✍️ Gate 廣場「創作者認證激勵計劃」進行中！
我們歡迎優質創作者積極創作，申請認證
贏取豪華代幣獎池、Gate 精美周邊、流量曝光等超過 $10,000+ 豐厚獎勵！
立即報名 👉 https://www.gate.com/questionnaire/7159
📕 認證申請步驟：
1️⃣ App 首頁底部進入【廣場】 → 點擊右上角頭像進入個人主頁
2️⃣ 點擊頭像右下角【申請認證】進入認證頁面，等待審核
讓優質內容被更多人看到，一起共建創作者社區！
活動詳情：https://www.gate.com/announcements/article/47889
Google的Gemma已經像Gemini一樣——有人讓它也像Claude Opus一樣思考
如果你一直關注本地 AI 領域，你可能知道 Qwopus——這個開源模型，試圖將 Claude Opus 4.6 的推理能力濃縮到阿里巴巴的 Qwen 上，讓你可以在自己的硬體上免費運行類似 Opus 的模型。效果出乎意料地好。顯而易見的缺點：Qwen 是一個中國模型，並非每個人都對此感到舒服。 Jackrong，同一位以化名身份開發該項目的開發者，聽取了反饋。他的答案是 Gemopus——一個全新家族的 Claude Opus 風格微調模型，完全基於 Google 的開源 Gemma 4 架構打造。美國血統，同樣的理念：前沿推理能力，在你已擁有的硬體上本地運行。 這個家族有兩種版本。Gemopus-4-26B-A4B 是較重的選擇——一個專家混合模型，擁有 260 億個參數，但在推理時只激活約 40 億個，這意味著它在受限硬體上也能展現出超出其重量的性能。
參數數量決定了 AI 的學習、推理和存儲能力。擁有 260 億個參數，讓模型擁有廣泛的知識面。但通過只“喚醒”與特定提示相關的 40 億參數，它能在保持輕量的同時，提供大型 AI 的高質量結果，並能在日常硬體上流暢運行。 另一個是 Gemopus-4-E4B，一個 40 億參數的邊緣模型，設計用於在現代 iPhone 或輕薄的 MacBook 上輕鬆運行——不需要 GPU。 基礎模型的選擇很重要。Google 的 Gemma 4 於4月2日發布，直接基於同樣的研究和技術構建，與 Gemini 3 共享技術——公司在發布時明確表示。這意味著 Gemopus 擁有一些 Qwen 微調模型無法聲稱的特點：Google 自家最先進封閉模型的 DNA，包裹在 Anthropic 的思維風格之上。兩者的優點，或多或少。
使 Gemopus 與當前湧入 Hugging Face 的其他 Gemma 微調模型不同的，是其背後的理念。Jackrong 有意選擇不將 Claude 的思維鏈推理痕跡強加到 Gemma 的權重中——這是大多數競爭版本採用的捷徑。 他根據最新研究提出的論點是，將學生模型用教師的表層推理文本塞滿，並不真正轉移出真正的推理能力。這只教會模仿，而非邏輯。“沒有必要過度想像或迷信複製 Claude 風格的思維鏈，”模型說明中寫道。相反，他專注於答案質量、結構清晰和對話自然——修正 Gemma 僵硬的維基風格語調，以及它經常對你未曾詢問的事情進行說教的傾向。 AI 基礎設施工程師 Kyle Hessling 進行了獨立基準測試，並將結果直接發布在模型說明中。他對 26B 版本的評價相當正面。“很高興對這個模型進行了充分測試，它是對一個已經非常出色模型的優秀微調，”他在 X 上寫道。“它在長上下文的一次性請求中表現出色，並且由於 MOE 混合架構，運行速度非常快。”
較小的 E4B 版本通過了所有 14 項核心能力測試——指令遵循、編碼、數學、多步推理、翻譯、安全、快取——並且在 30K 和 60K 令牌的長上下文測試中全部通過。在針對針頭大海的檢索測試中，通過了 13/13 的測試，包括在一百萬令牌的擴展測試中使用 YaRN 8× RoPE 擴展。
26B 版本原生支持 131K 的上下文，並且通過 YaRN 擴展可達 524K，Hessling 也對此進行了壓力測試：“它在我簡單的針頭大海測試中，也徹底擊潰了，擴展到 524K 的長上下文！” 在邊緣硬體上，E4B 真正快速。Jackrong 報告稱，在 iPhone 17 Pro Max 上每秒 45–60 令牌，在 MacBook Air M3/M4 上通過 MLX 每秒 90–120 令牌。由於採用 MoE 架構，26B 模型在統一記憶體系統或 VRAM 不足 10GB 的 GPU 上也能優雅地卸載。Hessling 建議它是 VRAM 缺乏的日常使用首選。
兩個模型都以 GGUF 格式提供，這意味著你可以直接放入 LM Studio 或 llama.cpp，無需配置。完整的訓練代碼和逐步微調指南都在 Jackrong 的 GitHub 上——與他用於 Qwopus 的流程相同，使用相同的 Unsloth 和 LoRA 設置，可在 Colab 上復現。 Gemopus 並非沒有瑕疵。Tool calling 在 llama.cpp 和 LM Studio 的 Gemma 4 系列中仍然存在問題——呼叫失敗、格式不匹配、循環——因此如果你的工作流程依賴外部工具的代理，這還不是你的理想模型。Jackrong 自己稱其為“工程探索參考，而非完全商用的解決方案”，並建議需要更穩定的實際工作負載時使用他的 Qwopus 3.5 系列。 由於 Jackrong 有意避免激進的 Claude 風格思維鏈濃縮，不要期待它像 Qwopus 一樣深刻地具有 Opus 大腦——這是為了穩定性做出的有意取捨，而非疏忽。
對於那些想深入研究 Gemma 微調以專注於推理的用戶，還有一個值得關注的社群項目：由化名開發者 DJLougen 推出的 Ornstein，該項目基於相同的 26B Gemma 4 基礎，專注於改進其推理鏈，並不依賴任何特定第三方模型的邏輯或風格。 一個誠實的警告：Gemma 的訓練動態比 Qwen 更為混亂——損失波動更大，超參數敏感度更高。Jackrong 自己也承認。如果你需要一個經過更多實戰驗證的本地模型用於生產流程，他的 Qwopus 3.5 系列仍然更為穩健。但如果你想要一個具有 Opus 風格潤色的美國模型，Gemopus 目前是你最好的選擇。一個更密集的 31B Gemopus 版本也在開發中，Hessling 預告它“絕對是一個爆款”。 如果你想嘗試在自己的硬體上運行本地模型，請參考我們的本地 AI 入門指南。