Skip to content
Other

gemma-4-e4b-it-prune_depth_10_awe_sonnet

восстановление сжатой модели через ИИ-агента без обучения

2 min readupdated

Экспериментальная языковая модель на 7.31B параметров от автора mrysh, созданная в рамках бенчмарка сжатия LLM методом AWE (Agentic Weight Editing — редактирование весов силами ИИ-агента). За основу взята модель mrysh/gemma-4-e4b-it-prune_depth_10 (версия google/gemma-4-E4B-it после прунинга, то есть удаления 10% слоёв), у которой после обрезки сильно просел навык вызова внешних функций (function calling). Вместо привычного дообучения LLM-агент (Sonnet 5.5) напрямую проанализировал веса и активации через Python и точечно изменил всего 0.0804% параметров в одном слое. Это вернуло большую часть потерянной точности в работе с инструментами при сохранении повышенной скорости и меньшего размера сжатой модели.

Ключевые особенности

  • Правка весов без градиентного обучения: агент сам исследовал тензоры и прогонял прямые проходы (forward pass), изменив 5 873 945 чисел в тензоре mlp.down_proj.weight 37-го слоя.
  • Восстановление вызова функций: общая точность в тесте BFCL выросла с 21.6% у обрезанной версии до 52.5%, а число ответов с битым форматом сократилось с 531 до 269 из 774.
  • Сохранение скорости и объёма: размер на диске остался 14.65 ГБ (против 15.88 ГБ у оригинала), а скорость генерации в vLLM на L40 держится на уровне 75.8 токенов/с.
  • Отсутствие деградации в других задачах: на медицинских вопросах MedQA (61.9%) и тесте Hiring bias (85.4%) качество осталось на уровне исходной модели.

Что можно сделать

  • Протестировать модель в локальных агентах и пайплайнах с поддержкой function calling через vLLM или Transformers, чтобы оценить баланс между скоростью обрезанной архитектуры и корректностью JSON-вызовов.
  • Использовать как референс и полигон для исследований в области прунинга и пост-обработки весов (AWE) без затрат на полноценный файнтюнинг.

Пример

Согласно карточке, модель загружается стандартным способом, аналогично базовой google/gemma-4-E4B-it (архитектура идентична, отличается только количество слоёв после прунинга на 10%). Агенту для создания этой правки потребовалось 27 проходов модели, 586 шагов в Python и $6.97 по счётчику API.

ПодробнееБенчмарк BFCL (all): 52.5% против 21.6% у pruned-версии и 91.1% у оригинальной google/gemma-4-E4B-it.
Железо и скорость: вес 14.65 ГБ, скорость 75.8 токенов/с для одного пользователя в vLLM на GPU L40.
Ограничения: проведён только один прогон на агента без повторов, поэтому стабильность метода между разными агентами не доказана; лицензия наследуется от базовой модели Google.
Discuss Telegram 0 29

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 14 GB · ready files15 GB
  • FP8 / INT8recommendedweights 6.8 GB8.0 GB
  • 4-bitweights 3.8 GB4.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 5060 Ti 8GB · BF16 — from RTX 5080

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # mrysh/gemma-4-e4b-it-prune_depth_10_awe_sonnet
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download mrysh/gemma-4-e4b-it-prune_depth_10_awe_sonnet --local-dir ~/models/gemma-4-e4b-it-prune_depth_10_awe_sonnet
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. gemma-4-E4Bfamily root
  2. gemma-4-E4B-it
  3. gemma-4-e4b-it-prune_depth_10
  4. gemma-4-e4b-it-prune_depth_10_awe_sonnet

New posts about versions of gemma-4-E4B (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 8All on Hugging Face

About the model

mrysh/gemma-4-e4b-it-prune_depth_10_awe_sonnet
Author
mrysh
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

290

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments