К содержимому
Другое

Gemma 4 31B LiLiCorr Drafter

ускоритель генерации для Gemma 4

2 мин чтенияобновлено

Лёгкая черновая модель (draft model) на 2.58B параметров, созданная для ускорения работы крупной языковой модели google/gemma-4-31B-it с помощью спекулятивного декодирования (speculative decoding — метода, при котором маленькая быстрая модель заранее предсказывает несколько токенов, а большая проверяет их за один проход). В основе лежит 5-слойный декодер архитектуры Qwen3 с головой LiLiCorr, обученный с нуля от автора MeganEFlynn. Модель генерирует по 7 спекулятивных токенов за шаг (размер блока 8), позволяя значительно сократить время ожидания ответа без потери качества основной модели. Пригодится разработчикам и владельцам серверов, которые запускают Gemma 4 31B в продакшене через vLLM и хотят выжать максимум скорости генерации.

Ключевые особенности

  • Спекулятивное декодирование: предсказывает блок из 8 токенов (7 спекулятивных за шаг) с жадным выбором (greedy proposal) и верификацией по скрытым состояниям базовой модели.
  • Гибридная архитектура: 5-слойный декодер Qwen3 (hidden 5376, 32 головы, sliding-window attention 2048) в связке с 2-слойной головой LiLiCorr (top-k 8, ширина 1024).
  • Высокая точность предсказаний: на валидации после 0-й эпохи общая точность (full_acc) составила 0.6048, а ожидаемая длина принятой последовательности (lilicorr_eal) достигла 4.7257 токена.
  • Компактный размер: файл весов model.safetensors в формате bf16 занимает всего 5.16 GB.

Что можно сделать

  • Ускорить инференс Gemma 4 31B: подключить модель как draft-модель в поддерживаемой сборке vLLM или через библиотеку speculators для снижения задержек (latency) в чат-ботах и API.
  • Дообучить или протестировать 1-ю эпоху: использовать этот чекпоинт (checkpoint_best после 0-й эпохи) для замеров скорости на своих промптах или дождаться выхода финальной 1-й эпохи.

Пример

Модель не предназначена для самостоятельной генерации текста и запускается только в паре с верификатором google/gemma-4-31B-it. Для запуска в vLLM укажите этот репозиторий как draft-модель с методом draft_model и размером блока 8, предварительно заменив локальный путь к верификатору в config.json на ID модели из Hugging Face Hub.

ПодробнееВалидация (13 925 групп промптов): точность по позициям 1–7 составила 0.8613 / 0.7433 / 0.6528 / 0.5800 / 0.5179 / 0.4636 / 0.4133, loss — 1.4685.
Обучение: 1 774 091 строк (2.14B токенов) из датасета nm-research/gemma-4-31b-it-responses-open-perfectblend, 13 383 шага (эпоха 0 из 2).
Ограничения: требуется библиотека speculators (ветка lilicorr-clean / gemma4-perfectblend-lilicorr-clean) или пропатченный vLLM с регистрацией алгоритма lilicorr.
Обсудить Telegram 1 60

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.8 GB · готовые файлы5.8 GB
  • FP8 / INT8рекомендуемвеса 2.4 GB3.1 GB
  • 4-bitвеса 1.4 GB2.0 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.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

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.

    # MeganEFlynn/gemma-4-31b-it-lilicorr-drafter
    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 MeganEFlynn/gemma-4-31b-it-lilicorr-drafter --local-dir ~/models/gemma-4-31b-it-lilicorr-drafter
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gemma-4-31b-it-lilicorr-drafter
  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-4-31B-it
  1. gemma-4-31Bоснова семьи
  2. gemma-4-31B-it
  3. gemma-4-31b-it-lilicorr-drafter

Новые посты про версии gemma-4-31B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
Слияния 3Все на Hugging Face

О модели

MeganEFlynn/gemma-4-31b-it-lilicorr-drafter
Автор
MeganEFlynn
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

601

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии