Gaano karaming memory ang kailangan ng Gemma 4 E2B?

Mga 2.9 GB ng weights sa 4-bit, dagdag ang espasyo para sa context: 4.4 GB lahat-lahat. Sa Mac, ibig sabihin nito ay 8 GB na unified memory o higit pa, dahil bilang default, mga 75% nito ang ipinapagamit ng macOS sa GPU.

Gaano kabilis ang Gemma 4 E2B sa Mac?

Nakadepende sa memory bandwidth ang bilis ng pagsusulat. Ang pinakamabilis na Mac para dito ay M5 Ultra na may 96 GB, sa mga 225–400 token bawat segundo (8-bit). Ang pinakamaliit na Mac na kaya ito, na may 8 GB, ay umaabot sa mga 24–42 sa M3.

Nakakasama ba ang quantization sa Gemma 4 E2B?

Sa 4 bit, nananatiling malapit sa orihinal na kalidad ang karamihan ng model; sa ilalim ng 4 bit, mas mabilis bumaba ang kalidad. Piliin ang pinakamataas na precision na kasya sa Mac mo nang may sobrang espasyo.

Kaya ba ng Mac ang Gemma 4 E2B? Memory at bilis

Memory sa bawat precision

Bersyon	Weights	Kasama ang context	Pinakamaliit na Mac
8-bit	5.4 GB	6.9 GB	16 GB
6-bit	4.1 GB	5.6 GB	8 GB
4-bit	2.9 GB	4.4 GB	8 GB
3-bit mas mababang kalidad	2.2 GB	3.7 GB	8 GB
2-bit mas mababang kalidad	1.6 GB	3.1 GB	8 GB

Sa bawat Apple chip

Ang pinakamaliit na memory size ng bawat chip na kaya ang Gemma 4 E2B, ang pinakamagandang bersyong kasya rito, at ang bilis ng pagsusulat na maaasahan mo.

Chip	Kailangan	Bersyon	Token/s
M6	16 GB	8-bit Maayos	29–51
M5 Ultra	96 GB	8-bit Maayos	225–400
M5 Max	36 GB	8-bit Maayos	86–153
M5 Pro	24 GB	8-bit Maayos	58–102
M5	16 GB	8-bit Maayos	29–51
M4 Max	36 GB	8-bit Maayos	77–137
M4 Pro	24 GB	8-bit Maayos	51–91
M4	16 GB	8-bit Maayos	23–40
M3 Ultra	96 GB	8-bit Maayos	154–273
M3 Max	36 GB	8-bit Maayos	56–100
M3 Pro	18 GB	8-bit Maayos	28–50
M3	8 GB	6-bit Maayos	24–42
M2 Ultra	64 GB	8-bit Maayos	150–267
M2 Max	32 GB	8-bit Maayos	75–133
M2 Pro	16 GB	8-bit Maayos	38–67
M2	8 GB	6-bit Maayos	24–42
M1 Ultra	64 GB	8-bit Maayos	150–267
M1 Max	32 GB	8-bit Maayos	75–133
M1 Pro	16 GB	8-bit Maayos	38–67
M1	8 GB	6-bit Maayos	16–29

Paano ito patakbuhin

Ang madaling paraan: i-download ang MLX Harness, libre at open source. Hanapin ang Gemma 4 E2B, i-download ang bersyong kasya sa Mac mo, at mag-chat. Ibinibigay rin nito ang model sa iba mo pang app sa pamamagitan ng API na compatible sa OpenAI.I-download ang MLX HarnessLibre · Apple Silicon · macOS 14.5 o mas bago
Sa Terminal gamit ang MLX ng Apple:pip install mlx-lmmlx_lm.chat --model mlx-community/gemma-4-e2b-it-4bitBuild: mlx-community/gemma-4-e2b-it-4bit sa Hugging Face. Katabi nito ang ibang precision.

Hakbang-hakbang: mag-download at magpatakbo ng LLM sa Mac · paano gamitin ang MLX Harness · MLX vs Ollama vs llama.cpp

Tungkol sa Gemma 4 E2B

Gawa ng	Google DeepMind
Mga parameter	5.1B (dense)
Context	128K token
Lisensya	Apache-2.0
Inilabas	2026-03
Input	Text at larawan
Weights	google/gemma-4-E2B-it

Mga tanong

Gaano karaming memory ang kailangan ng Gemma 4 E2B?: Mga 2.9 GB ng weights sa 4-bit, dagdag ang espasyo para sa context: 4.4 GB lahat-lahat. Sa Mac, ibig sabihin nito ay 8 GB na unified memory o higit pa, dahil bilang default, mga 75% nito ang ipinapagamit ng macOS sa GPU.
Gaano kabilis ang Gemma 4 E2B sa Mac?: Nakadepende sa memory bandwidth ang bilis ng pagsusulat. Ang pinakamabilis na Mac para dito ay M5 Ultra na may 96 GB, sa mga 225–400 token bawat segundo (8-bit). Ang pinakamaliit na Mac na kaya ito, na may 8 GB, ay umaabot sa mga 24–42 sa M3.
Nakakasama ba ang quantization sa Gemma 4 E2B?: Sa 4 bit, nananatiling malapit sa orihinal na kalidad ang karamihan ng model; sa ilalim ng 4 bit, mas mabilis bumaba ang kalidad. Piliin ang pinakamataas na precision na kasya sa Mac mo nang may sobrang espasyo.

Mga katulad na model

Bawat model · Bawat Mac · Ihambing ang Mac mo

Para sa model card o README mo

Ipinapakita ang pinakamaliit na Mac na maayos na nagpapatakbo ng Gemma 4 E2B at nagli-link dito.

[![Runs on a Mac](https://mlx.app/badge/run/gemma-4-e2b.svg)](https://mlx.app/run/gemma-4-e2b)

Paano ito kinuwenta

Memory: ang mga parameter ng model sa 8, 6, 4, 3 o 2 bit kada weight dagdag ang group scales ng MLX (kalahating bit kada weight), o ang native format nito, at may espasyo pa para sa context. Bilang default, mga 75% ng unified memory ang ipinapagamit ng macOS sa GPU. Bilis: ang memory bandwidth na hinati sa mga byte na binabasa kada token ang pinakamataas na posible para sa isang usapan; sa mga pampublikong benchmark ng llama.cpp sa Apple Silicon, umaabot ang totoong takbo sa mga 45% hanggang 80% nito, at iyon ang range na ipinapakita. Mga tantiya ito, hindi sukat: sukatin ang sarili mong Mac sa MLX Bench. Ang mga numero ng model ay mula sa opisyal na model card ng bawat isa, at ang sa chip ay mula sa Tech Specs ng Apple. Sinuri noong 2026-10-19. Parehong data ng mlx.app/compare.