NeveAI/Neve-Echo-S3-4B-QAT-GGUF overview

---

library_name: transformers

license: apache-2.0

license_link: https://ai.google.dev/gemma/docs/gemma_4_license

pipeline_tag: image-text-to-text

base_model: google/gemma-4-E4B-it-qat-q4_0-unquantized

tags:

- NeveAI

- Neve

- EchoS

---

<div align="center">

<img src="https://cdn-uploads.huggingface.co/production/uploads/68a3ba234a7dfca33d72eee2/uEgq1cKh6eWYsyWKbcqch.png" width="50%">

</div>

<h1 align="center">Neve-Echo-S3-4B-QAT-GGUF</h1>

<div align="center">

<a href="https://github.com/NeveIA">

<img src="https://cdn-uploads.huggingface.co/production/uploads/68a3ba234a7dfca33d72eee2/KQa7-ajynUAhTS-kxNtYT.png" width="20%" alt="NeveAI GitHub">

</a>

</div>

---

> [!Note]

> Esse model card é para as novas versões da família Neve Echo otimizadas com Treinamento Consciente de Quantização (QAT), que permite preservar uma qualidade semelhante à bfloat16 enquanto reduz drasticamente os requisitos de memória para carregar o modelo.

> Quatro versões dos checkpoints QAT estão disponíveis:

> * Checkpoints QAT não quantizados (Q4_0): Pesos de meia precisão extraídos do pipeline QAT, ideais para compilação downstream personalizada e pesquisa.

> * GGUF (Q4_0): Formatos prontos para implantação, com ampla compatibilidade no ecossistema.

> * Otimizado para dispositivos móveis (wNa8o8): Um esquema personalizado projetado explicitamente para eficiência em hardware móvel. Ele apresenta camadas de decodificação direcionadas de 2 bits, caches KV otimizados e ativações estáticas para maximizar a economia de VRAM.

> * Tensores Comprimidos (w4a16): Checkpoints QAT serializados no formato compressed-tensors para inferência nativa e otimizada com vLLM.

---

Introdução

O Neve Echo S é um modelo de linguagem de última geração focado em uso geral e raciocínio para tarefas imediatas. Esta versão em formato GGUF foi otimizada pela NeveAI para oferecer o equilíbrio ideal entre precisão lógica e eficiência computacional.

---

Destaques do Modelo

Este modelo foi desenvolvido para uso geral e execução de tarefas diversas, focando em:

• Raciocínio Avançado (Thinking): Projetado como um modelo altamente capaz de raciocínio, com suporte a modos de pensamento estruturado para tarefas complexas.
• Uso Geral e Produtividade: Otimizado para uma ampla variedade de tarefas como geração de texto, assistência, explicações, planejamento e automação.
• Multimodalidade (Texto + Imagem): Capaz de processar entradas multimodais com suporte a diferentes resoluções e proporções.
• Tool Calling e System Prompt: Suporte nativo a chamadas de função e ao papel system, permitindo maior controle e integração com ferramentas externas.

Benchmark de Performance

O Neve Echo S demonstra desempenho alinhado a modelos de ponta em múltiplas categorias:

| Categoria | Benchmark | Gemma 4 31B | Gemma 4 26B A4B | Neve Echo S |

| :--- | :--- | :---: | :---: | :---: |

| Knowledge | MMLU Pro | 85.2% | 82.6% | 69.4% |

| Reasoning | GPQA Diamond | 84.3% | 82.3% | 58.6% |

| Math | AIME 2026 | 89.2% | 88.3% | 42.5% |

| General | BigBench Extra Hard | 74.4% | 64.8% | 33.1% |

---

Detalhes da Arquitetura

• Arquitetura: Mixture of Experts (MoE) com atenção híbrida (local + global intercalado).
• Parâmetros: ~5B totais (com subset ativo por token para eficiência).
• Janela de Contexto: Até 256K tokens.
• Camadas: Arquitetura profunda com atenção global na camada final.
• MoE: Roteamento dinâmico de experts (subset ativo por inferência), otimizando performance e uso de memória.

Como utilizar (GGUF)

Este modelo é compatível com llama.cpp, Ollama, LM Studio e outras ferramentas que suportam o formato GGUF.

Foco direcionado ao uso do modelo na plataforma autoral da organização NeveAI

Licença

Este repositório e os pesos do modelo estão licenciados sob a Licença Apache 2.0.

Contato

Se tiver qualquer dúvida, por favor, levante um issue ou entre em contato conosco em NeveIA.