Gemma 4 on KnightLi Blog

Gemma 4 E4B Sin censura versus oficial: lo que realmente cambia

Sat, 18 Apr 2026 10:20:00 +0800

Si ve un modelo como HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive, el punto más importante es este: no es un nuevo modelo base de Google. Es una versión derivada construida sobre el google/gemma-4-E4B-it oficial, pero con un comportamiento de alineación impulsado intencionalmente hacia menos rechazos.

Eso significa que la verdadera diferencia suele ser la política de comportamiento y el estilo de respuesta, no una arquitectura completamente nueva.

Lo que afirma explícitamente el modelo derivado

Según su tarjeta modelo Hugging Face, el comunicado de HauhauCS dice:

está basado en google/gemma-4-E4B-it
“no realiza cambios en los conjuntos de datos ni en las capacidades”
es “simplemente sin negativas”
la variante “Agresiva” está “totalmente desbloqueada y no rechaza indicaciones”

Esas son las afirmaciones del creador, no un punto de referencia independiente. Aún así, te dicen muy claramente el posicionamiento previsto: se trata de un derivado no oficial optimizado para reducir los fallos de seguridad.

Modelo oficial versus derivado “sin censura”

Dimensión	Oficial `google/gemma-4-E4B-it`	`Gemma-4-E4B-Sin censura-HauhauCS-Agresivo`
Fuente	Lanzamiento oficial de Google	Derivado de terceros sobre Hugging Face
Arquitectura básica	Modelo Gemma 4 E4B ajustado por instrucciones	Misma familia base, descrita explícitamente como basada en `google/gemma-4-E4B-it`
Objetivo principal	Asistente útil de uso general con marcos de uso responsable	Reducir las negativas y seguir respondiendo incluso cuando el modelo oficial pueda decaer
Postura de seguridad	Alineado con los documentos de seguridad de la familia Gemma y la política de uso prohibido	Comportamiento de rechazo intencionalmente debilitado
Estilo de respuesta	Es más probable que rechace, redirija o suavice determinadas solicitudes	Es más probable que responda directamente, incluidas las indicaciones que el modelo oficial puede bloquear
Perfil de riesgo	Menor riesgo de uso indebido por defecto, pero aún no está libre de riesgos	Mayor riesgo de uso indebido, mayor probabilidad de resultados inseguros o no conformes
Previsibilidad en productos	Más fácil de justificar en aplicaciones normales y entornos empresariales	Más difícil de justificar en implementaciones públicas, empresariales o sensibles a las políticas
Carga de cumplimiento	Todavía requiere salvaguardias a nivel de aplicación	Requiere salvaguardias posteriores aún más estrictas porque el modelo en sí es menos restrictivo

La diferencia principal es la alineación, no la capacidad bruta

Muchos usuarios tratan erróneamente “sin censura” como si significara “más inteligente”. Ese suele ser el marco equivocado.

Para una derivada como esta, lo que cambia primero es:

con qué frecuencia el modelo se niega
con qué firmeza sigue instrucciones perjudiciales o sensibles a las políticas
cuánto filtrado queda en sus respuestas finales

Qué no cambia automáticamente:

la arquitectura familiar subyacente de Gemma 4
clase de ventana de contexto
clase de apoyo multimodal
techo de razonamiento general

En otras palabras, un derivado sin censura a menudo se describe mejor como un ajuste de comportamiento diferente de la misma familia de modelos, no como un modelo de nivel superior.

Por qué la versión oficial se comporta de manera diferente

Los materiales oficiales de Gemma de Google enmarcan a la familia como creada para el desarrollo responsable de la IA. La tarjeta modelo Gemma destaca el uso indebido, el contenido dañino, la privacidad y los riesgos de sesgo, y la Política de uso prohibido de Gemma de Google prohíbe explícitamente el uso de Gemma o modelos derivados para:

facilitar actividades peligrosas, ilegales o maliciosas
generar contenido dañino o engañoso
anular o eludir los filtros de seguridad

De modo que el modelo oficial no es simplemente “más conservador” por casualidad. Su política circundante y su postura de despliegue prevista son deliberadamente diferentes.

Cuando el modelo oficial es la mejor opción

Utilice la ruta oficial google/gemma-4-E4B-it si le interesa:

implementación de productos
uso empresarial o en equipo
menor exposición legal y política
menos salidas obviamente inseguras
documentación y revisión más sencillas

Para la mayoría de las aplicaciones normales, este es el valor predeterminado más seguro.

Cuando la gente elige el derivado sin censura

Los usuarios suelen elegir un derivado sin censura para:

experimentación privada local
pruebas donde el modelo oficial se niega demasiado pronto
juego de roles o indicaciones creativas abiertas
comparar el comportamiento de alineación entre variantes

Pero esto conlleva una verdadera compensación: usted está transfiriendo más responsabilidad de seguridad del proveedor del modelo a usted mismo.

Conclusión práctica

La diferencia entre un Gemma 4 E4B llamado “jailbreak” y la versión oficial normal es principalmente la siguiente:

la versión oficial está optimizada para su capacidad utilizable con barandillas
el derivado sin censura está optimizado para menos rechazos con barandillas más débiles

Eso no fortalece automáticamente el modelo sin censura. Principalmente lo hace más permisivo.

