Gemma 4 12B现已实现精准棋局判断，用户只需8GB显存即可完成本地调优，彻底改变了原本随机走子的局面。通过文本、图像和音频的细致调整，您可以在家用硬件上训练出一款强大的象棋对弈助手。 现在，任何人都能轻松发挥AI的能力，享受精准决策带来的快感。

我让AI（Gemma 4 12B）帮我改写成爆款推文，AI给我出了一版：极简 略 ( 适合于 干净 俐落 展现) 👾 🦀 👹 👹 🤡 🙃 🌀 👹 👽 🌀 👽 👹 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 🤢 👹 🤡 🙃 🦀 👹 🐙 🙃 🦀 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 🫠 👹 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 👹 🐙 👽 🐙 🦀 👹 🐙 👽 🤡 🙃 🦀 这能爆款？

谷歌Gemma 4的安全护栏被人彻底干掉了！ dealignai直接放出无限制破解版 Gemma-4-31B-JANG4M-CRACK，谷歌花重金做的安全审查几乎被清零，HarmBench合规率高达93.7%。 敏感问题基本都能正常回答。 亮点参数： ① 31B Dense模型，实际体积仅18GB ② 平均5.1bit量化，体积大幅压缩 ③ MMLU知识保留74.5%，几乎不掉智商 ④ 支持多模态视觉输入 去限制效果炸裂：渗透测试、网络犯罪类、非法活动等通过率极高。 特别为Apple Silicon Mac优化，24GB统一内存就能跑，MLX原生支持，配置简单。 本地大模型玩家直接冲！ 免责声明：仅供研究学习使用，违法行为后果自负。

有人构建了一个 Gemma 4 版本，据称比 Google 的原始版本快 6 倍。这款经过优化的开源模型旨在即使在低端笔记本电脑和移动设备上也能高效运行。

帮大家看过了 Google Gemma4 的话，作为开放权重模型，可以本地下载，有四个版本： E2B (极小杯)：20 亿参数，8GB 统一内存/显存可以跑。 E4B (小杯)：40 亿参数，16GB 统一内存/显存可以跑（例如 丐版 Mac Mini）。 26B (中杯 MoE)：260 亿参数混合专家模型，激活参数 38 亿，建议 24 GB 统一内存/显存。 31B (大杯)：310亿参数顶级模型，得 32GB/48GB 统一内存/显存才能跑。 PS：根据我的经验，极小杯、小杯完全不值得一玩。

Multi-agent 不再是玩具 demo 100+ agents 协作一周，把 Gemma 4 在 vLLM 上加速到原来的 5× 自发的沟通规范、配额池化、算力分工、跨 agent kernel debug、显著性标准…… 更像是在观察一个新型“AI 研究社区”从零开始长出来。