Gemma 4

Os modelos do Gemma 4 foram projetados para oferecer desempenho de ponta em cada tamanho, com foco em cenários de implantação de dispositivos móveis e de borda (E2B, E4B) a GPUs e estações de trabalho de consumo (26B A4B, 31B). Eles são adequados para raciocínio, fluxos de trabalho baseados em agentes, programação e compreensão multimodal.

O Gemma 4 é licenciado pela licença Apache-2.0. Para mais detalhes, consulte o cartão do modelo Gemma 4.

🔴 Novidades: previsão de vários tokens

A previsão de vários tokens (MTP, na sigla em inglês) é uma nova otimização de desempenho que acelera significativamente as velocidades de decodificação em back-ends de CPU e GPU sem degradação da qualidade.

  • Ganhos de desempenho:
    • GPU:aceleração massiva, oferecendo até 2,2 vezes mais velocidade de decodificação em GPUs móveis.
    • CPU:aumento de desempenho de até 1,5 vezes a velocidade em CPUs móveis e aceleração significativa em hardware ativado para PMEs (por exemplo, MacBooks M4).
  • Recomendações:a MTP é recomendada universalmente para todas as tarefas em back-ends de GPU e para o modelo Gemma4-E4B na CPU. Para o modelo Gemma4-E2B na CPU, ela é muito útil para tarefas de reescrita, resumo e programação, mas precisa ser ativada seletivamente, já que pode causar uma pequena desaceleração durante solicitações de formato livre ou tarefas generativas.

Para testar, consulte os guias específicos da plataforma:

Começar

Converse com o Gemma4-E2B, hospedado na comunidade Hugging Face LiteRT.

uv tool install litert-lm

litert-lm run  \
  --from-huggingface-repo=litert-community/gemma-4-E2B-it-litert-lm \
  gemma-4-E2B-it.litertlm \
  --prompt="What is the capital of France?"

Implantar a partir de Safetensors

Siga estas etapas para implantar o Gemma 4 a partir dos seus safetensors personalizados (por exemplo, depois de ajustar o modelo para seu caso de uso):

  • Converta para um formato .litertlm:

    uv tool install litert-torch-nightly

litert-torch export_hf \
  --model=google/gemma-4-E2B-it \
  --output_dir=/tmp/gemma4_2b \
  --externalize_embedder \
  --jinja_chat_template_override=litert-community/gemma-4-E2B-it-litert-lm

  • Implante usando as APIs multiplataforma do LiteRT-LM:

    litert-lm run  \
  /tmp/gemma4_2b/model.litertlm \
  --prompt="What is the capital of France?"

Resumo da performance

Gemma-4-E2B

  • Tamanho do modelo: 2,58 GB

  • Outros detalhes técnicos estão no card de modelo HuggingFace

    Plataforma (dispositivo) Back-end Pré-preenchimento (tk/s) Decodificação (tk/s) Tempo até o primeiro token (segundos) Memória máxima da CPU (MB)
    Android (S26 Ultra) CPU 557 47 1,8 1733
    GPU 3808 52 0,3 676
    iOS (iPhone 17 Pro) CPU 532 25 1,9 607
    GPU 2878 56 0,3 1.450
    Linux (Arm 2.3 e 2.8 GHz, NVIDIA GeForce RTX 4090) CPU 260 35 4 1628
    GPU 11234 143 0,1 913
    macOS (MacBook Pro M4) CPU 901 42 1,1 736
    GPU 7835 160 0,1 1623
    IoT (Raspberry Pi 5 16GB) CPU 133 8 7,8 1546

Gemma-4-E4B

  • Tamanho do modelo: 3,65 GB

  • Outros detalhes técnicos estão no card de modelo HuggingFace

    Plataforma (dispositivo) Back-end Pré-preenchimento (tk/s) Decodificação (tk/s) Tempo até o primeiro token (segundos) Memória máxima da CPU (MB)
    Android (S26 Ultra) CPU 195 18 5,3 3283
    GPU 1293 22 0,8 710
    iOS (iPhone 17 Pro) CPU 159 10 6,5 961
    GPU 1189 25 0,9 3380
    Linux (Arm 2.3 e 2.8 GHz / RTX 4090) CPU 82 18 12,6 3139
    GPU 7260 91 0,2 1119
    macOS (MacBook Pro M4 Max) CPU 277 27 3,7 890
    GPU 2560 101 0,4 3217
    IoT (Raspberry Pi 5 16GB) CPU 51 3 20,5 3069