К содержимому
Компьютерное зрение

Gemma 4 26B A4B

управление глубиной рассуждений

2 мин чтенияобновлено

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, 75 и 100 в 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 через vLLM.

Что можно сделать

  • Оптимизировать стоимость и задержку API: выставить Reasoning Effort: 25 для рутинных запросов, чтобы вдвое сократить длину цепочки рассуждений без потери качества.
  • Глубокий анализ сложных задач: переключать промпт на уровень 75 для научных, математических или логических вопросов, требующих тщательной проверки.
  • Развернуть единый инференс-сервер: поднять модель через vLLM с 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)
ПодробнееБенчмарк 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.
Обсудить Telegram 0 24

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 48 GB · готовые файлы53 GB
  • FP8 / INT8рекомендуемвеса 24 GB27 GB
  • 4-bitвеса 14 GB15 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # krystofmitka/gemma-4-26B-A4B-effort-checkpoint167
    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 krystofmitka/gemma-4-26B-A4B-effort-checkpoint167 --local-dir ~/models/gemma-4-26B-A4B-effort-checkpoint167
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gemma-4-26B-A4B-effort-checkpoint167
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

google/gemma-4-26B-A4B-it
  1. gemma-4-26B-A4Bоснова семьи
  2. gemma-4-26B-A4B-it
  3. gemma-4-26B-A4B-effort-checkpoint167

Новые посты про версии gemma-4-26B-A4B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
Слияния 5Все на Hugging Face

О модели

krystofmitka/gemma-4-26B-A4B-effort-checkpoint167
Автор
krystofmitka
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

OCEAN-S2

OCEAN-S2