Card: supported PCs incl. Panther Lake

bef2ec5 verified 4 days ago

6.42 kB

license: apache-2.0
base_model: google/gemma-4-E4B-it
pipeline_tag: image-text-to-text
library_name: openvino
tags:
  - openvino
  - npu
  - intel
  - intel-npu
  - gemma4
  - onw
language:
  - ja
  - en

gemma-4-E4B-it for onw — Intel NPU だけで動く（テキスト＋画像）

日本語 | English

google/gemma-4-E4B-it を **onw**（俺のNPUがこんなに動くわけない）用に変換したモデルです。onw は LLM を Intel NPU だけで動かすエンジンで、このリポジトリにはモデルだけが入っています（エンジンは別にダウンロードします）。

テキストと画像に対応。単独版 ryugyosoft/gemma-4-E4B-it-npu と同じ検証済みの NPU グラフを、共通エンジンで動かします。

私たちの知る限り、画像エンコーダーと層ごとの埋め込みまで含めて Gemma 4 全体を NPU で動かす公開実装は onw が初めてです（2026 年 9 月、Fable 5.1 調べ。Intel 公式の OpenVINO GenAI は画像エンコーダーを CPU で動かし、他の公開例はテキストのみです）。

NPU 3720（Core Ultra 9 285HX）
入力	テキスト＋画像
生成速度	7.2 tok/s（先読み検証あり、出力は通常生成と同一）
プロンプト処理	画像＋質問 284 トークン：画像 1.9 秒＋処理 2.0 秒（64 トークン版、RAM 24 GB 以上）
ダウンロード	4.3 GB
使用メモリ（読み込み後の作業セット）	約 6 GB（画像処理中 8.5 GB）
初回起動（NPU 向けコンパイル）／2 回目以降	約 4 分／約 20 秒

対応 PC：NPU 付きの Intel Core Ultra（シリーズ 1／2：Meteor Lake・Arrow Lake・Lunar Lake、シリーズ 3：Panther Lake）、Windows 11 または Ubuntu 22.04 以降。上の数値はテスト機（NPU 3720）での実測で、NPU やメモリ量によって変わります。

使い方

onw（エンジン）を入れます。 まだの場合は、onw の「インストール」のとおり 1 行貼るだけです。Windows はスタートメニューで「PowerShell」を開き、次の 1 行を貼って Enter（Ubuntu は onw の README の curl ... | bash）。
```
irm https://huggingface.co/ryugyosoft/onw/resolve/main/install.ps1 | iex
```
タスクトレイの onw アイコンから開く onw ウィンドウ の「モデル」タブで gemma-4-E4B-it を選び、「ダウンロード」を押します（4.3 GB）。
「サーバー」タブでモデルを選んで「ロード」を押します。初回だけ NPU 向けの準備に約 4 分かかります。
「チャット」ですぐ試せます。他のアプリからは OpenAI 互換 API として使えます（base URL は http://localhost:8000/v1）。

「サーバー」タブ「設定」タブ

from openai import OpenAI
c = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
r = c.chat.completions.create(model="gemma-4-E4B-it-onw", messages=[{"role": "user", "content": "こんにちは"}])
print(r.choices[0].message.content)

上級者向け：hf download ryugyosoft/gemma-4-E4B-it-onw で取得したフォルダを onw serve フォルダ で起動することもできます。Git LFS なしの git clone では重みが入らないので使わないでください（onw が検出して止めます）。

バージョン

v2（現在）：デコーダーの重みを 1／16／64 トークン用で共有、層ごとの埋め込み表を INT4 化（9.2 → 4.3 GB、使用メモリ 16.1 → 14.8 GB）。回答は v1 と同じでした。 onw 0.3 以降が必要です。
v1：hf download ryugyosoft/gemma-4-E4B-it-onw --revision v1 --local-dir ... で取り出せます。

ダウンロード量の削減の大半は同じ重みを 1 つにまとめたことによるもので、実行時は NPU がブロックサイズごとにコンパイル済みの重みを持つため、使用メモリの減り方は小さめです。

仕組み

Gemma 4 用に書き換えた静的デコーダー（ヘッド次元 512 のアテンションを 256 幅に分割、マスクはホストで作成）をそのまま取り込んでいます。
埋め込みと 2.7 GB の層ごとの埋め込み表はホストで引きます（表を引くだけなので NPU メモリを使わず、単独版にあった別プロセスも不要）。
出力層は全ブロックサイズで共有する INT8 入力。logit の softcap は NPU コンパイラの不具合を避ける形で組んでいます。
詳しくは onw の技術解説。

ファイル

ファイル	内容
`seg00_S{1,16,64}.xml` + `seg00.bin`	静的デコーダー（1／16／64 トークン用、重みは共有）
`seg01_S*.xml` + `seg01.bin`	出力層と logit softcap
`vision.xml`	静的な画像エンコーダー（280 トークン）
`shared.bin`	INT8 の埋め込み（出力層と共有）、INT4 の層ごとの埋め込み表と ID 変換表
`engine.json`、トークナイザー／設定ファイル	onw 用のメタデータ、元のリポジトリの設定

品質

エキスパートなどはチャネル単位・グループ単位の INT4（四捨五入量子化）です。確認した範囲では最初のトークンの予測は bf16 と一致し、回答は自然ですが、数トークン先から言い回しが元のモデルと分かれることがあります。

ライセンス

Apache 2.0（元モデルと同じ）。重みは元モデルから再量子化・再構成したものです。