Cactus Hybrid

一个小型设备端模型速度快且保护隐私，但有时会出错。在 Cactus，我们通过后训练让模型知道自己何时出错：我们在检查点内部植入探针，为每个答案打分，给出介于 0 到 1 之间的置信度，并以结构化数据形式返回（绝不从答案文本中解析）。当置信度高时，在设备端作答；当置信度低时，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)

我们从 Gemma 4 E2B Hybrid 开始逐步推出，所有构建版本均托管在 Hugging Face 上的 Cactus Hybrid 集合中。

Gemma 4 E2B hybrid 是 Gemma 系列中最小的模型，通过仅将 15–35% 的查询路由到 Gemini 3.1 Flash-Lite，其余查询自行处理，在大多数基准测试中与 Gemini 3.1 Flash-Lite 表现相当。

基准测试	为匹配 Flash-Lite（FP16）所需的切换比例	4-bit 量化下	3-bit 量化下
ChartQA	15–20%	25–30%	40–50%
MMBench	30–35%	40–45%	50–55%
LibriSpeech	25–30%	35–40%	55–65%
GigaSpeech	30–35%	40–45%	50–55%
MMAU	30–35%	35–40%	50–55%
MMLU-Pro	45–55%	~90%	不适用

• 注：量化质量在 Cactus Quants 上测量，该工具在均匀量化下表现良好。
• 鼓励开发者自行针对 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)

使用显式的 `.to(device)` 加载模型，而不是 `device_map="auto"`：探针在模块的 `forward()` 路径之外对生成结果进行评分，因此用于加速卸载的权重（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，因此探针是一个你需要编译进引擎的补丁（参见 `patches/llama.cpp/`）。构建一次打过补丁的服务器：

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

然后像任何 `llama-server` 一样运行并查询它——响应中会携带一个顶层的 `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 的 AUROC 衡量模型区分错误答案与正确答案的能力（数值越高越好，0.5 表示随机，1.0 表示完美）：

留出集	模态	Cactus Hybrid	Token 熵
MMLU	文本多选题	0.770	0.697
MMLU-Pro	文本多选题	0.771	0.692
ARC-Easy	文本多选题	0.888	0.655
ARC-Challenge	文本多选题	0.834	0.646
GSM8K（3-shot）	文本生成	0.782	0.731
MMBench-EN-Dev	视觉多选题	0.840	0.435
ChartQA	视觉问答	0.779	0.615
DocVQA	视觉问答	0.781	0.512
MMAU	音频多选题	0.789	0.517
GigaSpeech	音频	0.876	0.343
Earnings-22	音频	0.839	0.323
LibriSpeech	音频	0.822	0.427
平均值		0.814	0.549

最有力的结果是：该探针在零音频数据上训练，却在四个音频基准测试（两个转录任务、一个音频多选题、一个跨领域转录任务）上达到了 0.79–0.88 的 AUROC 值。

这排除了表层解释的可能性——探针是从隐藏状态中读取与模态无关的正确性信号，而非记忆训练数据中的模式。

---

采用 MIT 许可证。Gemma 模型的使用需遵守 Gemma 条款。