gemma-4-E4B-it · GGUF

GGUF builds of google/gemma-4-E4B-it for llama.cpp / Ollama / LM Studio. Converted by axteam with llama.cpp (converted from the BF16 original; the chat template is embedded in the GGUF).

Q4_K_M is the usual default (size/quality trade-off). Q8_0 stays closest to BF16. BF16 is the unquantized reference. Measured agreement with the BF16 file 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 agreement 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, 16 windows of 2,048 tokens from the WikiText-2 test set and from a Korean Wikipedia sample. Raw-text perplexity of this instruction-tuned checkpoint is very high (the BF16 file scores 52 on WikiText-2 without its chat template), so it says little about quantization loss; each quantized file is compared with the BF16 file on the same tokens instead: mean KL divergence (lower = closer) and how often both pick the same top-1 token, for each quantized file.

These figures are measured on the same raw text without the chat template, on which the BF16 file itself is far off (WikiText-2 perplexity 52), so they show how far the quantized files' predictions drift in that off-template setting — not chat quality.

Requirements

Run with llama.cpp

# download one file (e.g. Q4_K_M) then:
llama-server -m gemma-4-E4B-it-GGUF-Q4_K_M.gguf -c 8192
# or a single answer and exit (-st):
llama-cli   -m gemma-4-E4B-it-GGUF-Q4_K_M.gguf -p "대한민국의 수도는?" -st

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-E4B-it-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-E4B-it-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, tokenizer, and chat template belong to Google DeepMind.

---

한국어 요약

google/gemma-4-E4B-it의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

양자화 상세

• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), llama.cpp 블록 단위 양자화(k-quant Q*_K, Q8_0)
• chat template: GGUF 파일에 내장
• BF16 일치도(실측, 2026-11-02): 양자화 파일마다 BF16 파일과의 일치도(같은 텍스트 영어/한국어 2,048토큰×16, llama.cpp KL divergence 평균·top-1 토큰 일치율, B200 GPU) — gemma-4-E4B-it-GGUF-Q4_K_M.gguf KLD 0.2869/0.2628, top-1 일치 79.3%/81.4% · gemma-4-E4B-it-GGUF-Q8_0.gguf KLD 0.0067/0.0059, top-1 일치 97.0%/97.2% (chat template 없는 같은 텍스트에서 잰 값 — BF16 파일 자체도 WikiText-2 PPL이 52로 매우 높은 조건이라 채팅 품질이 아니라 그 조건에서 예측이 BF16과 얼마나 달라지는지를 나타냄)

제공 파일

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 — 양자화 파일과 BF16 파일의 일치도 측정(위 영어 본문 표), 모든 파일에서 짧은 질문 2개(프랑스·대한민국 수도)에 바르게 답함
• 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-E4B-it-GGUF gemma-4-E4B-it-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-E4B-it-GGUF-Q4_K_M.gguf -c 8192
• 한 번 질문 (답변 후 종료): llama-cli -m gemma-4-E4B-it-GGUF-Q4_K_M.gguf -p "대한민국의 수도는?" -st
• Ollama: ollama run hf.co/axteam/gemma-4-E4B-it-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·토크나이저·chat template은 Google DeepMind 소유, 이 리포는 양자화 파생물