LLM EU
Izvēlne
Modeļi

Diffusiongemma 26B A4B It

Google DeepMind

Tikai katalogā Atvērtie svari

Pēdējo reizi pārskatīts:

Suverenitāte un mitināšana

Tikai katalogā

Šis modelis ir iekļauts katalogā uzziņai. Tas vēl nav mitināts LLM EU, un neviens pirmās puses galapunkts to šeit neapkalpo. Pieprasījumi uz to tiek nosūtīti tieši pakalpojumu sniedzējam, saskaņā ar šī pakalpojumu sniedzēja noteikumiem.

Kopsavilkums

Diffusiongemma 26B A4B It ir atvērtā svara redzes-valodu modelis no Google DeepMind ar 25.8B parametriem, publicēts zem Apache-2.0. Repozitorijs tika izveidots 2026. gada jūnijā un ir atspoguļots Hugging Face. Tas pieņem tekstu un attēlus un atbild tekstā. Kontrolpunkts ir apmācīts ar instrukcijām un ietver tērzēšanas veidni. Publicētajā konfigurācijā nav norādīts konteksta logs, tāpēc šajā kartītē tā nav. Kartīte ir tikai katalogam: LLM EU nedarbina šo modeli. Izdevējs modeļa lapā nenorāda valodu pārklājumu.

Specifikācijas

Pakalpojumu sniedzējs
Google DeepMind (US)
Konteksta logs
Nav verificēts: pakalpojumu sniedzējs nav dokumentējis šo apgalvojumu.
Parametri
25.8B
Modalitātes
text, vision
Licence
apache-2.0 · licence
Atvērtie svari
yes
Izdošanas datums
2026. g. 09. jūn.
Uzdevumi
Redzēšana, Daudzvalodu atbalsts

Valodas

Spēcīga: —

Adekvāta: —

Spēcīga

    Adekvāta

      Nav verificēts: pakalpojumu sniedzējs nav dokumentējis šo apgalvojumu. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

      Kad to izmantot

      Stiprās puses

      • open weights are published on Hugging Face and can be downloaded without a vendor agreement
      • Apache-2.0 licence, so commercial self-hosting is permitted without a separate agreement
      • instruction-tuned checkpoint with a chat template in the repository

      Ierobežojumi

      • catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
      • no evaluation has been run by LLM EU
      • the published configuration records no context window, so the card carries none
      • at 25.8B parameters, self-hosting needs a single accelerator with enough memory for the weights
      • vision checkpoints are heavier to serve than their parameter count alone suggests, because the image encoder and pre-processing run alongside the language model
      • the checkpoint generates by block diffusion rather than left-to-right decoding, so serving stacks that assume causal decoding do not run it unchanged