/ Модель

Характеристики

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

ResAI_Image-to-text_Champ

Изображение и текст → текст5 профессий

Сжатая мультимодальная Gemma 4 E4B Instruct для диалога и анализа изображений с меньшими вычислительными затратами.

16скачиваний за 30 дней0лайковвеса 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

terra-cognita-ai выпустила оптимизированную версию Google Gemma 4 E4B Instruct для анализа изображений и диалога по визуальному содержимому. Это мультимодальная модель с архитектурой Gemma 4, предназначенная для сценариев image-to-text и общения с изображениями; в метаданных указана поддержка английского языка. Модель основана на google/gemma-4-E4B-it: 30% весов обрезаны, а оставшиеся линейные веса языковой части упакованы в int4 по схеме W4A16 с QAT и дистилляцией. Визуальная и аудиочасти, проекторы и выходная голова остаются в bf16.

Сжатие снижает требования к вычислениям и энергии, а модель можно запускать через Transformers или vLLM с форматом compressed-tensors. На GPU Ada, включая L4 и RTX 4090, vLLM использует Triton attention и имеет дополнительную задержку относительно пути FlashAttention, доступного на Ampere и Hopper. Лицензия — Gemma; применяются условия лицензии Google Gemma.

Сценарии применения

  • описание содержимого изображения
  • ответы на вопросы по изображению
  • диалог с визуальным контекстом

Ограничения

На GPU Ada vLLM использует Triton attention, что увеличивает задержку по сравнению с FlashAttention на Ampere и Hopper. Квантизация затрагивает линейные веса языковой части; компоненты зрения, аудио, проекторы и lm_head остаются в bf16.

Для каких профессий подходит5

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-E4B-it · pruned 30% & distilled with QAT, packed in W4A16

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

  1. Structural MLP prune (−12.5%) — the LM-stack gate_proj/up_proj/down_proj intermediate dimension is reduced 12.5% with a calibrated importance criterion. Vision/audio towers and attention are untouched.
  2. Knowledge distillation with QAT — the pruned LM is recovered toward the unpruned bf16 teacher (Phase 1 forward-KL + hidden-state matching, Phase 2 on-policy JSD for brevity) using fake-quantization-in-the-loop. Vision/audio towers frozen. This step aims to restore both capability and output brevity of the student model.
  3. Second MLP prune (−20%) — a second-stage pruning is applied to arrive at an effective 30% pruning compared to base model. Same recipe as first-stage pruning.
  4. Second KD with QAT — recovers the 30%-pruned LM towards base model.
  5. W4A16 quantization — int4 weight-only quantization via llmcompressor oneshot + QuantizationModifier (observer-only; no Hessian/AWQ). Activations stay bf16. Uses the exact same quantization recipe as the KD with QAT steps to avoid drift.

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.

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

vLLM

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

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

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

HF Transformers

from transformers import AutoModelForImageTextToText, AutoProcessor
import torch

ckpt = "<this repo>"   # or local path
model = AutoModelForImageTextToText.from_pretrained(
    ckpt, dtype=torch.bfloat16, device_map="cuda:0",
)
processor = AutoProcessor.from_pretrained(ckpt)

Pass run_compressed=True to keep packed int4 weights in VRAM through the forward pass (no on-the-fly unpack to bf16).

Limitations

  • Ada attention fallback. vLLM on Ada GPUs (L4 / RTX 4090) takes the Triton attention path for this model regardless of quantization (vLLM #38887) — a constant-factor latency hit shared with the bf16 baseline. Hopper/Ampere take the FlashAttention path.

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
4cd9aa6

0 моделей