量化权重约 2.5 GB，可通过 Ollama 在笔记本上运行。按作者自建的风格检测器，在训练时未见过的提示上，这类习惯的得分明显下降，事实问答仍然全部答对。
作者把一组助手腔写成检测器，包括破折号、「it's not X, it's Y」、三项并列、当场自问自答、「here's the thing」一类套话、用来强调的短句，以及 delve、seamless 等词。每种习惯有权重，得分是每千词的加权计数，他称之为 slop 分。他写道，认真的人类作者接近 0 分，人类写作通常低于 15，原模型平均为 121。正则表达式区分不了好坏文章，因此他还用别的检查看模型有没有被训坏：在 22 段人类散文上测量预测相对原模型的偏移，用 30 道题看它是否还知道事实，并用规则标出句首未大写、跑题等损坏输出，同时抽读回答。
测试集是训练中未使用的 10 个话题，各写 4 种体裁（博客、LinkedIn 帖、解释文、评论），温度 0.7，无系统提示，每个提示抽一条回答。发布方自测：slop 分从 121 降到 12.5，68% 的回答落在人类写作的分数区间，破折号从每千词 20.5 个降到 0。30 道事实题全部答对，体裁和长度的符合程度与原模型相当。作者还称，该模型在人类散文上的预测偏移，大约只有运行时转向时的三分之一。
作者的家庭实验室是一台 M2 MacBook Air。基座是 bf16 的 Qwen3-4B-Instruct-2507。他用蒸馏把习惯写进权重：由当时效果最好的老师回答 288 个训练提示，留下通过检查的答案，再让一个小型 LoRA 适配器从裸提示学会生成这类答案。每个适配器都是加在全部注意力层和 MLP 投影上的 rank-16 LoRA，训练两个 epoch，损失只算回答，每轮大约一到三小时。第一轮在不另加提示、也不在生成时挂钩子的情况下，把分数降到大约 20。
第二轮的老师是第一轮模型，加上四个神经元的符号翻转和朴素文风提示。作者曾再叠一层方向转向，测到自己见过的最低分 9.5，但文本没有大写并且跑题，于是拿掉了这一层。老师平均 7.4，用它最好的 171 条答案训出的学生得 9.9，其中 80% 的回答落在人类分数区间。作者写道，这一版会把公司换 CRM 的评论写成不表态的事件记录，把搬家博文写成第三人称家庭故事，并引用自己编造的「悉尼科技大学一项研究」。几乎每句都用「, which」或「, so」接下去，频率约为原模型的 28 倍；作者认为这来自自己的老师提示，其中要求用 because、so、but、which 连接句子，两轮模仿把习惯放大了。
他随后加入任务符合性检查：评论要尽早表态，个人反思要用第一人称，邮件要以问候开头，篇幅要大致符合要求，并另计「, which」「, so」连接以及编造的研究和百分比。按这些规则，第二轮只有 60% 的回答完成了提示要求，原模型为 78%。
第三轮让老师把任务放在前面：该表态就表态，个人内容用第一人称，句式要有变化，不要编造研究或人名。每个提示写三条，只保留分数低于 12、并通过损伤检查和全部任务检查的答案，大约 30% 能留下，覆盖 288 个提示中的 161 个。用这些答案训出的模型就是发布版。作者自测，分数从 9.9 升到 12.5，任务符合率回到 80%，「, which」连接从每百词 1.4 次降到 0.3 次，编造的研究和百分比几乎消失。
量化版为 Q4_K_M，2.5 GB，可用 Ollama 或 llama.cpp 在笔记本上运行。Ollama 的运行名为 hf.co/erikkannike/qwen3-4b-deslop-v4-GGUF:Q4_K_M。全精度权重以 erikkannike/qwen3-4b-deslop-v4 提供，可用 transformers 像普通 Qwen3-4B 检查点一样加载。仓库另附 126 MB 的 LoRA 适配器，以及一份 175 字节的神经元编辑，列出四个权重列及其缩放。适配器是在该编辑生效时训练的，两者需要一起使用。GGUF 由合并权重先转到 Q8_0 再量化而来。
作者自述局限：文风平到发扁，多为短陈述句，个人文章读起来像日记。研究和百分比现在少见，但人名和地名仍常编造，例如枫树街上一家由名叫 Maria 的人经营的咖啡馆，因为每一轮奖励的都是具体细节。篇幅也偏长，要求大约 150 词时，回答常常接近 200 词。他只测过这些体裁的英文短文；代码、长对话、其他语言和工具调用，可能并不好于原模型，也可能更差。分数是他写成正则表达式的风格指南，尚无读者盲测。数字也会随采样浮动：同一模型经适配器得 10.2，合并权重得 12.5。任务检查较粗，训练数据又用同一套规则筛过，因此任务符合率在一定程度上偏乐观。
