按兴趣浏览，循来源深入。
Yao Huang 等人对 DeepSeek V4.1 Flash-1017 发布独立安全评估，参照 EU 通用 AI 行为守则在 34 项基准上评测评估完整性、失控与有害操纵，并按 AEF-1 标准与 GPT-6 Astra、GPT-5.6 Sol、Gemini 3.8 Flash 对比。结果显示该模型相比 V4 代安全显著提升、多项维度接近闭源基线，但仍有值得关注的行为；作者建议将安全评测纳入增量发布、在推理轨迹与操作日志层面实现过程级可观测，并开发私有基准以应对评测感知与数据污染。
推荐理由：独立第三方对 DeepSeek V4.1 Flash-1017 覆盖 34 项基准的安全评测，安全结论与三条部署建议都有具体依据。
论文提出 SEMA-Auto，一种能观察受害者回复并自主终止会话的高效多轮越狱攻击者，采用合成自举微调加决策监督强化学习两阶段训练。在 AdvBench 上对 DeepSeek-V4-Flash 达到 76.0% ASR@1（平均 3.0 轮），对 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5、GPT-6-Astra 等安全加固模型在 HarmBench 上平均 59.6% ASR@1，比此前 SOTA 高 13.8 个百分点。代码已开源。
推荐理由：论文给出了多轮越狱攻击的训练方法与跨多个安全加固模型的实测成功率，对理解攻击侧进展和防御评估有参考价值。
putao886 发布 DeepSeek-V4-Flash-0731（284B 总参数/13B 激活 MoE，MIT 许可）的 abliterated v2 rank-1 LoRA 适配器，用 heretic-gguf 在量化 GGUF 权重上直接运行 Heretic 的 Optuna 优化方向消融。四个适配器均 Pareto 最优：t265 拒绝率 8.57%（12/140）、KL 0.0651，t264 拒绝率 3.57%（5/140）、KL 0.1399，在 140 条有害提示词评测集上每个拒绝/KL 权衡点都优于 v1（v1 为 14.29%）。
推荐理由：原文给出四个 LoRA 适配器的拒绝率与 KL 散度实测数据，v2 在每个权衡点都优于 v1，读者可按需选择去对齐强度。
ktobik 在 Hugging Face 发布 abliterated（去拒绝）版 DeepSeek-V4.1-Flash-1017 的 GGUF 量化，提供 Mix-256G（235.8 GB 内存）与 Mix-128G（114.0 GB）两种构建。模型为 763B 参数 MoE，含 384 个路由专家和 197B 参数 Engram n-gram 表（110.6 GB 留在 SSD 按需读取），1M token 上下文。精度由实测 KLD 的背包搜索逐层分配，Mix-256G 在 held-out 文本上 top-1 一致率 93.7%、PPL 较原模型 +2.4%。
推荐理由：原文给出实测 KLD、拒绝率前后对比和逐层精度搜索方法，读者可据此判断去对齐版本与量化方案的实际代价。
ISTA-DASLab 发布 DeepSeek-V4.1-Flash-1017 的 GGUF 量化版本，用 GSQ 加 RCO 的梯度搜索按张量敏感度分配量化类型，提供 IQ1_M、IQ2_XXS、IQ2_XS 三档。IQ2_XXS（2.00 bpw）在 AIME25、GPQA-Diamond、LiveCodeBench v6 上完全追平 FP8/FP4 基模型，任务均值恢复 100.0%；IQ1_M 保留 98.7%。配合 Strata 引擎可在单张 12 GB VRAM 的 GPU 上运行；llama.cpp 截至 2026 年 10 月 23 日尚不支持该模型。
推荐理由：原文给出了各量化的基准恢复率和完整方法与分配文件，读者可以据此判断低比特量化到底损失了多少能力。
staccs 发布了 106.8 GB 单文件 GGUF，对 dealignai 制作的 DeepSeek-V4.1-Flash-1017 abliterated（UNCENSORED-FP8）版本重新量化，采用 lecore 激活校准的 11-bit 向量量化处理路由专家（2048 码本条目、65,536 校准 token，1.39 bpw，cosine 0.909），注意力骨架用 q4_K，共享专家 VQ 11-bit。评测以未量化源模型为教师，WikiText-2 上 2k/16k 上下文困惑度 2.817/2.936，top-1 一致率 80.2%/78.6%，优于未校准的 vq10sh12 版本（PPL 3.615、top-1 74.5%）。
推荐理由：作者用未量化源模型给出困惑度、KL 散度和 top-1 一致率对照，可据此评估这套 11-bit VQ 量化的损耗。