Si su objetivo es una implementación estable, explicable y de menor riesgo, utilice primero el modelo oficial. Si su objetivo es la experimentación local y comprende las ventajas y desventajas de cumplimiento y seguridad, entonces un derivado sin censura es una variante de comportamiento que vale la pena probar por separado, no un reemplazo “mejor” directo.

Fuentes

Cara de abrazo: HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive
Cara de abrazo: google/gemma-4-E4B-it
Google AI para desarrolladores: Política de uso prohibido de Gemma
Google AI para desarrolladores: tarjeta modelo Gemma

Implemente el Agente Hermes localmente en Windows con WSL + Ollama y Connect Telegram

Sat, 18 Apr 2026 00:48:22 +0800

Si desea ejecutar “Agente Hermes” en “Windows” con la menor fricción posible, una ruta práctica es:

mantener Windows como sistema host
ejecuta Ubuntu dentro de WSL
utilizar Ollama para servir el modelo local
permitir que “Agente Hermes” se conecte directamente al punto final local de Ollama

Este enfoque mantiene el entorno relativamente limpio, le permite ejecutar la mayoría de los comandos en un flujo de trabajo estilo Linux y evita preparar una máquina Linux separada.

Flujo general

Puede dividir la configuración en 4 pasos:

Habilite WSL e instale Ubuntu
Instale Python, Node.js, Git y otros conceptos básicos dentro de Ubuntu
Instale Ollama y extraiga un modelo local.
Instale Hermes Agent, luego conecte Telegram

Si su objetivo es simplemente hacer que Hermes Agent se ejecute primero, al final del paso 3 ya estará cerca.

1. Instale WSL y Ubuntu

Ejecute esto en PowerShell con privilegios de administrador:

`1`	`wsl --install`

Una vez finalizada la instalación, reinicie la PC y luego continúe con Ubuntu:

`1`	`wsl --install -d Ubuntu`

Después de eso, abra Ubuntu en WSL. La mayoría de los comandos restantes se ejecutan allí.

2. Actualice Ubuntu e instale el entorno base

Actualice el sistema primero:

1
2

sudo apt update
sudo apt upgrade -y

Luego instale Python, herramientas de extracción, Node.js y Git.

Instalar Python

`1`	`sudo apt install python3-pip python3-venv -y`

Instalar zstd

`1`	`sudo apt install -y zstd`

Instalar Node.js

1
2

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt install -y nodejs

Instalar Git

1
2

sudo apt update
sudo apt install -y git

Puede verificar rápidamente la instalación con:

1
2
3

node -v
npm -v
git --version

3. Instala Ollama y tira de Gemma 4

Instalar Ollama:

`1`	`curl -fsSL https://ollama.com/install.sh \| sh`

Si desea un modelo local para Hermes Agent, comenzar con “Gemma 4” es razonable.

Por ejemplo:

`1`	`ollama run gemma4:e4b`

Si tu máquina es más débil, también puedes intentar:

`1`	`ollama run gemma4:e2b`

Las variantes más grandes incluyen:

1
2

ollama run gemma4:26b
ollama run gemma4:31b

Para la mayoría de las configuraciones normales de Windows + WSL, gemma4:e4b suele ser el punto de partida más práctico.

4. Instalar y configurar el Agente Hermes

Instálalo con:

`1`	`curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh \| bash`

Después de la instalación, apúntelo al punto final local de Ollama:

`1`	`http://127.0.0.1:11434`

Utilice el nombre del modelo local que realmente instaló, por ejemplo:

`1`	`gemma4:e4b`

Si el instalador le pide que actualice el shell, ejecute:

`1`	`source ~/.bashrc`

Comandos comunes del agente Hermes

Estos son los comandos que utilizarás con más frecuencia:

Empezar

hermes

Vuelva a ingresar a la configuración

`1`	`hermes setup`

Configurar la puerta de enlace de chat

`1`	`hermes setup gateway`

Actualizar

`1`	`hermes update`

Pasos básicos de conexión a Telegram

Si desea que Hermes Agent envíe y reciba mensajes a través de Telegram, el paso principal sigue siendo:

`1`	`hermes setup gateway`

Luego prepare los dos elementos del lado de Telegram que necesita:

crear un bot con BotFather
obtenga su ID de usuario con @userinfobot

Una vez que tenga esos conceptos básicos, continúe completándolos en la configuración de la puerta de enlace del Agente Hermes.

¿A quién se adapta esta configuración?

Este flujo de trabajo es una buena opción si:

Windows es su sistema de escritorio principal
no desea mantener un host Linux separado
primero desea ejecutar un agente local y luego expandirlo a plataformas de chat
prefieres modelos locales en lugar de depender de las API de la nube

Si principalmente desea experimentar un Agente local en lugar de crear una implementación de producción completa de inmediato, esta ruta ya es bastante práctica.

