К содержимому
Компьютерное зрение

Gemma 4 31B-it Thinkless R2

ускорение ответов за счет арифметики весов

2 мин чтенияобновлено

Модификация базовой модели google/gemma-4-31B-it, созданная путем прямой работы с весами без дополнительного обучения. В этой версии выходной слой отделен от входных эмбеддингов (tie_word_embeddings: false), а к токену окончания размышлений добавлен специальный вектор, что позволяет уменьшить избыточные рассуждения модели. Такой подход снижает объем генерируемых токенов и ускоряет получение ответов, сохраняя точность на задачах вопросно-ответного типа. Модель подойдет исследователям и разработчикам, которым важна скорость работы больших языковых моделей (LLM) без долгого процесса генерации мыслей.

Ключевые особенности

  • Создана на базе google/gemma-4-31B-it без этапа повторного обучения.
  • Изменены веса выходного слоя и добавлен вектор к токену завершения мысли (end-of-thinking token).
  • Уменьшает количество токенов на правильный ответ до 0.638x при нулевой температуре.

Что можно сделать

  • Использовать для эффективных вопросно-ответных систем (question answering), где требуется быстрый результат.
  • Запускать через движок vLLM для тестирования оптимизированной генерации текста.

Пример

Пример промпта для модели: «Объясните основные принципы работы термодинамики простыми словами». Модель выдаст корректный ответ быстрее и с меньшим количеством промежуточных «мыслей», чем стандартная версия Gemma 4 с включенным полным циклом рассуждений.

ПодробнееБенчмарки при температуре 0: токены на правильный ответ — 0.638x, точность — +0.05 пункта.
Ограничения: падает точность в многошаговом вызове инструментов (BFCL v4) и в LiveCodeBench.
Аппаратные требования: запуск в FP8 на загрузке (например, на GPU NVIDIA B200 через движок vLLM).
Обсудить Telegram 0 7

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 61 GB · готовые файлы67 GB
  • FP8 / INT8рекомендуемвеса 30 GB34 GB
  • 4-bitвеса 17 GB19 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: В домашние видеокарты не поместится — выгоднее арендовать.

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.

    # omunaman/gemma-4-31b-it-thinkless-r2
    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 omunaman/gemma-4-31b-it-thinkless-r2 --local-dir ~/models/gemma-4-31b-it-thinkless-r2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gemma-4-31b-it-thinkless-r2
  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-thinkless-r2

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

omunaman/gemma-4-31b-it-thinkless-r2
Автор
omunaman
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

70

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

bison-1

bison-1