base_model: zaakirio/gemma-4-12b-it-uncensored license: gemma pipeline_tag: image-text-to-text tags:
- gguf
- llama.cpp
- gemma
- gemma4
- heretic
- abliterated
- uncensored
- decensored
- conversational
- multimodal
- audio
gemma-4-12b-it-uncensored — GGUF
zaakirio/gemma-4-12b-it-uncensored 的 GGUF 量化版本,该模型是基于 google/gemma-4-12B-it 去除审查(通过 Heretic 消融定向特征)的去审查版本。
这些文件适用于 llama.cpp 运行。
Gemma 4 12B(2026年6月的“Unified”统一发布版)是一款**免编码器的统一多模态(encoder-free unified multimodal)**模型:文本、图像、音频和视频均直接投影到单个纯解码器 Transformer 中,上下文窗口最高达 256K tokens。消融(Abliteration)仅作用于语言权重,因此这些多模态能力得以完整保留。
文件列表 (Files)
文件名遵循 gemma-4-12b-it-uncensored-<QUANT>.gguf 规范。
| 量化版本 | 大小 | 说明 |
|---|---|---|
| Q2_K | 4.50 GB | 体积最小;质量最低。仅在内存极其受限时使用。 |
| Q3_K_M | 5.67 GB | 体积小;适合低内存环境。 |
| Q4_K_S | 6.54 GB | 紧凑型 4-bit。 |
| Q4_K_M | 6.87 GB | 推荐 — 体积与质量的最佳平衡。 |
| Q5_K_M | 7.96 GB | 质量更高,体积略大。 |
| Q6_K | 9.11 GB | 接近无损质量。 |
| Q8_0 | 11.80 GB | 相较于 BF16 源模型基本无损。 |
| f16 | 22.20 GB | 全精度;供参考或重新量化使用。 |
不知道如何选择?建议优先选用 Q4_K_M。 如果内存充足且追求最高保真度,可升级到 Q5/Q6/Q8;仅在显存或内存严重受限时才降级到 Q3/Q2。
多模态投影器(用于图像/音频输入 — 参见 多模态):
| 文件 | 大小 | 说明 |
|---|---|---|
mmproj-gemma-4-12B-it-bf16.gguf | 0.16 GB | 多模态投影器 — 可与上述任意量化版本搭配使用。 |
mtp-gemma-4-12b-it-uncensored.gguf | 0.47 GB | 可选的 MTP 投机解码草稿模型(drafter) — 在 GPU 上提供更快的生成速度。详见 借助 MTP 加速生成。 |
使用方法 (Usage)
llama.cpp(自动从本仓库下载所选量化文件):
# 交互式对话
llama-cli -hf zaakirio/gemma-4-12b-it-uncensored-GGUF:Q4_K_M --jinja
# 带有 Web 界面的兼容 OpenAI 接口服务
llama-server -hf zaakirio/gemma-4-12b-it-uncensored-GGUF:Q4_K_M --jinja -c 4096
-c 设置上下文窗口长度。Gemma 4 12B 最高支持 256K tokens(-c 262144);在内存允许的情况下,处理长对话/长文档时可以调高该值 — 4096 仅为一个轻量级默认值。
或者使用已下载到本地的文件:
llama-cli -m gemma-4-12b-it-uncensored-Q4_K_M.gguf --jinja -p "Hello, who are you?"