Algunas cosas a tener en cuenta

WSL sigue siendo una capa de compatibilidad, por lo que en casos extremos puede que no se comporte exactamente como Linux nativo.
Que un modelo grande funcione sin problemas aún depende de su RAM, VRAM y CPU/GPU
gemma4:e4b es un punto de partida realista, pero la experiencia real aún depende de la máquina
La integración de la plataforma Hermes Agent es un paso de extensión; hacer que la ruta del modelo local funcione primero y luego agregar Telegram suele ser más estable

Conclusión

Si desea implementar Hermes Agent localmente en Windows con la menor fricción posible, el orden más sencillo es:

WSL -> Ubuntu -> Ollama -> Gemma 4 -> Agente Hermes -> Telegram

Primero ejecute el modelo local y luego agregue la integración de la puerta de enlace. Por lo general, eso le brinda una tasa de éxito mucho mayor. Para la mayoría de los usuarios, esto es más fácil de solucionar que acumular cada componente al principio y también deja espacio para una expansión posterior.

Referencia original

Esta publicación está reescrita y organizada en base a:

Blog de Xchaoge: 太简单了！Agente Hermes 本地部署（无需API）接入 Telegram + 微信

Cómo reparar el error de verificación del certificado SSL cuando llama-cli se descarga desde Hugging Face en Windows

Fri, 17 Apr 2026 14:20:29 +0800

Si ejecuta este comando en Windows:

`1`	`llama-cli -hf unsloth/gemma-4-E4B-it-GGUF`

y veo un error como este:

1
2

get_repo_commit: error: HTTPLIB failed: SSL server verification failed
error: failed to download model from Hugging Face

Por lo general, el problema no es CUDA ni llama.cpp. Más a menudo, el programa no puede acceder correctamente a la cadena de certificados del sistema en el entorno actual, por lo que falla la verificación HTTPS.

Desde el registro, ggml-rpc.dll y ggml-cpu-alderlake.dll se cargaron correctamente, lo que significa que el entorno de ejecución está prácticamente bien. El problema está principalmente en el paso de descarga del modelo.

La solución más sencilla: descargar el modelo manualmente

Si sólo desea que funcione rápidamente, descargar el modelo manualmente suele ser la opción más estable.

Abra la página del repositorio de Hugging Face correspondiente.
Descargue el archivo .gguf requerido desde Archivos y versiones.
Una vez finalizada la descarga, ejecútela con la ruta del archivo local:

`1`	`llama-cli -m C:\Users\knightli\Downloads\gemma-4-e4b-it.gguf`

Esto omite la verificación SSL durante el paso de descarga -hf y es útil cuando solo desea verificar que el modelo se puede ejecutar localmente.

Si aún deseas utilizar la descarga automática `-hf`

Puede especificar manualmente una ruta de archivo de certificado para que el programa pueda encontrar un paquete de CA utilizable en la sesión actual.

cacert.pem se puede obtener de la página de extracto de CA mantenida por el proyecto curl:

Página: https://curl.se/docs/caextract.html
Descarga directa: https://curl.se/ca/cacert.pem

Si lo descarga en un navegador, abra el enlace de descarga directa y guárdelo como cacert.pem. También puedes descargarlo a un directorio fijo con PowerShell:

1
2

New-Item -ItemType Directory -Force C:\certs
Invoke-WebRequest -Uri https://curl.se/ca/cacert.pem -OutFile C:\certs\cacert.pem

Una vez finalizada la descarga, configure estas variables en la línea de comando:

1
2

set SSL_CERT_FILE=C:\certs\cacert.pem
set CURL_CA_BUNDLE=C:\certs\cacert.pem

Luego ejecute el comando original nuevamente:

`1`	`llama-cli -hf unsloth/gemma-4-E4B-it-GGUF`

Si el problema realmente proviene de la cadena de certificados, esto generalmente lo soluciona directamente.

Diagnóstico y soluciones para descargas muy lentas con ollama pull

Thu, 09 Apr 2026 10:42:39 +0800

ollama pull model_name:tag puede descargar muy lento en algunas regiones, y el proceso no siempre es estable.

Si el problema que encuentras es que la descarga de un modelo grande se interrumpe repetidamente a mitad de camino, con errores como TLS handshake timeout o unexpected EOF, es muy probable que el problema no esté solo en registry.ollama.ai, sino en la ruta real de descarga después de la redirección.

Este artículo registra una idea de diagnóstico simple y directa: primero obtener la dirección real de descarga del archivo del modelo, luego confirmar dónde termina realmente el tráfico y por último optimizar solo los dominios clave.

Obtener la dirección de descarga del archivo del modelo

Puedes usar el siguiente proyecto para extraer directamente el manifest y las direcciones de descarga de blobs correspondientes al modelo de Ollama:

https://github.com/Gholamrezadar/ollama-direct-downloader

Tomando gemma4:latest como ejemplo, se pueden extraer enlaces parecidos a los siguientes.

