Gemma 4 26B A4B
управление глубиной рассуждений
2 min readupdated
Перед нами файнтюн мультимодальной модели google/gemma-4-26B-A4B-it (архитектура MoE на 25,81 млрд параметров от Google DeepMind), дообученный автором krystofmitka с помощью GRPO (метод обучения с подкреплением для улучшения рассуждений). Главная задача модели — позволить вам гибко регулировать, насколько подробно нейросеть будет «думать» перед ответом, без смены весов. Один и тот же чекпоинт поддерживает четыре уровня глубины рассуждений (25, 50, 75 и 100), которые задаются первой строкой системного промпта. Модель пригодится разработчикам, которым нужно балансировать между скоростью генерации, расходом токенов и тщательностью анализа сложных задач.
Ключевые особенности
- Четыре режима «усилий»: поддержка значений
25,50,75и100в одном наборе весов без подключения отдельных LoRA. - Снижение расхода токенов: на режиме 25 модель тратит в среднем 4 726 токенов размышлений против 11 040 у базовой Gemma 4 при сопоставимой точности.
- Готовые объединённые веса: адаптер 167-го шага обучения уже вшит в базовую модель формата BF16 вместе с оригинальным токенизатором и шаблоном чата.
- Поддержка vLLM и Transformers: модель готова к запуску как локально через библиотеку
transformers, так и в продакшене черезvLLM.
Что можно сделать
- Оптимизировать стоимость и задержку API: выставить
Reasoning Effort: 25для рутинных запросов, чтобы вдвое сократить длину цепочки рассуждений без потери качества. - Глубокий анализ сложных задач: переключать промпт на уровень
75для научных, математических или логических вопросов, требующих тщательной проверки. - Развернуть единый инференс-сервер: поднять модель через
vLLMс контекстом до 262 144 токенов и динамически менять глубину мышления для разных пользователей в одном инстансе.
Пример
from transformers import AutoModelForImageTextToText, AutoProcessor
import torch
model_id = "krystofmitka/gemma-4-26B-A4B-effort-checkpoint167"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto")
messages = [
{"role": "system", "content": "Reasoning Effort: 25 (range 1–100; higher values request more thorough reasoning)"},
{"role": "user", "content": "Solve 3x + 7 = 28. Explain your answer."},
]
inputs = processor.apply_chat_template(messages, add_generation_prompt=True, enable_thinking=True, return_dict=True, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=65536, do_sample=True, temperature=1.0, top_p=0.95, top_k=64)Подробнее
Бенчмарк GPQA-Diamond (одиночный прогон, 198 вопросов): точность 81.82% при effort 75 (8 131 токен размышлений) и 81.31% при effort 25 (4 726 токенов) против 79.80% у базовой Gemma 4 (11 040 токенов).Требования к железу: веса в BF16 занимают около 52 ГБ, плюс память под инференс (оценка проводилась на GPU B300 с Transformers 5.20.2 и PyTorch 2.14.0).
Ограничения: обучение приостановлено на 167-м шаге из 500 запланированных; валидированы только значения 25, 50, 75 и 100, остальные не тестировались; лицензия Apache 2.0.










Comments