/ Модель

Характеристики

Размер весов
5,3 МБ
Архитектура
gemma3n · dense
Базовая модель
gemma-3n-E4B-it
Библиотека
transformers
Опубликована
29 июн 2025

gemma-3n-tiny-random-dim4

Изображение и текст → текст3 профессии

yujiepan/gemma-3n-tiny-random-dim4 — отладочная мультимодальная модель, созданная на основе конфигурации google/gemma-3n-E4B-it.

1 017скачиваний за 30 дней0лайковвеса обновлены12 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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 прежде всего для тестирования и отладки обработки текста, изображений и аудио, а не для решения прикладных задач или получения качественных ответов. В README не указаны отдельные сведения о разработчике, однако идентификатор репозитория указывает на yujiepan.

Это случайно инициализированная модель с архитектурой Gemma3nForConditionalGeneration. Она использует текстовую, визуальную и аудиокомпоненты; для обработки изображений применяется vision tower на базе MobileNetV5. Конфигурация существенно уменьшена: hidden size текстовой и аудиочасти равен 4, в текстовом модуле задано 4 слоя, а в аудиомодуле — 2 слоя. Контекст ограничен sliding window размером 512 токенов. Указаний о поддерживаемых языках, лицензии и точном числе параметров нет.

Главное преимущество модели — крайне малый размер и пригодность для отладки интеграций Transformers и мультимодальных конвейеров. При этом веса случайно инициализированы, поэтому модель не обучена выполнять содержательные задачи и не должна использоваться для продуктивного инференса. README также предупреждает о возможной несовместимости hidden size 4 с kernels для paged attention и описывает временное исправление для audio tower при работе в bfloat16.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This tiny model is for debugging. It is randomly initialized with the config adapted from google/gemma-3n-E4B-it.

Model IDNotes
yujiepan/gemma-3n-tiny-randomhidden size is 32
yujiepan/gemma-3n-tiny-random-dim4hidden size is 4; potentially not supported in paged attention kernels

Example usage:

import torch

from transformers import pipeline

model_id = "yujiepan/gemma-3n-tiny-random-dim4"
pipe = pipeline(
    task="image-text-to-text",
    model=model_id,
    device=0,
    torch_dtype=torch.bfloat16
)

# temporary patch for audio tower
from accelerate.hooks import ModelHook, add_hook_to_module

class EnsureDtype(ModelHook):
    def pre_forward(self, module, *args, **kwargs):
        args = list(args)
        args[0] = args[0].to(module.dtype)
        return super().pre_forward(module, *args, **kwargs)
add_hook_to_module(pipe.model.audio_tower, EnsureDtype())

messages = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "You are a helpful assistant."}
        ]
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
            # audio is buggy for now: bf16 x fp32
            {"type": "audio", "url": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Audio/glass-breaking-151256.mp3"},
            {"type": "text", "text": "Which image is cuter?"},
        ]
    },
]
result = pipe(messages, min_new_tokens=512, max_new_tokens=512, do_sample=True)
print(result)

Codes to create this repo:

import json
from pathlib import Path

import torch

import accelerate
from huggingface_hub import file_exists, hf_hub_download
from timm.models.mobilenetv5 import decode_arch_def
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    AutoProcessor,
    AutoTokenizer,
    Gemma3nForConditionalGeneration,
    GenerationConfig,
    set_seed,
)

source_model_id = "google/gemma-3n-E4B-it"
save_folder = "/tmp/yujiepan/gemma-3n-tiny-random-dim4"

processor = AutoProcessor.from_pretrained(source_model_id)
processor.save_pretrained(save_folder)

with open(hf_hub_download(source_model_id, filename='config.json', repo_type='model'), 'r', encoding='utf-8') as f:
    config_json = json.load(f)

