gemma-4-31B · GGUF

GGUF builds of google/gemma-4-31B for llama.cpp / Ollama / LM Studio. Converted by axteam with llama.cpp (converted from the BF16 original). This is a base (pre-trained) model with no chat template — use plain text completion.

File	Quant	Size	Notes
`gemma-4-31B-GGUF-BF16.gguf`	BF16	61.4 GB	unquantized 16-bit (reference; for re-quantizing or max quality)
`gemma-4-31B-GGUF-Q4_K_M.gguf`	Q4_K_M	18.7 GB	4-bit, the usual size/quality trade-off — the most common choice
`gemma-4-31B-GGUF-Q8_0.gguf`	Q8_0	32.6 GB	8-bit, closest to BF16 (larger)

Q4_K_M is the usual default (size/quality trade-off). Q8_0 stays closest to BF16. BF16 is the unquantized reference. Measured perplexity is in the table below. Architecture: Gemma 4 · Dense (multimodal; the GGUF text model runs the language side).

Quantization method

These GGUF files are post-training quantization (PTQ) made with llama.cpp — the BF16 weights are quantized block-wise (llama.cpp k-quants: per-block scales with mixed bit-width allocation, a refined round-to-nearest), with no retraining. This is a different toolchain from the AWQ / NVFP4 vLLM builds, and it is not QAT (quantization-aware training, which fine-tunes the weights). Q8_0 stays closest to BF16, Q4_K_M is the usual size/quality trade-off (see the measured perplexity below), and BF16 is the unquantized reference for re-quantizing.

Measured on GPU (llama.cpp)

llama.cpp b12005 (commit e0f142d, CUDA build) on an NVIDIA B200, 2026-11-02, all layers on the GPU: perplexity over 16 windows of 2,048 tokens from the WikiText-2 test set and from a Korean Wikipedia sample (lower is better). Percentages are relative to the BF16 file in this repo.

File	WikiText-2 PPL	Korean wiki PPL	vs BF16 (EN / KO)
`gemma-4-31B-GGUF-BF16.gguf`	4.66	3.30	reference
`gemma-4-31B-GGUF-Q8_0.gguf`	4.67	3.30	+0.1% / -0.0%
`gemma-4-31B-GGUF-Q4_K_M.gguf`	4.79	3.38	+2.8% / +2.5%

16 windows per text is a small sample: differences of a few percent between files are within its sampling noise (re-measuring two repos with 64 windows moved such differences by up to ~19 points).

Requirements


llama.cpp	build ≥ b8637 — architecture `gemma4` needs ≥ b8637, and the commands on this card use `-fa on` (≥ b6325). Run here on 2026-11-02 with b12005 (commit e0f142d, CUDA build) on an NVIDIA B200: every file in this repo loaded with all layers on the GPU, its perplexity was measured (see Measured on GPU above) and a 16-token greedy text-completion check was run (base model, no chat template): every file continued “대한민국의 수도는” with “서울이다. …”, but continued “The capital of France is” with “a city of romance, art, and culture. It is also a city of …” without naming Paris.
Memory	the chosen GGUF file (sizes in the table) plus KV cache for the context (`-c`); `--cache-type-k/v q8_0 -fa on` halves the KV cache.
Input	text only — this repo has no `mmproj` (vision projector) file.
Ollama / LM Studio	not tested here.

Run with llama.cpp

# download one file (e.g. Q4_K_M) then:
llama-server -m gemma-4-31B-GGUF-Q4_K_M.gguf -c 8192
# or raw text completion (no chat template):
llama-completion -m gemma-4-31B-GGUF-Q4_K_M.gguf -no-cnv -p "대한민국의 수도는?" -n 128

Reduce KV-cache memory (optional, run-time)

KV-cache type is a run-time choice in llama.cpp (not baked into the file). Halve it with:

llama-server -m gemma-4-31B-GGUF-Q4_K_M.gguf --cache-type-k q8_0 --cache-type-v q8_0 -fa on

Ollama

ollama run hf.co/axteam/gemma-4-31B-GGUF:Q4_K_M

Recommended sampling (per Google): temperature=1.0, top_p=0.95, top_k=64.

License

Quantized derivative of Google's Gemma 4 — governed by the Gemma 4 license. Weights and tokenizer belong to Google DeepMind.

