🚀 gemma-3-4b-it-GPTQ-4b-128g
このモデルは、gemma-3-4b-itの重みをINT4データ型に量子化することで得られました。この最適化により、パラメータあたりのビット数が16から4に減少し、ディスクサイズとGPUメモリ要件が約75%削減されます。
🚀 クイックスタート
このモデルは、gemma-3-4b-it の重みをINT4データ型に量子化することで得られました。この最適化により、パラメータあたりのビット数が16から4に減少し、ディスクサイズとGPUメモリ要件が約75%削減されます。
✨ 主な機能
モデル概要
このモデルは、gemma-3-4b-it の重みをINT4データ型に量子化することで得られました。この最適化により、パラメータあたりのビット数が16から4に減少し、ディスクサイズとGPUメモリ要件が約75%削減されます。
language_model
トランスフォーマーブロック内の線形演算子の重みのみが量子化されます。ビジョンモデルとマルチモーダル投影は元の精度のままです。重みは、グループサイズ128の対称的なグループごとのスキームを使用して量子化されます。量子化にはGPTQアルゴリズムが適用されます。
モデルのチェックポイントは、compressed_tensors 形式で保存されます。
評価
このモデルは、OpenLLM v1ベンチマークで評価されました。モデルの出力は、vLLM
エンジンを使用して生成されました。
モデル |
ArcC |
GSM8k |
Hellaswag |
MMLU |
TruthfulQA-mc2 |
Winogrande |
平均 |
回復率 |
gemma-3-4b-it |
0.6084 |
0.7528 |
0.7497 |
0.5832 |
0.5189 |
0.7072 |
0.6534 |
1.0000 |
gemma-3-4b-it-INT4 (このモデル) |
0.5879 |
0.7210 |
0.7358 |
0.5650 |
0.4863 |
0.6811 |
0.6295 |
0.9635 |
再現方法
結果は、以下のコマンドを使用して得られました。
MODEL=ISTA-DASLab/gemma-3-4b-it-GPTQ-4b-128g
MODEL_ARGS="pretrained=$MODEL,max_model_len=4096,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.80"
lm_eval \
--model vllm \
--model_args $MODEL_ARGS \
--tasks openllm \
--batch_size auto
使用例
基本的な使用法
-
transformers
でこのモデルを使用するには、パッケージをGemma3の安定リリースに更新します。
pip install git+https://github.com/huggingface/transformers@v4.49.0-Gemma-3
-
vLLM
でこのモデルを使用するには、パッケージをこの PR 以降のバージョンに更新します。
以下は、transformersを介した推論の例です。
from transformers import AutoProcessor, Gemma3ForConditionalGeneration
from PIL import Image
import requests
import torch
model_id = "ISTA-DASLab/gemma-3-4b-it-GPTQ-4b-128g"
model = Gemma3ForConditionalGeneration.from_pretrained(
model_id, device_map="auto"
).eval()
processor = AutoProcessor.from_pretrained(model_id)
messages = [
{
"role": "system",
"content": [{"type": "text", "text": "You are a helpful assistant."}]
},
{
"role": "user",
"content": [
{"type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"},
{"type": "text", "text": "Describe this image in detail."}
]
}
]
inputs = processor.apply_chat_template(
messages, add_generation_prompt=True, tokenize=True,
return_dict=True, return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)
input_len = inputs["input_ids"].shape[-1]
with torch.inference_mode():
generation = model.generate(**inputs, max_new_tokens=100, do_sample=False)
generation = generation[0][input_len:]
decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)
📄 ライセンス
gemma