config_json['audio_config'].update({
    "conf_num_attention_heads": 2,
    "conf_num_hidden_layers": 2,
    "hidden_size": 4,
})
config_json['text_config'].update({
    "activation_sparsity_pattern": [0.95, 0.95, 0.0, 0.0],
    "head_dim": 2,
    "hidden_size": 4,
    "hidden_size_per_layer_input": 1,
    "intermediate_size": 8,
    "laurel_rank": 1,
    "layer_types": ['sliding_attention', 'full_attention', 'sliding_attention', 'full_attention'],
    "num_attention_heads": 2,
    "num_hidden_layers": 4,
    "num_key_value_heads": 1,
    "num_kv_shared_layers": 2,
    "sliding_window": 512,
})
block_args = decode_arch_def(
    [
        # Stage 0: 128x128 in
        [
            'er_r1_k3_s2_e4_c4',
            'er_r1_k3_s1_e4_c4',
        ],
        # Stage 1: 256x256 in
        [
            'uir_r1_a3_k5_s2_e6_c4',
            'uir_r1_a5_k0_s1_e4_c4',
            'uir_r1_a3_k0_s1_e4_c4',
        ],
        # Stage 2: 640x640 in
        [
            "uir_r1_a5_k5_s2_e6_c4",
            "uir_r1_a0_k0_s1_e1_c4",
            "mqa_r1_k3_h2_v2_s1_d8_c4",
            "uir_r1_a0_k0_s1_e2_c4",
        ],
        # Stage 3: 1280x1280 in
        [
            "uir_r1_a5_k5_s2_e6_c4",
            "mqa_r1_k3_h2_s1_d8_c4",
            "uir_r1_a0_k0_s1_e2_c4",
        ],
    ]
)
config_json['vision_config'].update({
    "hidden_size": 2048,  # hard-coded in timm
    "model_args": {
        "block_args": block_args,
    }
})
config_json['tie_word_embeddings'] = True

with open(f"{save_folder}/config.json", "w", encoding='utf-8') as f:
    json.dump(config_json, f, indent=2)

config = AutoConfig.from_pretrained(
    save_folder,
    trust_remote_code=True,
)
print(config)

torch.set_default_dtype(torch.bfloat16)
model = Gemma3nForConditionalGeneration(config)
torch.set_default_dtype(torch.float32)
if file_exists(filename="generation_config.json", repo_id=source_model_id, repo_type='model'):
    model.generation_config = GenerationConfig.from_pretrained(
        source_model_id, trust_remote_code=True,
    )
set_seed(42)
model = model.cpu()
all_numels = 0
for name, p in sorted(model.named_parameters()):
    all_numels += p.numel()
with torch.no_grad():
    for name, p in sorted(model.named_parameters()):
        torch.nn.init.normal_(p, 0, 0.2)
        print(name, p.shape, f'{p.numel() / all_numels * 100: .4f}%')
model.save_pretrained(save_folder)

Printing the model:

