Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

diffusiongemma-26B-A4B-it

Google · google/diffusiongemma-26B-A4B-it

Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos

Informado pelo publicador15 resultadosFicha de Google · lida em 2026-10-25 · sem ranking · ver
Memória necessária~20 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros25,8 BTotal de safetensors no Hub
Repositório atualizado2026-07-15Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

15 resultados · ficha de Google · lida em 2026-10-25
MMLU Pro
77,6%
AIME 2026 no tools
69,1%
LiveCodeBench v6
69,1%
Codeforces ELO
1.429
GPQA Diamond
73,2%
Tau2 (average over 3)
56,2%
HLE no tools
11,0%
HLE with search
11,9%
Todos os resultados informados15
BigBench Extra Hard
47,6%
MMMLU
81,5%
MMMU Pro
54,3%Vision
OmniDocBench 1.5 (average edit distance, lower is better)
0,319Vision
MATH-Vision
70,5%Vision
MedXPertQA MM
49,0%Vision
MRCR v2 8 needle 128k (average)
32,0%Long Context

Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Benchmark Results); coluna “DiffusionGemma 26B A4B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo

Roda em

Cabe na memória rápida 48

A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.

Mostrar todos os 48

Na memória, fora da parte rápida 45

Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.

Mostrar todos os 45

Falta um degrau de memória 9

As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.

Mostrar todos os 9

Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.

Considere para

Google lançou diffusiongemma-26B-A4B-it em 2026-06-10: um modelo de visão e linguagem que responde sobre imagens, com 25,8B parâmetros pela contagem do Hugging Face e licença Apache 2.0.

Confira antes

Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 19,3 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.

Velocidade medida

Nenhuma medição publicada para este checkpoint

Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.

Como rodar

Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.

Biblioteca na fonte: transformers

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Preparação indicada antes pela fonte · Transformers
pip install -U transformers torch accelerate
Transformers · ficha do modelo · Getting Started
from transformers import DiffusionGemmaForBlockDiffusion, AutoProcessor

MODEL_ID = "google/diffusiongemma-26B-A4B-it"

# Load model
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = DiffusionGemmaForBlockDiffusion.from_pretrained(
    MODEL_ID,
    dtype="auto",
    device_map="auto",
)
Transformers · ficha do modelo · Getting Started
# Prompt
message = [
    {"role": "user", "content": "Why is the sky blue?"}
]

# Process input
input_ids = processor.apply_chat_template(
    message,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)
output = model.generate(**input_ids, max_new_tokens=512)

# Parse output
text = processor.decode(output[0], skip_special_tokens=False)

Escolher meu computador

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Tarefa
image-text-to-text
Arquitetura
DiffusionGemmaForBlockDiffusion
Biblioteca na fonte
transformers
Licença dos pesos
Apache 2.0google/diffusiongemma-26B-A4B-it model card (Hugging Face: "License: Apache 2.0") · consultado em 2026-10-19fonte
Uso comercial
Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
Lançamento
Introducing DiffusionGemma (publisher announcement; meta article:published_time) · consultado em 2026-10-19fonte
Todos os campos guardados11 campos
Revisão conferida
f7f5b7f5fa82ffc52addd066915886d497f5517b
Arquitetura
DiffusionGemmaForBlockDiffusion
Biblioteca
transformers
Tag de tarefa no Hub
image-text-to-text
Formatos
transformers, safetensors
Acesso
Download aberto
Tipo de publicador
Oficial
Repositório criado
2026-06-09criação não é o lançamento do modelo
Repositório atualizado
2026-07-15um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
633.036 · 1.312só este repositório · lido em 2026-10-25
Estado no catálogo
Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário

Fontes

Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.

Fatos curados verificados: 2026-10-19. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.