К содержимому
Другое

gemma-4-e4b-it-prune_depth_10_awe_sonnet

восстановление сжатой модели через ИИ-агента без обучения

2 мин чтенияобновлено

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.
Обсудить Telegram 0 29

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 14 GB · готовые файлы15 GB
  • FP8 / INT8рекомендуемвеса 6.8 GB8.0 GB
  • 4-bitвеса 3.8 GB4.7 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 5060 Ti 8GB · BF16 — от RTX 5080

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.

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

mrysh/gemma-4-e4b-it-prune_depth_10
  1. gemma-4-E4Bоснова семьи
  2. gemma-4-E4B-it
  3. gemma-4-e4b-it-prune_depth_10
  4. gemma-4-e4b-it-prune_depth_10_awe_sonnet

Новые посты про версии gemma-4-E4B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face

О модели

mrysh/gemma-4-e4b-it-prune_depth_10_awe_sonnet
Автор
mrysh
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии