yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF
gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF：低显存本地编码代理与工具调用
基于 google/gemma-4-12B-it 微调的 12B 文本生成模型，专注编码、终端与多步 Agentic 工具调用任务。Q3 量化约 4.5GB，可在约 5GB VRAM 的低配机器运行本地私有代理，Q4_K_M 被作者标为推荐甜点。通用知识略低于基模，英语为主，未做安全对齐，按 Apache 2.
MODEL POSITIONING
这个模型解决什么问题？
模型能力来源于 google/gemma-4-12B-it 基模的后训练强化，主攻编码和 Agentic 方向，提供多步工具调用与 Gemma 原生思考链；模型卡自述在 tau2-bench 电信类任务上较基模提升约 3.5 倍，但通用问答略弱于基模，属于专精取舍。仓库仅提供 GGUF 量化文件（Q3、Q4、Q6、Q8、BF16、F16）和 MTP 投机解码草稿，原始 Safetensors 主权重也已开源。运行工具以 llama.cpp 为推荐（需支持 gemma4_unified 架构的较新版本），Ollama 与 LM Studio 也可直接导入；通过 OpenAI tools 字段即可接入 agent 循环。上下文长度模型卡未说明。
更适合谁
- 想本地跑私有编码 Agent 的开发者
- 需要多步读、grep、编辑、运行、验证的终端任务工程师
- 显存有限但希望体验 Agentic 工作流的爱好者
- 已有英文为主工作流的小型本地部署用户
典型使用场景
- 本地离线编码助手，替代部分云端 API 调用
- 终端调试和故障排查类多步技术任务
- 通过 OpenAI tools 字段接入 agent 框架做自动 read/grep/edit/run 循环
- 阅读文件、检索、修改、运行后验证的工作流
SOURCE-BASED CAPABILITIES
模型卡透露的核心特点
多步工具调用与 Agent 循环
读、推理、调用工具、验证的完整链路，按 Gemma 原生协议输出
编码能力强化
Python 通过测试门控的真实思维链训练
低显存可运行
Q3_K_M 量化仅约 4.5GB，可塞入 5GB VRAM
原生思考模式
默认开启的 Gemma 4 思考链通道
投机解码加速
MTP 草稿在 llama.cpp b9553 上可提速约 1.2–1.3 倍
硬件怎么准备
- 最低门槛：Q3_K_M 量化，最少约 5.5GB RAM 或 5GB VRAM，推荐 8GB RAM / 6GB VRAM
- 推荐甜点：Q4_K_M 量化，最少 7GB RAM / 6.5GB VRAM，推荐 8.5GB RAM / 7.5GB VRAM
- 接近无损：Q6_K 量化，最少约 10.5GB RAM / 9.5GB VRAM，推荐 13GB RAM / 11GB VRAM
- 全精度附近：BF16/F16 最少 9GB RAM / 8GB VRAM；Q8_0 最少 14GB RAM / 12.5GB VRAM
量化版本怎么选
- 推荐 Q4_K_M 作为大多数用户性价比甜点，作者明确建议
- 显存紧张选 Q3_K_M，这是作者标注的最小可靠量化
- 想要接近原模型质量可选 Q6_K 或 Q8_0
- 模型卡未提供 Q2_K，作者因未过压力测试暂不发布
GGUF VARIANTS
量化版本与硬件要求
HARDWARE MATCH
哪些显卡或设备更适合运行？
按当前最小量化文件估算，至少需要 5GB 显存；如果希望为运行框架和上下文保留余量，优先参考推荐显存 6GB。
阅读 8GB 显存选型指南 →可以怎样运行
- llama.cpp 加载 gemma4_unified，需较新版本；推荐 b9553 以启用 MTP 投机解码草稿
- Ollama、LM Studio、Jan 等一键应用可直接导入 GGUF
- 通过 OpenAI tools 字段把工具传给模型实现 Agent 循环
- llama.cpp 配合 MTP 草稿做投机解码，据模型卡可提速约 1.2–1.3 倍
采用前要知道的限制
- 通用知识略弱于基模，是编码专精化的取舍
- 英语为主，其他语言能力模型卡未说明
- 拒答降低、未做安全对齐，生产场景需自行加防护
- 上下文长度模型卡未说明
COMPARISON PATH
继续对比同类方案
不要只看单页结论；沿同类用途继续比较能力边界、硬件门槛与维护状态。