Dirección del manifest

`1`	`https://registry.ollama.ai/v2/library/gemma4/manifests/latest`

Direcciones de blobs

https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:f0988ff50a2458c598ff6b1b87b94d0f5c44d73061c2795391878b00b2285e11
https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a
https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:7339fa418c9ad3e8e12e74ad0fd26a9cc4be8703f9c110728a992b193be85cb2
https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:56380ca2ab89f1f68c283f4d50863c0bcab52ae3f1b9a88e4ab5617b176f71a3

Si solo quieres verificar rápido, también puedes descargar directamente el manifest y los blobs con curl:

curl -L "https://registry.ollama.ai/v2/library/gemma4/manifests/latest" -o "latest"
curl -L "https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:f0988ff50a2458c598ff6b1b87b94d0f5c44d73061c2795391878b00b2285e11" -o "sha256-f0988ff50a2458c598ff6b1b87b94d0f5c44d73061c2795391878b00b2285e11"
curl -L "https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a" -o "sha256-4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a"
curl -L "https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:7339fa418c9ad3e8e12e74ad0fd26a9cc4be8703f9c110728a992b193be85cb2" -o "sha256-7339fa418c9ad3e8e12e74ad0fd26a9cc4be8703f9c110728a992b193be85cb2"

Dirección real después de la redirección

Al intentar descargar uno de los blobs con wget, verás que la solicitud no se queda siempre en registry.ollama.ai, sino que redirige a una dirección de almacenamiento de objetos Cloudflare R2:

wget https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a
--2026-04-09 09:22:04--  https://registry.ollama.ai/v2/library/gemma4/blobs/sha256:4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a
Resolving registry.ollama.ai (registry.ollama.ai)... 104.21.75.227, 172.67.182.229, 2606:4700:3034::ac43:b6e5, ...
Connecting to registry.ollama.ai (registry.ollama.ai)|104.21.75.227|:443... connected.
HTTP request sent, awaiting response... 307 Temporary Redirect
Location: https://dd20bb891979d25aebc8bec07b2b3bbc.r2.cloudflarestorage.com/ollama/docker/registry/v2/blobs/sha256/4c/4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a/data?... [following]
--2026-04-09 09:22:05--  https://dd20bb891979d25aebc8bec07b2b3bbc.r2.cloudflarestorage.com/ollama/docker/registry/v2/blobs/sha256/4c/4c27e0f5b5adf02ac956c7322bd2ee7636fe3f45a8512c9aba5385242cb6e09a/data?...
Resolving dd20bb891979d25aebc8bec07b2b3bbc.r2.cloudflarestorage.com (dd20bb891979d25aebc8bec07b2b3bbc.r2.cloudflarestorage.com)... 172.64.66.1, 2606:4700:2ff9::1
Connecting to dd20bb891979d25aebc8bec07b2b3bbc.r2.cloudflarestorage.com|172.64.66.1|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: 9608338848 (8.9G) [application/octet-stream]

En el log se ven varios puntos clave:

registry.ollama.ai devuelve 307 Temporary Redirect
La dirección final cae en *.r2.cloudflarestorage.com
La transferencia real del archivo grande la soporta en realidad el dominio de almacenamiento de objetos posterior

Este paso es importante, porque demuestra que si tu proxy o reglas de routing solo cubren registry.ollama.ai, pero no tratan *.r2.cloudflarestorage.com, la descarga seguirá pudiendo ser lenta o interrumpirse repetidamente.

Ajustar la configuración de red

Después de confirmar la ruta real de descarga, la dirección de diagnóstico queda mucho más clara.

Si estás usando proxy, reglas de routing o DNS personalizado, se recomienda revisar primero:

Si registry.ollama.ai y *.r2.cloudflarestorage.com pasan por la misma ruta estable
Si las reglas de proxy solo cubren el primero y se olvidan del segundo
Si la salida actual es adecuada para descargas sostenidas de varios GB o decenas de GB

La clave de este tipo de problema no es “si se puede abrir la web oficial”, sino “si la ruta de almacenamiento de objetos después de la redirección es estable y puede transferir durante largo tiempo”. Muchas veces, lo que de verdad hay que optimizar es la capa Cloudflare R2, no el dominio registry anterior.

Comparación antes y después del ajuste

Abajo hay una descarga real de gemma4:31b-it-q8_0.

Antes del ajuste, la velocidad era baja y aparecía error a mitad de camino:

PS C:\Users\knightli> ollama run gemma4:31b-it-q8_0
pulling manifest
pulling a0feadb736f5:  38% ▕██████████████████████                                    ▏  12 GB/ 33 GB  1.2 MB/s   4h40m
Error: max retries exceeded: unexpected EOF

Después del ajuste, al descargar de nuevo el mismo modelo, la velocidad y estabilidad mejoraron claramente:

1
2
3

PS C:\Users\knightli> ollama run gemma4:31b-it-q8_0
pulling manifest
pulling a0feadb736f5:  46% ▕████████████████████████████████████████████████████████████████▏ 15 GB/ 33 GB  8.5 MB/s  35m23s

Esto no significa que todos los entornos de red obtengan el mismo resultado, pero al menos muestra algo: el cuello de botella probablemente no está en el cliente Ollama, sino en la ruta real de descarga de archivos grandes.