下载单个文件:
pip install -U "huggingface_hub[cli]"
hf download zaakirio/gemma-4-12b-it-uncensored-GGUF \
--include "gemma-4-12b-it-uncensored-Q4_K_M.gguf" --local-dir ./
提示词格式与配置 (Prompt format & settings)
对话模板已内嵌在 GGUF 文件中 — 支持聊天模板的工具会自动应用它(在 llama.cpp 中请始终加上 --jinja)。作为参考,Gemma 4 引入了新的回合标记符 — <|turn> / <turn|>,替代了 Gemma 3 的 <start_of_turn> / <end_of_turn> — 并且现已支持专用的 system 角色:
<|turn>system
{系统指令(可选)}<turn|>
<|turn>user
{提示词}<turn|>
<|turn>model
图像和音频输入使用 <|image|> 和 <|audio|> 占位符标记,多模态流水线会自动进行填充(参见 多模态)。
推荐采样参数(Google 默认值):--temp 1.0 --top-p 0.95 --top-k 64。
思考模式(Thinking mode): Gemma 4 具备推理通道。如需禁用,请向 llama-server 传递参数 --chat-template-kwargs '{"enable_thinking":false}'。
多模态 (Multimodal)
在 llama.cpp 中,多模态输入通过单独的投影器文件提供;语言模型 .gguf 本身仅支持文本,直接输入多媒体数据会被拒绝。本仓库包含 mmproj-gemma-4-12B-it-bf16.gguf,它同时包含视觉和音频编码器(clip.has_vision_encoder 与 clip.has_audio_encoder)。
实际体验: 图像和音频输入均能正常工作。 已使用
llama-mtmd-cli进行验证:它可直接接受.wav/.mp3,并对真实语音生成了准确的多语言转录文本。llama.cpp 将音频标记为实验性功能("audio input is in experimental stage and may have reduced quality"),因此请将 ASR 质量视为尽力而为(best-effort)。视频则被处理为采样视频帧(加音频),取决于客户端是否完成视频抽帧。
当通过 -hf 加载时,llama.cpp 会自动从本仓库下载投影器 — 图像即可直接工作:
llama-server -hf zaakirio/gemma-4-12b-it-uncensored-GGUF:Q4_K_M --jinja
对于本地文件,请使用 --mmproj 显式指定:
llama-server -m gemma-4-12b-it-uncensored-Q4_K_M.gguf \
--mmproj mmproj-gemma-4-12B-it-bf16.gguf --jinja
# 下载这两个文件
hf download zaakirio/gemma-4-12b-it-uncensored-GGUF \
--include "gemma-4-12b-it-uncensored-Q4_K_M.gguf" "mmproj-gemma-4-12B-it-bf16.gguf" --local-dir ./
在命令行中使用 llama-mtmd-cli 进行单次图像或音频推理:
# 图像
llama-mtmd-cli -m gemma-4-12b-it-uncensored-Q4_K_M.gguf \
--mmproj mmproj-gemma-4-12B-it-bf16.gguf --jinja \
--image photo.png -p "What's in this image?"
# 音频(在 llama.cpp 中为实验性功能;推荐 16 kHz WAV)
llama-mtmd-cli -m gemma-4-12b-it-uncensored-Q4_K_M.gguf \
--mmproj mmproj-gemma-4-12B-it-bf16.gguf --jinja \
--audio clip.wav -p "Transcribe this audio."
该投影器为原版未修改的 Gemma 4 投影器(消融去审查并未对其进行改动)。推荐使用 bf16 — 其体积足够小,进行量化收益微乎其微。
借助 MTP(投机解码)加速生成
Gemma 4 提供了一个轻量级(约 0.4B)多标记预测(MTP, multi-token-prediction)草稿模型(google/gemma-4-12B-it-assistant),通过自投机解码加速生成:草稿模型一次性预测多个 token,主模型在单次前向传递中验证它们。输出结果与常规解码完全一致 — 投机解码在数学上是严格等价的,因此它仅改变速度,绝不会影响生成质量,模型也不会因为加速而降低无审查程度:主模型会验证并决定每个输出的 token;草稿模型仅负责提议。(Google 官方也强调了这一点 — MTP“保证与标准自回归生成完全相同的质量” — llama.cpp 的实现 PR 也通过完全复现 Gemma 官方公布的 AIME-26 成绩证实了这一点。)
