — Gemma. Для запуска README приводит конфигурацию vLLM, который автоматически обнаруживает формат compressed-tensors и использует MarlinLinearKernel. Количественные результаты качества или скорости в карточке не приведены.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • визуальный диалог с изображениями
  • извлечение сведений из изображения

Ограничения

Карточка не приводит результатов оценки качества, скорости или сравнения с базовой моделью. README описывает int4-квантование только линейных слоёв языковой части; прочие перечисленные компоненты оставлены в bf16.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gemma-4-E4B-it · pruned 20% → distilled → W4A16

A compute-and-energy-optimized google/gemma-4-E4B-it built by a three-stage pipeline:

  1. Structural MLP prune (−20%) — the LM-stack gate_proj/up_proj/down_proj intermediate dimension is reduced 20% with a calibrated importance criterion. Vision/audio towers and attention are untouched.
  2. Knowledge distillation — the pruned LM is recovered toward the unpruned bf16 teacher (Phase 1 forward-KL + hidden-state matching, Phase 2 on-policy GKD/JSD for brevity). Vision/audio towers frozen. This restores both capability and output brevity to approximate teacher level.
  3. W4A16 quantization — int4 weight-only quantization via llmcompressor oneshot + QuantizationModifier (observer-only; no Hessian/AWQ). Activations stay bf16.

Saved in compressed-tensors pack-quantized format — loads in HF Transformers (Marlin / GPTQ-Marlin kernels, run_compressed=True) and in vLLM via the CompressedTensorsWNA16 loader.

The checkpoint's quant_recipe.json carries the full base → prune → distill → quant source_lineage together with the calibration datasets used in each step.

Quantization recipe

QuantizationModifier(
    config_groups={
        "group_0": {
            "targets": ["Linear"],
            "weights": {
                "num_bits": 4,
                "type": "int",
                "symmetric": True,
                "strategy": "group",
                "group_size": 128,
                "observer": "minmax",
                "actorder": None,
                "dynamic": False,
            },
            "input_activations": None,
            "output_activations": None,
        }
    },
    ignore=[
        "re:.*vision_tower.*",          # ViT encoder + patch embedder
        "re:.*audio_tower.*",           # audio layers + subsample + output_proj
        "re:.*per_layer_input_gate.*",  # PLE input gates
        "re:.*per_layer_projection.*",  # PLE projections
        "re:.*embed_vision.*",          # vision embedding_projection
        "re:.*embed_audio.*",           # audio embedding_projection
        "lm_head",
    ],
)

Only LM-stack Linear weights are packed to int4. The vision tower, audio tower, Per-Layer Embedding (PLE) plumbing, vision/audio projectors, and lm_head stay bf16.

Inference

No quantization= argument — vLLM auto-detects compressed-tensors from config.json and binds to MarlinLinearKernel.

To serve:

vllm serve terra-cognita-ai/ResAI_Image-to-Text_final --config vllm_config.yaml

The vllm_config.yaml is included in the root directory of the model.

License

Inherits the Gemma License from the base model. By using this checkpoint you agree to the Gemma Terms of Use.

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
c5ad349

0 моделей