Gemma 4 en Raspberry Pi 5: viable, pero con respuestas lentas

Wed, 08 Apr 2026 18:42:00 +0800

Un intento un poco extremo: ejecutar Gemma 4 en una Raspberry Pi 5 (8GB RAM). El objetivo no fue una versión grande del modelo, sino el modelo más pequeño E2B.

La conclusión primero: puede ejecutarse y es usable, pero encaja mejor en escenarios con poca interacción. No es ideal para una experiencia conversacional con alta exigencia de tiempo real.

Entorno de prueba

Dispositivo: Raspberry Pi 5 (CPU de 4 núcleos, 8GB RAM)
Sistema: Ubuntu Server (sin interfaz gráfica)
Acceso: SSH
Forma de ejecución del modelo: LM Studio CLI (solo modo línea de comandos)
Modelo: Gemma 4 E2B (aprox. 4.5GB)

Paso 1: instalar e iniciar LM Studio CLI

Instala la versión CLI de LM Studio, inicia el servicio y consulta los comandos disponibles.

Como es un entorno puro de línea de comandos, este método de despliegue solo por CLI encaja muy bien con Raspberry Pi.

Paso 2: mover el almacenamiento de modelos a un SSD

Para evitar lecturas y escrituras frecuentes en la tarjeta SD, moví el directorio de descarga de modelos a un SSD externo.

La experiencia de conectar un SSD a Raspberry Pi 5 es claramente más práctica que en modelos anteriores. Para ejecutar modelos locales durante mucho tiempo, conviene priorizar SSD.

Paso 3: descargar y cargar Gemma 4 E2B

Después de la descarga, el modelo puede cargarse correctamente en memoria.

Según la información oficial, la serie Gemma 4 cuenta con:

Capacidad de tool calling orientada a escenarios Agent (function calling)
Capacidades multimodales (incluyendo imagen/video; los modelos pequeños también tienen capacidades relacionadas con voz)
Ventana de contexto 128K
Licencia Apache 2.0 (usable comercialmente)

Viendo las condiciones de hardware de Raspberry Pi, la variante E2B es la más adecuada para empezar a probar.

Paso 4: iniciar la API y abrir acceso en la red local

Después de cargar el modelo, primero inicié la API en el puerto local (4000) y confirmé mediante una petición HTTP que la lista de modelos podía devolverse.

El problema es que, por defecto, solo escucha en la propia máquina, así que otros dispositivos de la LAN no pueden acceder directamente.

Como los parámetros de inicio no permitían configurar directamente el host, usé socat para hacer reenvío de puerto: las peticiones al puerto externo de la Raspberry Pi se puentean al puerto interno de LM Studio, permitiendo acceso por LAN.

El resultado fue viable: desde un MacBook en la misma red local pude hacer la petición y obtener correctamente la lista de modelos.

Paso 5: integración con editor (Zed)

El servicio local de LM Studio es compatible con la forma de la OpenAI API, por lo que la mayoría de herramientas que soportan base_url personalizado pueden conectarse directamente.

En Zed añadí un nuevo LLM provider apuntando a la instancia de Gemma 4 en la Raspberry Pi, y después la prueba de chat dentro del editor funcionó.

Juicio de usabilidad real

Esta solución encaja con:

Scripts locales de automatización
Tareas auxiliares de baja concurrencia y baja exigencia de tiempo real
Aprendizaje personal y experimentos en dispositivos edge

No encaja tanto con:

Chat interactivo de alta frecuencia
Escenarios de colaboración de desarrollo sensibles a la latencia

Conclusión

Ejecutar Gemma 4 (E2B) en Raspberry Pi 5 es viable, y el resultado real fue mejor de lo esperado.

Si tu objetivo es “poder ejecutarlo offline, conectarlo a herramientas y completar tareas ligeras o medias”, esta ruta merece probarse. Si el objetivo es interacción fluida en tiempo real, sigue siendo recomendable usar hardware más potente.

Conectar OpenClaw con Gemma 4 local: guía completa de configuración

Wed, 08 Apr 2026 18:18:00 +0800

Este artículo muestra cómo conectar OpenClaw a un modelo Gemma 4 local, exponiendo la interfaz mediante Ollama.

Si todavía no completaste el despliegue local, puedes consultar primero:

Cómo ejecutar Gemma 4 en un portátil: guía de despliegue local en 5 minutos

Paso 1: iniciar el servicio API de Ollama

Primero inicia el servicio de Ollama:

`1`	`ollama serve`

Puedes probar rápidamente si la API funciona con el siguiente comando:

curl http://localhost:11434/api/generate -d '{
  "model": "gemma4:12b",
  "prompt": "你好"
}'

Si devuelve salida del modelo, significa que la API local ya está disponible.

Paso 2: configurar OpenClaw para acceder a Ollama

La ruta habitual del archivo de configuración de OpenClaw es:

`1`	`~/.openclaw/config.yaml`

Edita config.yaml y añade una entrada de modelo local dentro de models:

models:
  # 你已有的模型配置...

  gemma4-local:
    provider: ollama
    base_url: http://localhost:11434
    model: gemma4:12b
    timeout: 120s

Paso 3: establecer el modelo predeterminado (opcional)

Si quieres que Gemma 4 sea el modelo predeterminado, añade:

`1`	`default_model: gemma4-local`

Paso 4: reiniciar y verificar OpenClaw

Reinicia OpenClaw:

`1`	`openclaw restart`

Consulta la lista de modelos:

`1`	`openclaw models list`

Inicia una conversación de prueba:

`1`	`openclaw chat --model gemma4-local "你好"`

Si la conversación devuelve respuesta con normalidad, OpenClaw ya se conectó correctamente a Gemma 4 local.

