google/diffusiongemma-26B-A4B-it
Modelo de visão e linguagem · 26 B de parâmetros · MoE — 1.2 mi downloads e 1.1 mil curtidas no Hugging Face.
O modelo google/diffusiongemma-26B-A4B-it aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de visão e linguagem.
Ficha técnica
- Tarefa: visão e linguagem
- Parâmetros: 26 B (arquitetura MoE)
- Biblioteca:
transformers - Formatos: safetensors
- Licença: Apache 2.0
- Downloads: 1.2 mi · Curtidas: 1.1 mil
Hardware recomendado
Estimativa de VRAM só para carregar os pesos (com ~20% de folga para ativações). Contextos longos consomem memória adicional para o cache de atenção (KV cache).
- Precisão original (16-bit): ~62 GB de VRAM — 1 GPU de data center (80 GB, ex. A100/H100)
- Quantizado 8-bit: ~31 GB de VRAM — 1 GPU profissional (48 GB, ex. A6000) ou 2× 24 GB
- Quantizado 4-bit: ~16 GB de VRAM — 1 GPU high-end (24 GB, ex. RTX 3090/4090)
Por ser um modelo MoE (mixture-of-experts), todos os pesos precisam caber na memória, mas só uma fração é ativada por token — a inferência roda mais rápido do que o tamanho total sugere.
Como rodar localmente
Modelo de visão e linguagem — envie imagem + texto:
pip install -U transformers accelerate torch
from transformers import pipeline
vlm = pipeline("image-text-to-text", model="google/diffusiongemma-26B-A4B-it", device=0)
msgs = [{"role": "user", "content": [
{"type": "image", "url": "https://exemplo.com/foto.jpg"},
{"type": "text", "text": "Descreva a imagem."},
]}]
print(vlm(text=msgs, max_new_tokens=200))Tags
transformers safetensors diffusion_gemma image-text-to-text conversational