#### 内容简介 这份资料介绍了 HauhauCS 发布的「Gemma-4-E4B-IT」去拒答（uncensored）版本——Aggressive 变体，主打“完全解锁、不再拒绝提示词”，在不改变原始数据集与能力的前提下，仅移除拒答机制，力求做到“无损去审查”。作者强调该版本可能偶尔附带简短免责声明（来自底模训练习惯），但不会影响完整内容输出。项目同时提供自定义的 K_P（Perfect）量化版本：通过针对单模型的分析与重要性矩阵（imatrix）优化，在仅增加约 5–15% 体积的情况下，把量化质量提升约 1–2 个档位，并保持对 llama.cpp、LM Studio 等 GGUF 生态的兼容。模型规格为 4B 参数、131K 上下文、原生多模态（文/图/视频/音频），并给出官方推荐采样参数与运行注意事项（如 llama.cpp 需启用 --jinja，使用多模态需配套 mmproj 文件）。作者也坦承：由于 Google 引入类似 NVIDIA GenRM 的“生成式奖励模型/内部批评器”机制，真正的去拒答更具挑战，长上下文场景未做大量人工测试，因而标注了谨慎的“0/465 Refusals*”。 #### 社区观点 不少人认为，“不改数据与能力、只移除拒答”的定位很清晰，适合需要高可控输出或研究对齐/安全边界的用户，但也意味着使用者需要自行承担更高的内容与合规风险。 也有观点强调，Aggressive 变体的价值在于“尽量不拦截”，但免责声明等“底模习惯”仍可能影响对话体验，实际是否算“完全解锁”要看具体任务与提示词分布。 关于 K_P 量化，讨论集中在“更接近高精度且不显著增大体积”的性价比优势，尤其适合本地推理；同时提醒 LM Studio 显示为 “?” 只是界面问题，别误判兼容性。 另有人关注作者对长上下文测试不足的坦诚：131K 的标称能力很吸引人，但在超长输入、复杂多模态或边缘场景下，稳定性仍需自行验证与回归测试。 #### 内容导读 这份资料可以按“三件事”来读： 第一，先弄清它是什么：基于 google/gemma-4-e4b-it 的去拒答版本，Aggressive 代表更强的解锁力度，目标是尽量不拒答、不拦截。 第二，看它怎么交付与怎么用：重点是 GGUF 生态的可用性（llama.cpp、LM Studio 等）、聊天模板需要 --jinja、多模态需要额外 mmproj 文件；同时留意 HuggingFace 的硬件兼容小组件可能漏显示 K_P 文件，需要去“Files and versions”找全。 第三，理解它的取舍与风险：作者强调“能力不变、拒答减少”，但也明确提示长上下文手测有限，并指出新一代内部“奖励/批评器”让去拒答更难——因此在你真正依赖它做生产或敏感任务前，最好用自己的提示集做一轮稳定性与输出一致性测试。