К содержимому
Другое

gemma-4-E2B-it-gf5

экспериментальная GF(5)-квантизация для Gemma 4

2 мин чтенияобновлено

Это экспериментальная версия модели google/gemma-4-E2B-it от пользователя neuralworm, сжатая с помощью редкого формата квантизации GF(5) — пятиричной системы с состояниями {−2, −1, 0, 1, 2}. Такой подход уменьшает объём весов на диске и снижает потребление видеопамяти с ~10 ГБ до ~4,4 ГБ. Чтобы модель не теряла стабильность полностью, автор применил гибридную схему: чувствительные слои (Attention-проекции и гейты) оставлены в точном формате bf16, а MLP и таблицы эмбеддингов упакованы в три остаточных уровня GF(5). Подойдёт исследователям и разработчикам, которым интересен разбор нестандартных форматов сжатия и написание кастомных ядер под Triton.

Ключевые особенности

  • Гибридная архитектура сжатия: критически важные слои остаются в bf16, тогда как тяжёлые MLP-блоки и таблица Per-Layer-Embedding (4,7 ГБ) упакованы в 3-уровневый GF(5) и распаковываются построчно.
  • Снижение требований к памяти: вес на диске сократился с 10,25 ГБ до 6,23 ГБ (в 1,64 раза), а потребление VRAM при загрузке и генерации упало примерно до 4,4 ГБ.
  • Кастомные Triton-ядра: модель не запускается стандартным AutoModel.from_pretrained, поэтому в репозиторий включены собственные модули gf5_runtime.py, gf5_gemv.py (для декодинга) и gf5_gemm.py (для prefill).
  • Честные замеры артефактов: автор прямо указывает, что квантизация не является без потерь — при генерации встречаются склеенные слова и повторы, поэтому для продакшена лучше использовать оригинал в bf16.

Что можно сделать

  • Изучить работу Triton-ядер: разобрать исходники gf5_gemv.py и gf5_gemm.py для понимания того, как реализуется распаковка 13 пятиричных значений из uint32 на GPU.
  • Провести эксперименты с квантизацией: использовать готовый рантайм и манифест gf5_manifest.json для тестирования гибридных схем сжатия и сравнения скорости с режимом отладки PX_GF5_NO_KERNEL=1.
  • Запустить на видеокарте с малым объёмом VRAM: протестировать поведение gemma-4-E2B-it на GPU уровня RTX 2060 с потреблением около 4,4 ГБ памяти.

Пример

from transformers import AutoTokenizer
from gf5_runtime import load_gf5_model

tok = AutoTokenizer.from_pretrained("neuralworm/gemma-4-E2B-it-gf5")
model = load_gf5_model(".", device="cuda")  # путь к локальному репозиторию
ПодробнееСкорость на RTX 2060 (12 GB): Decode ~5 tok/s (против ~18 tok/s в bf16), Prefill ~150 tok/s (против ~1000 tok/s в bf16).
Логит-паритет на 3 промптах: Cosine 0,997 / 0,997 / 0,999, совпадение Top-1 — 3/3, относительная L2-ошибка весов — 0,045.
Требования и ограничения: нужны PyTorch, Transformers, Safetensors, Triton и видеокарта с CUDA; при генерации возможны текстовые артефакты.
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.6 GB · готовые файлы4.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB2.5 GB
  • 4-bitвеса 1.0 GB1.6 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.

    # neuralworm/gemma-4-E2B-it-gf5
    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 neuralworm/gemma-4-E2B-it-gf5 --local-dir ~/models/gemma-4-E2B-it-gf5
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gemma-4-E2B-it-gf5
  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-E2B-it
  1. gemma-4-E2Bоснова семьи
  2. gemma-4-E2B-it
  3. gemma-4-E2B-it-gf5

Новые посты про версии gemma-4-E2B — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

neuralworm/gemma-4-E2B-it-gf5
Автор
neuralworm
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Gemma 4 26B A4B

Gemma 4 26B A4B
Другое

OCEAN-S2

OCEAN-S2