Gemma3nForConditionalGeneration(
  (model): Gemma3nModel(
    (vision_tower): TimmWrapperModel(
      (timm_model): MobileNetV5Encoder(
        (conv_stem): ConvNormAct(
          (conv): Conv2dSame(3, 64, kernel_size=(3, 3), stride=(2, 2), bias=False)
          (bn): RmsNormAct2d(
            (drop): Identity()
            (act): GELU(approximate='none')
          )
        )
        (blocks): Sequential(
          (0): Sequential(
            (0): EdgeResidual(
              (conv_exp): Conv2dSame(64, 256, kernel_size=(3, 3), stride=(2, 2), bias=False)
              (bn1): RmsNormAct2d(
                (drop): Identity()
                (act): GELU(approximate='none')
              )
              (aa): Identity()
              (se): Identity()
              (conv_pwl): Conv2d(256, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
              (bn2): RmsNormAct2d(
                (drop): Identity()
                (act): Identity()
              )
              (drop_path): Identity()
            )
            (1): EdgeResidual(
              (conv_exp): Conv2d(8, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
              (bn1): RmsNormAct2d(
                (drop): Identity()
                (act): GELU(approximate='none')
              )
              (aa): Identity()
              (se): Identity()
              (conv_pwl): Conv2d(32, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
              (bn2): RmsNormAct2d(
                (drop): Identity()
                (act): Identity()
              )
              (drop_path): Identity()
            )
          )
          (1): Sequential(
            (0): UniversalInvertedResidual(
              (dw_start): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), groups=8, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): ConvNormAct(
                (conv): Conv2dSame(48, 48, kernel_size=(5, 5), stride=(2, 2), groups=48, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(48, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (1): UniversalInvertedResidual(
              (dw_start): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2), groups=8, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): Identity()
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(32, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (2): UniversalInvertedResidual(
              (dw_start): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), groups=8, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): Identity()
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(32, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
          )
          (2): Sequential(
            (0): UniversalInvertedResidual(
              (dw_start): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2), groups=8, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): ConvNormAct(
                (conv): Conv2dSame(48, 48, kernel_size=(5, 5), stride=(2, 2), groups=48, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(48, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (1): UniversalInvertedResidual(
              (dw_start): Identity()
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): Identity()
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (2): MobileAttention(
              (norm): RmsNormAct2d(
                (drop): Identity()
                (act): Identity()
              )
              (attn): MultiQueryAttention2d(
                (query): Sequential(
                  (proj): Conv2d(8, 16, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (key): Sequential(
                  (down_conv): Conv2dSame(8, 8, kernel_size=(3, 3), stride=(2, 2), groups=8, bias=False)
                  (norm): RmsNorm2d()
                  (proj): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (value): Sequential(
                  (down_conv): Conv2dSame(8, 8, kernel_size=(3, 3), stride=(2, 2), groups=8, bias=False)
                  (norm): RmsNorm2d()
                  (proj): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (attn_drop): Dropout(p=0.0, inplace=False)
                (output): Sequential(
                  (proj): Conv2d(16, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                  (drop): Dropout(p=0.0, inplace=False)
                )
              )
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (3): UniversalInvertedResidual(
              (dw_start): Identity()
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 16, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): Identity()
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(16, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
          )
          (3): Sequential(
            (0): UniversalInvertedResidual(
              (dw_start): ConvNormAct(
                (conv): Conv2d(8, 8, kernel_size=(5, 5), stride=(1, 1), padding=(2, 2), groups=8, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): ConvNormAct(
                (conv): Conv2dSame(48, 48, kernel_size=(5, 5), stride=(2, 2), groups=48, bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(48, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (1): MobileAttention(
              (norm): RmsNormAct2d(
                (drop): Identity()
                (act): Identity()
              )
              (attn): MultiQueryAttention2d(
                (query): Sequential(
                  (proj): Conv2d(8, 16, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (key): Sequential(
                  (proj): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (value): Sequential(
                  (proj): Conv2d(8, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                )
                (attn_drop): Dropout(p=0.0, inplace=False)
                (output): Sequential(
                  (proj): Conv2d(16, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                  (drop): Dropout(p=0.0, inplace=False)
                )
              )
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
            (2): UniversalInvertedResidual(
              (dw_start): Identity()
              (pw_exp): ConvNormAct(
                (conv): Conv2d(8, 16, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): GELU(approximate='none')
                )
              )
              (dw_mid): Identity()
              (se): Identity()
              (pw_proj): ConvNormAct(
                (conv): Conv2d(16, 8, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): RmsNormAct2d(
                  (drop): Identity()
                  (act): Identity()
                )
              )
              (dw_end): Identity()
              (layer_scale): LayerScale2d()
              (drop_path): Identity()
            )
          )
        )
        (msfa): MobileNetV5MultiScaleFusionAdapter(
          (ffn): UniversalInvertedResidual(
            (dw_start): Identity()
            (pw_exp): ConvNormAct(
              (conv): Conv2d(16, 32, kernel_size=(1, 1), stride=(1, 1), bias=False)
              (bn): RmsNormAct2d(
                (drop): Identity()
                (act): GELU(approximate='none')
              )
            )
            (dw_mid): Identity()
            (se): Identity()
            (pw_proj): ConvNormAct(
              (conv): Conv2d(32, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
              (bn): RmsNormAct2d(
                (drop): Identity()
                (act): Identity()
              )
            )
            (dw_end): Identity()
            (layer_scale): Identity()
            (drop_path): Identity()
          )
          (norm): RmsNorm2d()
        )
      )
    )
    (language_model): Gemma3nTextModel(
      (embed_tokens): Gemma3nTextScaledWordEmbedding(262400, 4, padding_idx=0)
      (layers): ModuleList(
        (0-3): 4 x Gemma3nTextDecoderLayer(
          (self_attn): Gemma3nTextAttention(
            (q_proj): Linear(in_features=4, out_features=4, bias=False)
            (k_proj): Linear(in_features=4, out_features=2, bias=False)
            (v_proj): Linear(in_features=4, out_features=2, bias=False)
            (o_proj): Linear(in_features=4, out_features=4, bias=False)
            (q_norm): Gemma3nRMSNorm((2,), eps=1e-06)
            (k_norm): Gemma3nRMSNorm((2,), eps=1e-06)
            (v_norm): Gemma3nRMSNorm((), eps=1e-06)
          )
          (mlp): Gemma3nTextMLP(
            (gate_proj): Linear(in_features=4, out_features=8, bias=False)
            (up_proj): Linear(in_features=4, out_features=8, bias=False)
            (down_proj): Linear(in_features=8, out_features=4, bias=False)
            (act_fn): PytorchGELUTanh()
          )
          (input_layernorm): Gemma3nRMSNorm((4,), eps=1e-06)
          (post_attention_layernorm): Gemma3nRMSNorm((4,), eps=1e-06)
          (pre_feedforward_layernorm): Gemma3nRMSNorm((4,), eps=1e-06)
          (post_feedforward_layernorm): Gemma3nRMSNorm((4,), eps=1e-06)
          (act_fn): PytorchGELUTanh()
          (altup): Gemma3nTextAltUp(
            (correction_coefs): Linear(in_features=4, out_features=4, bias=False)
            (prediction_coefs): Linear(in_features=4, out_features=16, bias=False)
            (modality_router): Linear(in_features=4, out_features=4, bias=False)
            (router_norm): Gemma3nRMSNorm((4,), eps=1e-06)
          )
          (laurel): Gemma3nTextLaurelBlock(