Diagnóstico habitual

connection refused: confirma primero si ollama serve está ejecutándose.
Modelo no encontrado: comprueba que el nombre del modelo coincida con ollama list (por ejemplo gemma4:12b).
Timeout de respuesta: puedes aumentar timeout y probar primero con un modelo más pequeño.

Cómo ejecutar Gemma 4 en un portátil: guía de despliegue local en 5 minutos

Wed, 08 Apr 2026 18:06:00 +0800

Si quieres ejecutar Gemma 4 localmente en un portátil, Ollama es una de las opciones más sencillas actualmente. Incluso sin configurar un entorno complicado, normalmente se puede poner en marcha en unos 5 minutos.

Paso 1: instalar Ollama

Abre https://ollama.com y descarga el instalador correspondiente a tu sistema.
Completa la instalación según el sistema:

macOS: arrástralo a Applications.
Windows: ejecuta el instalador .exe.
Linux: usa el script de instalación ofrecido en el sitio oficial.

Tras la instalación, Ollama se ejecutará como servicio en segundo plano. Salvo durante la instalación inicial, en el uso diario suelen bastar comandos simples.

Paso 2: descargar el modelo Gemma 4

Abre una terminal y ejecuta:

`1`	`ollama pull gemma4:4b`

Si tu equipo tiene más rendimiento, puedes cambiarlo por 12b o 27b. Cuando termine la descarga, el modelo quedará guardado localmente.

Para ver los modelos descargados:

`1`	`ollama list`

Paso 3: iniciar el modelo

`1`	`ollama run gemma4:4b`

Esto abrirá una conversación interactiva en la terminal. Escribe una pregunta y pulsa Enter; para terminar la sesión puedes introducir:

/bye

Si prefieres una interfaz de chat web, puedes usarlo junto con Open WebUI. Esta herramienta envuelve Ollama en una UI de navegador y normalmente se configura en pocos minutos con Docker.

Consejos de optimización para portátiles

Apple Silicon (M2/M3/M4): por defecto usa Metal y la aceleración suele funcionar muy bien; 12B también puede ofrecer una buena experiencia.
Tarjeta NVIDIA: cuando detecta una GPU compatible, suele usar CUDA automáticamente. Conviene actualizar los drivers con antelación.
Inferencia solo con CPU: se puede ejecutar, pero los modelos grandes serán claramente más lentos; en la mayoría de escenarios CPU-only conviene priorizar 4B.
Liberar memoria: antes de cargar modelos grandes, cierra en lo posible aplicaciones que consuman mucha memoria. Como referencia práctica, cada mil millones de parámetros suelen necesitar entre 0.5GB y 1GB de memoria.

Cómo elegir modelo

Gemma 4 1B: adecuado para preguntas y respuestas ligeras, resúmenes básicos y consultas rápidas; su capacidad de razonamiento complejo es limitada.
Gemma 4 4B: adecuado para la mayoría de tareas diarias (ayuda de escritura, ayuda de código, resumen de materiales), con buen equilibrio entre velocidad y calidad.
Gemma 4 12B: adecuado para contextos más largos y tareas más complejas; es más estable en escenarios de código y razonamiento.
Gemma 4 27B: adecuado para tareas exigentes; el resultado se acerca más a modelos grandes en la nube, pero requiere mucho más hardware.

Instalar y ejecutar Gemma 4 en Android: guía completa de inicio

Wed, 08 Apr 2026 17:55:53 +0800

Si quieres probar Gemma 4 sin conexión en el teléfono, este artículo te lleva paso a paso desde la instalación hasta las funciones prácticas.

Paso 1: obtener la aplicación

Google AI Edge Gallery actualmente no está publicado en Google Play, así que hay que instalarlo mediante sideload de APK.

En el dispositivo Android, entra en:

Ajustes -> Aplicaciones -> Acceso especial de apps -> Instalar apps desconocidas

Después:

Busca el navegador que usas (por ejemplo Chrome o Firefox) y activa “Permitir desde esta fuente”.
Abre en el navegador del teléfono la página GitHub Releases de Google AI Edge Gallery.

Dirección: https://github.com/google-ai-edge/gallery/releases

Descarga el paquete .apk más reciente.
Cuando termine la descarga, abre el instalador desde la barra de notificaciones o el gestor de archivos y completa la instalación siguiendo las indicaciones.

Con una red normal, este paso suele completarse en unos 2 minutos.

Paso 2: primer inicio y permisos

Al abrir AI Edge Gallery por primera vez, la aplicación solicitará permiso de almacenamiento para guardar los archivos de modelos. Se recomienda permitirlo directamente; de lo contrario, la aplicación no podrá descargar ni cargar modelos.