出于同样的原因,草稿模型不需要进行去审查消融:本仓库提供了 Google 未修改的官方上游 Gemma 4 草稿模型(文件重命名为 mtp-gemma-4-12b-it-uncensored.gguf 仅为便于与主干模型并列存放 — 权重完全来自官方上游),你的去审查主干模型会验证每个 token。与上述多模态投影器一样,它独立于对齐调整。
Gemma 4 的 MTP 支持已合并入 llama.cpp PR #23398(合并于 2026-06-07;亦可参阅支持讨论 #22735),因此需要使用该日期或之后的 llama.cpp 版本。
# 获取主干模型与 MTP 草稿模型
hf download zaakirio/gemma-4-12b-it-uncensored-GGUF \
--include "gemma-4-12b-it-uncensored-Q4_K_M.gguf" "mtp-gemma-4-12b-it-uncensored.gguf" --local-dir ./
# 启用 MTP 运行服务
llama-server -m gemma-4-12b-it-uncensored-Q4_K_M.gguf \
--model-draft mtp-gemma-4-12b-it-uncensored.gguf \
--spec-type draft-mtp --spec-draft-n-max 4 \
-ngl 99 --flash-attn auto --jinja
⚠️ MTP 在 GPU 上有显著提升,但在 Apple Silicon 上反而更慢
性能收益完全取决于所使用的计算后端。
在 GPU 上有明显提升。 实现 PR 在稠密版 Gemma 4 (31B) 模型上测得超过 2 倍的吞吐量(NVIDIA DGX Spark 环境,在 --spec-draft-n-max 4 下平均草稿接受率约为 0.59),Unsloth 也报告使用 MTP 的 Gemma 4 吞吐量提升了 1.5–2.2 倍。(PR #23398,Unsloth MTP 指南。)
在 Apple Silicon (Metal) 上性能出现倒退。 在当前模型上的实际测试结果如下 — Q4_K_M,Apple M4 Pro,采用 Gemma 默认采样参数(--temp 1.0 --top-p 0.95 --top-k 64),通过 llama-server 测得:
| M4 Pro / Metal · Q4_K_M | 生成速度 | 草稿接受率 |
|---|---|---|
| MTP 关闭(基准) | ~27 tok/s | — |
MTP 开启 (--spec-draft-n-max 4) | ~12 tok/s(约慢 2 倍) | ~0.45 |
草稿 token 确实被接受了(~45%),但在 Metal 后端上,评估草稿模型的额外开销超过了其减少的解码步数所带来的收益。这并非该模型特有的问题:一份独立评测报告(#23752 — M1 Max 上的 Qwen3.5-9B)也发现在所有设置下 MTP 都更慢,即使接受率达到 100% 也是如此,因此在 Metal 上调整采样参数无法挽救该开销。
使用建议: 在 NVIDIA (CUDA) GPU 上部署时建议开启 MTP;在 Mac 上请保持关闭。在 GPU 上,采用贪心解码或低温采样会进一步提高接受率并扩大加速比。
关于基础模型 (About the base model)
使用 Heretic(自动方向消融技术)制作的去审查衍生版本。与原版对比:
| 指标 | 去审查版本 | 原版 |
|---|---|---|
| 拒绝回答次数 (/100 个有害提示词) | 23 | 99 |
| KL 散度 (无害提示词) | 0.043 | 0 (按定义) |
这里的拒绝次数是基于 Heretic 的关键词启发式统计得出的,已知该统计方法存在过量统计倾向(会将带有免责声明但实际执行的合规回答标记为拒绝回答;根据 arXiv:2512.13655,其精准度约为 11%)。我们仅报告实际测得的标记数值,并未在本模型上运行基于分类器的完整评测,因此实际合规回答比例很可能更高。关于具体参数与详细说明,请参阅源模型卡片。
预期用途与免责声明 (Intended use & disclaimer)
该模型大幅去除了原有的拒绝行为,将遵循原版会拒绝的指令。模型仅供学术研究和不受限的本地使用。用户对其使用方式以及遵守相关法律法规负全部责任,同时须遵守适用于本衍生模型的基础模型 Gemma 许可协议。本模型不适合所有受众。
来源信息 (Provenance)
- 量化来源:使用 llama.cpp
convert_hf_to_gguf.py+llama-quantize对zaakirio/gemma-4-12b-it-uncensored(BF16) 进行量化。 - 基础模型:
google/gemma-4-12B-it - 去审查工具:p-e-w 开发的 Heretic · 技术原理:Arditi et al. (2024)
- MTP 草稿模型(
mtp-gemma-4-12b-it-uncensored.gguf):未经修改的官方上游google/gemma-4-12B-it-assistant(~0.4 B),通过unsloth/gemma-4-12b-it-GGUF提供的 Q8_0 GGUF 版本。未经消融 — 其仅负责提议 token;去审查主干模型会对每个 token 进行验证,因此生成结果与单独运行该模型完全一致。