Gemma 4 E4B
компактная мультимодальная модель от Google
2 мин чтенияобновлено
Gemma 4 E4B — открытая мультимодальная модель от Google DeepMind, которая понимает текст, изображения, видео и аудио, а на выходе генерирует текст. При общем объёме 8B параметров за счёт технологии PLE (Per-Layer Embeddings — отдельных таблиц эмбеддингов для каждого слоя) модель задействует всего 4.5B эффективных параметров, поэтому подходит для запуска на ноутбуках и мобильных устройствах. В отличие от старших версий линейки (26B и 31B), в E4B встроен полноценный аудиоэнкодер, а также добавлен нативный режим рассуждений (thinking) и поддержка системных промптов. Подойдёт разработчикам локальных ассистентов, агентов и приложений, где нужно обрабатывать сразу несколько типов данных без облачных API.
Ключевые особенности
- Полная мультимодальность — работает с текстом, картинками с произвольным соотношением сторон, видео (последовательностями кадров) и аудио (распознавание и перевод речи).
- Эффективная архитектура — 42 слоя с гибридным механизмом внимания (чередование локального окна в 512 токенов и глобального внимания) и 4.5B активных параметров при 8B общих.
- Режим рассуждений и вызов функций — умеет думать пошагово перед ответом (
enable_thinking=True), поддерживает рольsystemи нативный function calling для создания агентов. - Длинный контекст и языки — окно контекста до 128K токенов, предобучение на 140+ языках и работа из коробки с 35+ языками.
- Открытая лицензия — распространяется под свободной лицензией Apache 2.0, доступна в базовой и инструктивной (
-it) версиях.
Что можно сделать
- Локальный голосовой помощник — использовать встроенный аудиоэнкодер для транскрибации речи (ASR) и перевода аудио в текст прямо на устройстве пользователя.
- Парсинг документов и экранов — распознавать рукописный текст, графики, PDF-файлы и элементы пользовательского интерфейса (UI) в локальных скриптах автоматизации.
- Автономный агент с инструментами — подключить модель через
transformersс использованием нативного function calling и системных промптов для выполнения цепочек задач.
Пример
from transformers import AutoProcessor, AutoModelForMultimodalLM
MODEL_ID = "google/gemma-4-E4B-it"
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(MODEL_ID, dtype="auto", device_map="auto")
messages = [{"role": "user", "content": "Write a short joke about saving RAM."}]
inputs = processor.apply_chat_template(messages, tokenize=True, return_dict=True, return_tensors="pt", add_generation_prompt=True).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256)Подробнее
Бенчмарки (версия -it): MMLU Pro — 69.4%, MMMLU — 76.6%, LiveCodeBench v6 — 52.0%, MATH-Vision — 59.5%, FLEURS (аудио, ниже — лучше) — 0.08.Архитектура: 8B параметров всего (4.5B эффективных), ~150M в вижн-энкодере и ~300M в аудиоэнкодере, словарь 262K токенов.
Оптимизирована для on-device запуска на ноутбуках и смартфонах, поддерживается в актуальной версии библиотеки
transformers.









Комментарии