En la página principal suelen aparecer estas entradas:

Ask Image: tareas de comprensión de imágenes (describir imágenes o responder preguntas relacionadas con ellas)
AI Chat: conversación de texto general
Summarize: pegar texto y generar un resumen
Smart Reply: generar sugerencias de respuesta

La opción más usada por la mayoría de usuarios es AI Chat.

Paso 3: descargar el modelo Gemma 4

Entra en AI Chat.
Haz clic en Get Models cuando aparezca la indicación.
Selecciona una versión de Gemma 4 en la lista de modelos (se mostrará su tamaño).
Elige el modelo según el rendimiento del dispositivo; si tu teléfono tiene 8GB RAM, puedes empezar por Gemma 4 4B.
Pulsa Download y la descarga comenzará en segundo plano.

Nota: cuanto más grande sea el modelo, más tardará la descarga. También puedes descargar varios modelos y cambiarlos después cuando lo necesites. Los modelos descargados se guardan localmente y no hace falta volver a descargarlos.

Paso 4: empezar a conversar

Cuando termine la descarga del modelo:

Pulsa el nombre del modelo para cargarlo (la primera carga suele tardar entre 10 y 30 segundos, según el tamaño del modelo y el rendimiento del dispositivo).
Escribe una pregunta en el cuadro de chat y envíala.
El modelo generará la respuesta localmente; los datos no se subirán a la nube.

Normalmente la primera respuesta será algo más lenta. Es un fenómeno normal de calentamiento del modelo; las respuestas siguientes dentro de la misma conversación suelen ser más rápidas.

Paso 5: probar capacidades visuales (Gemma 4 multimodal)

Si descargaste una versión multimodal de Gemma 4:

Vuelve al menú principal y entra en Ask Image.
Selecciona una imagen o toma una foto directamente.
Escribe la pregunta que quieres hacer, por ejemplo “¿Qué hay en esta imagen?” o “¿Qué texto importante aparece en la imagen?”.
Espera a que el modelo analice la imagen localmente y devuelva el resultado.

Esta función puede usarse sin conexión y el contenido de la imagen tampoco se enviará a servidores externos.

Comparación de modelos Google Gemma 4: cómo elegir entre 2B/4B/26B/31B

Sun, 05 Apr 2026 08:30:00 +0800

Gemma 4 se centra en la “multimodalidad” y la “inferencia local fuera de línea”, con una gama completa desde modelos livianos hasta modelos de alto rendimiento. Para la mayoría de los usuarios de implementación local, la clave no es elegir el modelo más grande, sino el que mejor se adapte a las necesidades de hardware y tareas.

Comparación de modelos Gemma 4

La siguiente tabla es para una selección rápida del modelo. El rendimiento real y el uso de recursos deben validarse en su propio entorno.

Modelo	Tamaño del parámetro	Posicionamiento	Fortalezas clave	Principales limitaciones	Escenarios recomendados
Gema 4 2B	2B	Ultraligero	Baja latencia, bajo uso de recursos, barrera de implementación más baja	Rendimiento limitado en razonamientos complejos y largas cadenas de tareas	Móvil, IoT, preguntas y respuestas ligeras, automatización sencilla
Gema 4 4B	4B	Ligero mejorado	Mayor comprensión y generación que 2B, aún fácil de implementar localmente	Límite limitado para codificación pesada y tareas complejas de agentes	Asistente local, trabajo documental básico, tareas diarias multilingües
Gema 4 26B	26B	Alto rendimiento (MoE)	Mejor razonamiento y uso de herramientas, adecuado para flujos de trabajo de producción	Requisito de VRAM y umbral de hardware significativamente mayores	Asistente de codificación, flujos de trabajo complejos, agentes internos empresariales
Gema 4 31B	31B	Alto rendimiento (denso)	Mejor capacidad general y mayor estabilidad en tareas complejas	Mayor coste de recursos y complejidad de ajuste	Razonamiento avanzado, tareas de codificación complejas, automatización intensa

Cómo elegir: comenzar desde hardware y tareas

Si su principal preocupación es si funciona sin problemas, utilice esta guía:

VRAM 8GB: prioriza 2B/4B.
VRAM 12GB: prioriza 4B o variantes cuantificadas de modelos más grandes.
VRAM 24GB: céntrese en 26B y evalúe 31B cuantificados según la carga de trabajo.
Mayor VRAM o multi-GPU: considere configuraciones 31B de alta precisión.

Primero, priorice la estabilidad y la velocidad de inferencia y luego aumente gradualmente el tamaño del modelo.

Cuatro casos de uso típicos

1) Asistente General Local

Modelo preferido: 4B
Por qué: fuerte equilibrio entre coste y calidad, adecuado para un uso local a largo plazo.

2) Codificación y automatización

Modelo preferido: 26B
Por qué: más estable en tareas de varios pasos, llamadas a herramientas y generación de scripts.

3) Razonamiento avanzado y agentes complejos

Modelo preferido: 31B
Por qué: mayor solidez en un contexto complejo.

4) Dispositivos perimetrales y uso ligero sin conexión

Modelo preferido: 2B
Por qué: es más fácil de implementar en dispositivos con recursos limitados.

