LLM Local 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

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