Cactus 发布 Gemma 4 E2B Hybrid：可在设备端为每个回答输出置信度分数，低分时自动路由至更大模型

Cactus Hybrid

一个小型的端侧模型速度快且保护隐私，但有时会出错。在 Cactus，我们对模型进行后训练，让它们知道自己何时出错：我们在 checkpoint 中内置了探针，为每个答案打出一个介于 0 到 1 之间的置信度分数，以结构化数据的形式返回（绝不从答案文本中解析提取）。置信度高时在端侧作答；置信度低时，你可以将请求重新路由到更大的模型：

if confidence < 0.85:
    answer = ask_a_bigger_model(prompt)

我们以 Gemma 4 E2B Hybrid 启动这次发布，所有构建版本都托管在 Hugging Face 上的Cactus Hybrid 集合中。

Gemma 4 E2B hybrid 是最小的 Gemma 模型，仅将 15–35% 的查询路由到 Gemini 3.1 Flash-Lite，其余由自身处理，在大多数基准测试上就能与 Gemini 3.1 Flash-Lite 持平。

• 注：量化质量是在 Cactus Quants 上测得的，该方法在均匀量化下表现良好。
• 鼓励开发者分别针对 Unsloth、GGUF 和 MLX 量化进行基准测试。

Cactus

# pip install cactus-compute
import json
from cactus.bindings.cactus import cactus_complete, cactus_init
from cactus.cli.download import download_bundle

lm = cactus_init(str(download_bundle("Cactus-Compute/gemma-4-E2B-it")))
result = cactus_complete(
    lm,
    [{"role": "user", "content": "What is the capital of France?"}],
    json.dumps({"max_tokens": 512, "auto_handoff": False}),
    None,
    lambda *_: None,
)
print(result["response"].strip())
print("confidence:", result["confidence"])

MLX

# pip install mlx-lm
import re
from mlx_lm import load, generate

model, tokenizer = load(
    "Cactus-Compute/gemma-4-e2b-it-hybrid-mlx",
    tokenizer_config={"trust_remote_code": True},
)

messages = [{"role": "user", "content": "What is the capital of France?"}]
answer = generate(
    model,
    tokenizer,
    prompt=tokenizer.apply_chat_template(messages, add_generation_prompt=True),
    max_tokens=512,
)
# the checkpoint reasons before answering; keep only the final answer
answer = re.split(r"<\|?channel\|?>", answer)[-1]
answer = re.sub(r"^(thought|final)\b\s*", "", answer).strip()
print(answer)
print("confidence:", model.last_confidence)

Transformers

# pip install "transformers>=5.5.4,<5.6" torch   (5.14+ segfaults on this checkpoint)
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Cactus-Compute/gemma-4-e2b-it-hybrid"
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True, dtype="auto").to(device)

messages = [{"role": "user", "content": "What is the capital of France?"}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt", return_dict=True
).to(device)
out = model.generate(**inputs, return_confidence=True, max_new_tokens=512)

print(tokenizer.decode(out.sequences[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))
print("confidence:", out.confidence)

加载模型时使用显式的 .to(device)，而不是 device_map="auto"：该探针在模块 forward() 路径之外对生成结果进行评分，因此那些加速卸载的权重（留在 meta 设备上）会导致置信度读取崩溃。

llama.cpp

llama.cpp 是 C++ 编写的，因此该探针是一个需要编译进引擎的补丁（参见 patches/llama.cpp/）。先构建打过补丁的服务器一次：

git clone https://github.com/cactus-compute/cactus-hybrid && cd cactus-hybrid
./patches/llama.cpp/install.sh && rehash

然后像使用任何 llama-server 一样对它进行服务和查询——响应会携带一个顶层的 confidence 字段：

llama-server -hf Cactus-Compute/gemma-4-e2b-it-hybrid-GGUF:Q4_K_M --jinja

curl -s http://localhost:8080/v1/chat/completions \
  -d '{"messages":[{"role":"user","content":"What is the capital of France?"}],"max_tokens":512}' \
  | jq '{answer: .choices[0].message.content, confidence}'

路由质量（AUROC）

Gemma 4 E2B Hybrid AUROC 衡量该机制将错误答案与正确答案区分开来的能力（越高越好，0.5 为随机，1.0 为完美）：

最强的结果：该探针是在零音频数据上训练的，却在四个音频基准（两个转录、一个音频 MCQ、一个域外转录）上达到了 0.79–0.88 AUROC。

这排除了表层解释，该探针是从隐藏状态中读取一种与模态无关的正确性信号，而不是记忆训练数据中的模式。

采用 MIT 许可证。Gemma 模型的使用须遵守 Gemma 条款。