            (linear_left): Linear(in_features=4, out_features=1, bias=False)
            (linear_right): Linear(in_features=1, out_features=4, bias=False)
            (post_laurel_norm): Gemma3nRMSNorm((4,), eps=1e-06)
          )
          (per_layer_input_gate): Linear(in_features=4, out_features=1, bias=False)
          (per_layer_projection): Linear(in_features=1, out_features=4, bias=False)
          (post_per_layer_input_norm): Gemma3nRMSNorm((4,), eps=1e-06)
        )
      )
      (norm): Gemma3nRMSNorm((4,), eps=1e-06)
      (rotary_emb): Gemma3nTextRotaryEmbedding()
      (rotary_emb_local): Gemma3nTextRotaryEmbedding()
      (embed_tokens_per_layer): Gemma3nTextScaledWordEmbedding(262144, 4, padding_idx=0)
      (per_layer_model_projection): Linear(in_features=4, out_features=4, bias=False)
      (per_layer_projection_norm): Gemma3nRMSNorm((1,), eps=1e-06)
      (altup_projections): ModuleList(
        (0-2): 3 x Linear(in_features=4, out_features=4, bias=False)
      )
      (altup_unembed_projections): ModuleList(
        (0-2): 3 x Linear(in_features=4, out_features=4, bias=False)
      )
    )
    (audio_tower): Gemma3nAudioEncoder(
      (subsample_conv_projection): Gemma3nAudioSubSampleConvProjection(
        (conv_0): Gemma3nAudioSSCPConvBlock(
          (conv): Conv2d(1, 128, kernel_size=(3, 3), stride=(2, 2), bias=False)
          (norm): Gemma3nAudioCumulativeGroupNorm()
          (activation): ReLU()
        )
        (conv_1): Gemma3nAudioSSCPConvBlock(
          (conv): Conv2d(128, 32, kernel_size=(3, 3), stride=(2, 2), bias=False)
          (norm): Gemma3nAudioCumulativeGroupNorm()
          (activation): ReLU()
        )
        (input_proj_linear): Linear(in_features=1024, out_features=4, bias=False)
      )
      (conformer): ModuleList(
        (0-1): 2 x Gemma3nAudioConformerBlock(
          (ffw_layer_start): Gemma3nAudioConformerFeedForward(
            (pre_layer_norm): Gemma3nRMSNorm((4,), eps=1e-06)
            (ffw_layer_1): Linear(in_features=4, out_features=16, bias=False)
            (ffw_layer_2): Linear(in_features=16, out_features=4, bias=False)
            (post_layer_norm): Gemma3nRMSNorm((4,), eps=1e-06)
          )
          (attention): Gemma3nAudioConformerAttention(
            (pre_attn_norm): Gemma3nRMSNorm((4,), eps=1e-06)
            (attn): Gemma3nAudioAttention(
              (relative_position_embedding): Gemma3nAudioRelativePositionEmbedding(
                (pos_proj): Linear(in_features=4, out_features=4, bias=False)
              )
              (q_proj): Linear(in_features=4, out_features=4, bias=False)
              (k_proj): Linear(in_features=4, out_features=4, bias=False)
              (v_proj): Linear(in_features=4, out_features=4, bias=False)
            )
            (post): Linear(in_features=4, out_features=4, bias=False)
            (post_norm): Gemma3nRMSNorm((4,), eps=1e-06)
          )
          (lconv1d): Gemma3nAudioConformerLightConv1d(
            (pre_layer_norm): Gemma3nRMSNorm((4,), eps=1e-06)
            (linear_start): Linear(in_features=4, out_features=8, bias=False)
            (depthwise_conv1d): Conv1d(4, 4, kernel_size=(5,), stride=(1,), groups=4, bias=False)
            (conv_norm): Gemma3nRMSNorm((4,), eps=1e-06)
            (linear_end): Linear(in_features=4, out_features=4, bias=False)
          )
          (ffw_layer_end): Gemma3nAudioConformerFeedForward(
            (pre_layer_norm): Gemma3nRMSNorm((4,), eps=1e-06)
            (ffw_layer_1): Linear(in_features=4, out_features=16, bias=False)
            (ffw_layer_2): Linear(in_features=16, out_features=4, bias=False)
            (post_layer_norm): Gemma3nRMSNorm((4,), eps=1e-06)
          )
          (norm): Gemma3nRMSNorm((4,), eps=1e-06)
        )
      )
    )
    (embed_vision): Gemma3nMultimodalEmbedder(
      (embedding): Embedding(128, 2048)
      (hard_embedding_norm): Gemma3nRMSNorm((2048,), eps=1e-06)
      (soft_embedding_norm): Gemma3nRMSNorm((2048,), eps=1e-06)
      (embedding_projection): Linear(in_features=2048, out_features=4, bias=False)
      (embedding_post_projection_norm): Gemma3nRMSNorm((), eps=1e-06)
    )
    (embed_audio): Gemma3nMultimodalEmbedder(
      (embedding): Embedding(128, 4)
      (hard_embedding_norm): Gemma3nRMSNorm((4,), eps=1e-06)
      (soft_embedding_norm): Gemma3nRMSNorm((4,), eps=1e-06)
      (embedding_projection): Linear(in_features=4, out_features=4, bias=False)
      (embedding_post_projection_norm): Gemma3nRMSNorm((), eps=1e-06)
    )
  )
  (lm_head): Linear(in_features=4, out_features=262400, bias=False)
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3nForConditionalGeneration
Ревизия весов
a4852ce

0 моделей