К содержимому
Компьютерное зрение

decisio Gemma 4 31B vision weights

весы зрения для Gemma 4 на Apple Silicon

2 мин чтенияобновлено

Это выделенный визуальный энкодер (модуль обработки изображений) от модели google/gemma-4-31B-it от tachara-ai, предназначенный для локального сервера decisio на чипах Apple Silicon. При конвертации моделей в формат MLX (фреймворк Apple для машинного обучения) часто сохраняется только текстовая часть, из-за чего нейросеть теряет способность «видеть» картинки. Этот пакет возвращает поддержку изображений, позволяя подключать один и тот же файл весов к базовой модели и любым её текстовым файнтюнам, так как при дообучении визуальная часть обычно не меняется.

Ключевые особенности

  • Побитовая копия оригинала: файл vision.safetensors объёмом 1.15 ГБ (356 тензоров в формате bf16) без изменений перенесён из google/gemma-4-31B-it и содержит 27-слойный энкодер и проекцию.
  • Автоматическая загрузка: при запуске сервера с флагами --backend mlx --images on decisio сам скачивает весы, проверяет контрольную сумму sha256 и объединяет их с языковой частью.
  • Универсальность для файнтюнов: одного набора весов хватает и для оригинальной Gemma 4 31B, и для любых дообученных версий на её базе.
  • Полная автономность: в репозиторий включён vision_config.json с конфигурацией и ID токенов изображений, что позволяет запускать модель полностью офлайн.

Что можно сделать

  • Вернуть поддержку анализа изображений у MLX-сборок gemma-4-31B-it и её производных на компьютерах Mac с Apple Silicon.
  • Развернуть локальный офлайн-сервер с поддержкой визуальных запросов без повторного скачивания весов для каждого нового файнтюна.

Пример

# Автоматическая загрузка весов при запуске сервера
decisio --backend mlx --images on

# Запуск в офлайн-режиме с локальным файлом
decisio --backend mlx --images on --vision-weights PATH
ПодробнееБазовая модель: google/gemma-4-31B-it (ревизия 842da3794eaa0b77d5f08bae87a17459d91ff475)
Размер и состав: 1.15 ГБ (bf16), 356 тензоров, 27 слоёв энкодера, манифест контрольных сумм vision_manifest.json
Лицензия: Apache 2.0 (наследуется от исходной модели Google)
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.1 GB · готовые файлы1.7 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 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.

    # tachara-ai/decisio-gemma-4-31b-vision
    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 tachara-ai/decisio-gemma-4-31b-vision --local-dir ~/models/decisio-gemma-4-31b-vision
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к decisio-gemma-4-31b-vision
  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. decisio-gemma-4-31b-vision

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

tachara-ai/decisio-gemma-4-31b-vision
Автор
tachara-ai
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

TinyForge-Vision-222M

TinyForge-Vision-222M