角色一致性
問一個只有角色背景才答得出的選擇題。
回覆有用對價值觀和過往經歷嗎？有沒有把整張角色卡再講一次？
繁體中文
五分鐘快測
先測實際體驗，再找預設
每次改動後都跑同一組短提示。評估實際回覆，不要拿 benchmark 代替角色體驗。比較模型或設定時，固定角色卡、上下文長度和取樣設定。
創意幅度
加上一個不尋常的限制，請它接著寫場景。
它能保留角色語氣，同時補上具體細節嗎？
覆誦
生成一段短場景，再連續重新生成兩次。
統計重複的句子、短語和循環式結尾。
摘要記憶
聊過幾輪後，請它用四行整理目前的場景狀態。
把人物、目標和未解決的事實逐項對照紀錄。
長上下文
在開頭放入一個事實，加入長場景後再問它。
記下這個事實是否還找得到，以及文字品質有沒有下降。
一次只改一層
修正原因，別憑感覺亂調
角色扮演的品質是一條鏈。覆誦可能來自模型，也可能是舊的 chat template、資訊過多的角色卡，或把模型推向同一條 token 路徑的取樣設定。
1. 模型名稱與量化
區分 Gemma 4 31B dense 與 26B A4B MoE。Q4、Q5、Q6 代表量化檔案，不是新的官方模型。記下確切的 checkpoint 或供應商 model slug。
2. 模板與 thinking
使用後端提供的 Gemma 4 模板與 tokenizer。Google 說明原生 system prompt 和可選的 thinking。控制標記若直接出現在正文，先修正這一層。
3. 取樣基準
先從官方基準 temperature 1.0、top-p 0.95、top-k 64 開始。一次只改一個數值，保存結果，再用同一組提示重測。DRY 可以試，但那是社群實驗，不是保證。
4. 角色卡與上下文
刪掉重複的 lore、模糊特徵和彼此衝突的指令。保留精簡的場景狀態，在上下文變成雜訊前先摘要舊對話。
Queen、Equinox 或特定發行者的 GGUF 都是社群發行品，不是 Google 的預設值。安全規則和所在地政策仍然要遵守。
角色卡整理
撐得過長場景的角色卡
讓模型需要協調的規則少一點。寫清楚角色做什麼、想要什麼、記得什麼，也替場景留下轉圜的空間。
用範例固定語氣
放兩三段短對話，示範想要的節奏。不要塞進十個只重複同一種句型的範例。
替事實排優先順序
把固定事實、目前目標和暫時的場景細節分開。事實改變時只改一個來源，不要在卡片末尾一條條補充修正。
保留使用者主導權
寫明哪些事由角色決定，哪些事交給使用者。這能減少模型代替使用者寫動作，或強行決定場景結局。
保存精簡摘要
在自然的停頓記下地點、關係、未完線索和最後一個動作。短摘要比重複整段對話更容易被取回。
把資料放在聊天旁
用 Tabbit 處理場景之外的世界
Tabbit 不是本地 Gemma 執行器，也不是 SillyTavern 角色卡管理器。當 RP 資料散落在角色 wiki、設定文件、研究分頁和多個模型回覆中，它可以幫你把資料放進同一個瀏覽器工作區。
- 1
開啟角色 wiki
把設定、canon 筆記或研究來源留在分頁裡。Tabbit 能在側邊面板摘要頁面，不必手動複製每一段。
- 2
用 @ 引用來源
用 @ 把開啟的頁面、螢幕截圖或檔案帶進提示。請它檢查連貫性、整理場景摘要，或列出尚未解決的事實。
- 3
比較目前清單中的模型
選擇器目前可看到 GPT-5.4、GPT-5.2-Chat、Gemini-3.1-Pro、Gemini-3-Flash 和 Claude-Sonnet-4.6 等模型。清單會變動，而且這張截圖沒有 Gemma 4。
選對工作面
本地 RP 控制，還是瀏覽器上下文？
兩種工作流程處理的是不同瓶頸。需要角色卡和取樣控制時，使用本地前端；缺少的是散落在網頁和檔案裡的資料時，再交給瀏覽器。
| 本地 RP 前端 | Tabbit | |
|---|---|---|
| 角色卡和 lorebook | 細緻控制 | 引用來源頁面 |
| Gemma 4 checkpoint | 自行準備後端 | 使用選擇器中列出的模型 |
| 模板和取樣 | 檢查並調整 | 由所選模型處理 |
| 網頁和檔案上下文 | 貼上或整合 | @ 引用開啟的分頁和檔案 |
| 模型比較 | 切換端點或預設 | 同時詢問多個列出的模型 |
常見問題
Gemma 4 角色扮演問題
Gemma 4 適合角色扮演嗎？+
可以列入測試，但體驗取決於具體變體、模板、取樣設定、角色卡和上下文。用自己的提示測試一致性與覆誦情況。
該選 Gemma 4 31B 還是 26B A4B？+
Google 將 31B 描述為 dense，26B A4B 則是約 38 億有效參數的混合專家模型。比較你實際能執行的檔案與記憶體，再用同一組 RP 測試評估。
怎麼減少覆誦？+
先檢查模板和 tokenizer，移除重複的上下文，再建立官方取樣基準。一次只改一個取樣數值，並記下結果。
256K 上下文能保證更好的角色記憶嗎？+
不能保證。Google 文件記載 12B、26B A4B 和 31B 支援最多 256K 上下文，但提示變長後，取回能力和文字品質仍可能改變。
Tabbit 能執行 Gemma 4 嗎？+
不要先假設可以。安裝後開啟目前的選擇器，只使用實際列出的模型。本頁不承諾 Tabbit 支援 Gemma 4。
角色扮演有哪些安全界線？+
請遵守模型供應商規則、所在地法律和產品政策。本指南不提供 jailbreak 或繞過安全過濾的方法。
留住角色，少靠猜測
先跑一組短 RP 測試，修好模板鏈，並把 canon 筆記放在手邊。想在閱讀資料的同時比較目前可用的模型，就安裝 Tabbit。
支援 macOS 和 Windows；模型清單可能變動。