한국어 요약

google/gemma-4-31B의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

항목	내용
원본 모델	`google/gemma-4-31B`
형식	GGUF (llama.cpp)
변환 도구	llama.cpp `convert_hf_to_gguf.py` → `llama-quantize`
모델 구조	Gemma 4 · Dense (원본은 멀티모달, GGUF는 언어 모델 부분만 실행)
모델 유형	사전학습 base 모델 — chat template 없음, 텍스트 이어쓰기 전용
파일 수	3개

양자화 상세

양자화 절차: PTQ(학습 후 양자화, 재학습 없음), llama.cpp 블록 단위 양자화(k-quant Q*_K, Q8_0)
chat template: 없음 — 사전학습 base 모델, 텍스트 이어쓰기 전용
품질(실측, 2026-11-02): llama.cpp PPL(WikiText-2·한국어 위키 표본, 2,048토큰×16, B200 GPU, 낮을수록 좋음, 비교 기준은 리포의 BF16 파일) — gemma-4-31B-GGUF-BF16.gguf 영어 4.66·한국어 3.30 · gemma-4-31B-GGUF-Q8_0.gguf 영어 4.67·한국어 3.30(BF16 대비 +0.1%·-0.0%) · gemma-4-31B-GGUF-Q4_K_M.gguf 영어 4.79·한국어 3.38(BF16 대비 +2.8%·+2.5%) — 텍스트당 16청크라 파일 사이 몇 % 차이는 표본 흔들림 범위

제공 파일

파일	크기	설명
`gemma-4-31B-GGUF-BF16.gguf`	61.4 GB	양자화하지 않은 16비트 — 기준 파일 (재양자화용·최고 품질)
`gemma-4-31B-GGUF-Q4_K_M.gguf`	18.7 GB	4비트 — 크기·품질 균형, 가장 많이 쓰는 선택
`gemma-4-31B-GGUF-Q8_0.gguf`	32.6 GB	8비트 — BF16에 가장 가까움, 용량 큼

요구사항

llama.cpp: b8637 이상 (gemma4 구조 지원 b8637부터, 예시 명령의 -fa on 옵션 b6325부터)
실행 확인: 2026-11-02 b12005(커밋 e0f142d) CUDA 빌드로 NVIDIA B200에서 이 리포의 모든 파일을 전 층 GPU에 올려 실행 — PPL 측정(위 영어 본문 표), 16토큰 이어쓰기 점검(base 모델, chat template 없음) — 모든 파일이 “대한민국의 수도는”을 “서울이다. …”로 이었고, “The capital of France is”는 Paris를 말하지 않고 “a city of romance, art, and culture. It is also a city of …”로 이음
메모리: 선택한 GGUF 파일 크기 + 컨텍스트(-c)만큼의 KV 캐시 (KV 캐시 줄이는 방법은 아래 사용법 참고)
입력: 텍스트 전용 — 비전 인코더·투영층 파일(mmproj)이 없어 이미지 입력 불가
Ollama·LM Studio: 제작 측에서 실행 미확인

사용법

파일 받기: hf download axteam/gemma-4-31B-GGUF gemma-4-31B-GGUF-Q4_K_M.gguf --local-dir . (아래 -m 명령에 필요, 다른 양자화는 파일명의 Q4_K_M만 변경)
서버 실행: llama-server -m gemma-4-31B-GGUF-Q4_K_M.gguf -c 8192
텍스트 이어쓰기: llama-completion -m gemma-4-31B-GGUF-Q4_K_M.gguf -no-cnv -p "대한민국의 수도는?" -n 128
Ollama: ollama run hf.co/axteam/gemma-4-31B-GGUF:Q4_K_M
KV 캐시 절감(선택): --cache-type-k q8_0 --cache-type-v q8_0 -fa on — KV 캐시 약 절반, GGUF 파일과 상관없이 실행 시 지정
권장 샘플링: temperature=1.0, top_p=0.95, top_k=64 (Google 권장값)

라이선스

라이선스: Apache-2.0 (Gemma 4 라이선스 안내) — 원본 모델의 라이선스를 그대로 따름
권리: 원본 가중치·토크나이저는 Google DeepMind 소유, 이 리포는 양자화 파생물

axteam/gemma-4-31B-GGUF