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 |
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）。
powershell
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）。
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。
