AI图鉴

AI图鉴首页 › AI 资讯 › Gemma-4-26B-A4B,同样精准的思维减少39-69%

Gemma-4-26B-A4B,同样精准的思维减少39-69%

来源:Hacker News · 发布时间:10-23 · 由 AI图鉴每小时自动聚合

文章 URL: https://bottlecapai.com/post/thinkingcap-gemma-4-26b/ 评论 URL: https://news.ycombinator.com/items?id=50209907 要点:35# 评论:0

2026年10月23日 —— 9分钟读数

思维能力:Gemma-4-26B-A4B——最高达69%,平均减少39%,准确性不变

TL;数据

这是"思考卡普"系列的第五个模型。 我们减少了Google的gemma-4-26B-A4B-it认为的多少,同时不损害其答案的质量。

- 思维信号减少69.1%,平均为38.9%,精确度为0.15pp

- 关于Google模型的第一个思考卡普,以及迄今为止任何思考卡普的最小精度成本

- 循环率从原模型的3.6%下降到我们0.8%

- 相同的采样设置(考虑温度1.0,顶 p0.95),相同的服务堆栈(vLLM),滴入替换

思考PRO:想要更高的效率吗?这个模式的PRO版本使用的思维符最多减少87.6%,平均为62%. 更快的答案和较低的推论成本。 联系我们企业@bottlecapai.com.

我们的第五个思维能力

迄今为止,我们已公布了四个具有象征效率的模型:Thinking Cap-Qwen3.6-27B, Thinking Cap-Qwen3.8-27B, Thinking Cap-NVIDIA-Nemotron-3.5-Lightning-30B-A3B和 Thinking Cap: Qwen3.8-Flash-Next.

gemma-4-26B-A4B是Google稀疏的专家混合体——26B参数,每个符號有约4B活性。 这是继Qwen和NVIDIA之后,我们把这项工作应用到第三个模范家庭。 关于这一点,我们付出了额外的努力来保持准确性:思维平均下降了38.9%,其精确度只有0.15pp,这比大部分套房的运行间隔要小。

最初的模型和思维卡普模型的视频比较,也是由同样的输入所激发的。

两个模型运行在相同的硬件上,并使用相同的推论设置。

培训目标

我们从gemma-4-26B-A4B-it开始。 目标是减少获得答案的代币开支,而改变一切:保存知识、推理能力、回答质量、遵循指示和安全行为。

结果

每个任务家族的精确度,gemma-4-26B-A4B-it 与 Thinking Cap 模型相对应

准确度几乎不会在任何家庭内移动,在两个家庭内,精确度会上升。 指令和代理收益0.65pp和数学收益0.39pp;代码为0.02pp;知识和推理费用为0.51pp和长文本及多式联运0.92pp。

gemma-4-26B-A4B-it 与 Thinking Cap 模型相对应

思想是变化所在,每个家庭都会变短。 长文本和多式联运减少最多,为54.4%,然后知识和推理减少44.4%,数学减少36.1%,代码减少27.6%;后续教学和代理教学减少至少17.2%。 12个基准测试的平均数为38.9%。

每行都是最初的BF16对抗"思维卡普"模型,运行在相同的吊带上,在相同的问题上设置相同。 准确度是种子的平均值,± 95% 的置信间隔与种子之间的传播。 最后一行的每个单元格都是12个基准测试的平均数,每个单元格都计算一次——所以,这意味着认为十二个减少的平均值是存在的,而不是旁边两个象征性数字的比例,即38.5%。 同样的区别也适用于上面的家庭栏杆,这些栏杆是每个家庭的平均标志。 在"2"下方,思考符号是每个任务,概括在展开的转折,而不是每个响应。 栏定义见评价方法。

十二部中的每一部都变短了最深层的削减是Long Bench v2(−69.1%)、AA-LCR(−59.3%)和MMLU-Pro(−49.1%);最浅的IF Bench(−13.7%)和 2(−20.8%)。 两条浅行是两人的作品最不注重长短思考:遵循格式限制列表,通过正确的工具调用应用固定客户服务政策。

在准确性方面,大部分结果都是在噪声中:在十二位中的八位上,空隙比跑向散射小,十二位中的五位先于原型出场。 超出间隔的4个是IF Bench(+1.83pp,有利于我们)、GPQA-Diamond(−0.96pp)、MMMLU(−0.66pp)和AA-LCR(−4.00pp)。 AA-LCR是套房中真正的成本。

套房的循环会改善最初的模型循环了3.64%的回复,而我们的回复是0.76%,在它循环最多的三个基准测试,AIME 2026、HMMT Nove 25和HMMT Feb 26,比率从5.5%、8.6%和17.0%下降到0.9%、1.2%和4.5%。

精确度与思考预算,两种模式

从左到右读,这就是一个部署实际提出的问题:每个问题一个特定的象征性预算,你能得到多少准确性?思考 Cap的曲线坐落在原来的模型之上,穿过整个范围的中间——对于一个较小的预算来说,精确度是一样的——一旦预算足够宽,两个模型都不受它的限制,两者就会汇合。

评价方法

理性模型很吵,无法评估在1.0的推荐温度下反应移动的内容和长度运行,所以一个单一的种子告诉你很少。 低于每基准测试的每件东西都是多个种子,准确度报告为平均值,种子间置信度为95%.

双方同跑。 最初的模型和我们的模型都由同样的绳索评估具有相同的采样和服务环境最初的模型是由我们测量的,没有引用已公布的数字。 配置:

我们的内部评估套房在VLLM上运行两个模型

- 上下文——每基准测试每回65 536个信使,每转2 字箱每回65 536个信使。

- 取样——思考;温度1.0,最高0.95,最高 k 64. 我们的继承Google推荐的预设不变,因此比较中没有任何部分是解码变化。

- 精确度 – 平均跨种子的平均值为 95% t 间距,称仅在采样种子发生变化时,答案会移动多远。

- 种子——64种,关于AIME 2026年、HMMMT 2025年11月和HMMT 2月2026年;32种,关于GPQA-Diamond和LiveCode Bench;16种,关于Real WorldQA、IF Bench和\2 bench;8种,关于AA-LCR和Long Bench v2;4种,关于MMLU-Pro和MMMMLU,它们的问题数足够大,因此问题取样不是有限的噪音。

- 问题集——AIME 2026(30个问题)、HMMMT 2025(30)、HMMMT Feb 2026(33)、LiveCode Bench(175)、GPQA-Diamond(198)、MMLU-Pro(12 032)、MMLU(9 996)、AA-LCR(100)、Long Bench v2(370)、RealWorldQA(765)、IF Bench(300)和\bench(278项航空、零售和电信任务)。

- 分数——在提取的答案上精确匹配,但LiveCode Bench除外,其生成的代码运行在问题的测试上;IF Bench,其程序验证器得分;以及'2-bench和AA-LCR,这些被判断。 \\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\

纵队是什么意思?

- 准确度(基数)/准确度(我们)——如上;准确度是它们之间的差别,以百分比计。

- QQ 意思是思考——头条:思考符号的变化,在基准测试之间总和,并按其问数除以,所以一个长的问题重超过一个短的问题。

- 平庸的思维符号是推理结束前的符号,平均在基准测试的每一个问题和种子上,写我们的基础。

- 截断%——其思维从未结束,得分为零的回复比例。 循环% — 一个基于压缩的循环探测器所捕获的共享,它会标出一个其文本压缩远超普通流派所做反应的响应。

拿模型来

您可以在此找到模型:bottlecapai/ Thinking Cap-gemma-4-26B-A4B-it, GGUF 建置同时发布。

联系我们

有什么问题吗?或你想要承受的工作量?

发邮件到 Hey@bottlecapai.com

思考PRO:想要更高的效率吗?这个模式的PRO版本使用的思维符最多减少87.6%,平均为62%. 更快的答案和较低的推论成本。 联系我们企业@bottlecapai.com.

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(bottlecapai.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 588 款 AI 工具分类导航 · 每日 AI 热门项目与动态