Sugerencias de implementación (Ollama)

Un enfoque práctico es iterar en pequeños pasos:

Comience con 4B para establecer una línea de base (latencia, memoria, calidad).
Cree un conjunto de pruebas fijo a partir de tareas reales (por ejemplo, 20 preguntas comunes + 10 tareas de automatización).
Compare 26B/31B con el conjunto en cuanto a precisión, latencia y costo de VRAM.
Actualice sólo cuando la ganancia sea clara.

Esto evita saltar a un modelo grande demasiado pronto y sufrir retrasos, bajo rendimiento y gastos generales de mantenimiento.

Conclusión

El valor real de Gemma 4 no es sólo un mayor número de parámetros, sino también un modelo práctico que permite pasar de ser liviano a uno de alto rendimiento:

Para una implementación rápida y de bajo costo: comience con “2B/4B”.
Para flujos de trabajo de IA locales de nivel de producción: priorice “26B”.
Para razonamiento avanzado y automatización intensa: pase a 31B.

En la mayoría de los casos, la mejor opción de Gemma 4 no es el modelo más grande, sino el que mejor se adapta a su hardware y objetivos de tareas.

Publicaciones relacionadas

Guía de Cuantización LLM (FP16/Q8/Q5/Q4/Q2)
Desinstalar completamente Ollama en Linux
Ruta de almacenamiento y migración del modelo Ollama
Cómo comprobar si Ollama usa GPU
Cómo instalar y ejecutar Gemma 4 en Android
Cómo ejecutar Gemma 4 en una computadora portátil: guía de configuración local de 5 minutos

Gemma 4 on KnightLi Blog

Gemma 4 E4B Sin censura versus oficial: lo que realmente cambia

Lo que afirma explícitamente el modelo derivado

Modelo oficial versus derivado “sin censura”

La diferencia principal es la alineación, no la capacidad bruta

Por qué la versión oficial se comporta de manera diferente

Cuando el modelo oficial es la mejor opción

Cuando la gente elige el derivado sin censura

Conclusión práctica

Fuentes

Implemente el Agente Hermes localmente en Windows con WSL + Ollama y Connect Telegram

Flujo general

1. Instale WSL y Ubuntu

2. Actualice Ubuntu e instale el entorno base

Instalar Python

Instalar zstd

Instalar Node.js

Instalar Git

3. Instala Ollama y tira de Gemma 4

4. Instalar y configurar el Agente Hermes

Comandos comunes del agente Hermes

Empezar

Vuelva a ingresar a la configuración

Configurar la puerta de enlace de chat

Actualizar

Pasos básicos de conexión a Telegram

¿A quién se adapta esta configuración?

Algunas cosas a tener en cuenta

Conclusión

Referencia original

Cómo reparar el error de verificación del certificado SSL cuando llama-cli se descarga desde Hugging Face en Windows

La solución más sencilla: descargar el modelo manualmente

Si aún deseas utilizar la descarga automática -hf

Diagnóstico y soluciones para descargas muy lentas con ollama pull

Obtener la dirección de descarga del archivo del modelo

Dirección del manifest

Direcciones de blobs

Dirección real después de la redirección

Ajustar la configuración de red

Comparación antes y después del ajuste

Gemma 4 en Raspberry Pi 5: viable, pero con respuestas lentas

Entorno de prueba

Paso 1: instalar e iniciar LM Studio CLI

Paso 2: mover el almacenamiento de modelos a un SSD

Paso 3: descargar y cargar Gemma 4 E2B

Paso 4: iniciar la API y abrir acceso en la red local

Paso 5: integración con editor (Zed)

Juicio de usabilidad real

Conclusión

Conectar OpenClaw con Gemma 4 local: guía completa de configuración

Paso 1: iniciar el servicio API de Ollama

Paso 2: configurar OpenClaw para acceder a Ollama

Paso 3: establecer el modelo predeterminado (opcional)

Paso 4: reiniciar y verificar OpenClaw

Diagnóstico habitual

Cómo ejecutar Gemma 4 en un portátil: guía de despliegue local en 5 minutos

Paso 1: instalar Ollama

Paso 2: descargar el modelo Gemma 4

Paso 3: iniciar el modelo

Consejos de optimización para portátiles

Cómo elegir modelo

Instalar y ejecutar Gemma 4 en Android: guía completa de inicio

Paso 1: obtener la aplicación

Paso 2: primer inicio y permisos

Paso 3: descargar el modelo Gemma 4

Paso 4: empezar a conversar

Paso 5: probar capacidades visuales (Gemma 4 multimodal)

Comparación de modelos Google Gemma 4: cómo elegir entre 2B/4B/26B/31B

Comparación de modelos Gemma 4

Cómo elegir: comenzar desde hardware y tareas

Cuatro casos de uso típicos

1) Asistente General Local

2) Codificación y automatización

3) Razonamiento avanzado y agentes complejos

4) Dispositivos perimetrales y uso ligero sin conexión

Sugerencias de implementación (Ollama)

Conclusión

Publicaciones relacionadas

Si aún deseas utilizar la descarga automática `-hf`