arXiv:2610.32483 提出评测 LLM Agent 执行框架（harness）与底层模型交互的框架，包含有效完成率（VCR）、Model-Harness Fit、Cross-Model Fit、交互残差和 Token Load 五项指标。研究在 6 个基准上评测 OpenCode、Codex CLI、Pi CLI、DeepAgents 四个框架与四个核心模型，加上两组原生固定组合，共 111 个评测设置、52,168 条轨迹；结果显示框架排名随模型和基准变化，OpenCode 跨模型表现第一，DeepSeek V4 Flash Preview 在共享四基准上保持较高的 Mean VCR。
推荐理由：论文把 Agent 拆成模型与执行框架两部分联合评测，给出五项指标和 52,168 条轨迹的实测，可帮助读者理解框架排名为何随模型和基准而变。
Stephen Chung 在 arXiv 发布论文，研究以低精度存储语言模型 n-gram 嵌入表以降低内存开销。在 nanochat、Llama、GPT-2 系列从零训练的模型上，4-bit 表节省约 75% 表内存，同时保留加表带来的验证损失改善的 99% 以上；对 DeepSeek-V4.1-Flash 和 Qwen3.8-Flash-Next 节省 47-55% 表内存，困惑度增加低于 1.2%。更低位宽性能下降更大，但短时微调可恢复大部分损失，将省出的内存换成更大表还能超越原全精度表的性能。
推荐理由：论文系统比较了不同量化和位宽分配方案，给出从零训练与现有大模型两组数据，可帮助读者评估低比特 n-gram 表的实际收益。
distributedcognition 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 abliterated 版本，将 refusal directions 从同系 DeepSeek-V4.1-Flash-abliterated 迁移而来，以 scale 3.0 的保范双投影编辑作用于 attn.wo_b 和共享专家 ffn.shared_experts.w2（第 4-36 层）。评测显示 LLM 评审下真实拒绝率从基座的 99/100 降到 0/100（53 条完全配合、47 条带免责声明），无害提示 KL 散度 0.093，GSM8K 抽测 18/20 对比基座 19/20。
推荐理由：原文给出拒绝率前后对比、KL 散度和 GSM8K 抽测数据，并说明关键词检测与 LLM 评审的差异，读者可据此评估去对齐程度。
orcarouter 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 去对齐（abliterated）版的 GGUF 量化权重，提供 Mix-256G（235.8 GB 内存占用）与 Mix-128G（114.0 GB）两种构建，基于 763B 参数 MoE 模型，含 197B 参数 Engram n-gram 表常驻 SSD。去对齐后 500 条有害提示拒绝率加权均值从 0.874 降至 0.074，过度拒绝从 0.069 降至 0.006，MMLU 保持 0.91 左右不变。
推荐理由：原文给出实测 KLD、拒绝率与 MMLU 前后对比，读者可据此判断这个去对齐版本到底去掉了多少、能力是否保留。
论文提出 SPARE，一种免训练、与 selector 无关的方法，用校准数据上 token 归一化 Top-K 门控权重的路由熵决定每层剪去多少专家，路由越分散的层剪得越激进，并用随机剪枝扰动界形式化该直觉。相同 selector 与预算下，SPARE 在 Mixtral、Qwen3 和 DeepSeek 模型上平均精度优于均匀分配，50% 专家剪枝时 Qwen3-30B-A3B 八任务平均从 57.2% 升至 63.8%，DeepSeek-R1 的数学、代码与科学平均从 80.1 升至 82.8。论文地址 https://arxiv.org/abs/2610.29662v1
推荐理由：论文把 MoE 专家剪枝从剪哪些专家推进到每层剪多少的问题，给出的路由熵方法无需训练即可提升高剪枝率下的精度。
AtomicChat 发布 DeepSeek-V4.1-Flash-1017 的 DwarfStar（ds4）Q2 版 GGUF，把 DeepSeek 的拒绝方向从权重中投影移除，仅替换写入残差流的 122 个张量，其余字节与原文件一致，文件大小 365.7 GB，MIT 许可。同一编辑在 llama.cpp 实测中，JailbreakBench 英文拒绝率从 91.4% 降到 0.0%，XSTest 安全拒绝率从 8.0% 降到 0.4%，MMLU 变化在约 2 分内；该文件本身尚未在 DwarfStar 上测得数据，适用 Metal（Apple Silicon）、单张 CUDA GPU 或 ROCm。
推荐理由：原文给出同编辑在 llama.cpp 上的 JailbreakBench 等前后实测数据，读者可以据此估算该 Q2 版本的去对齐收益与 MMLU 代价。
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 FP8 abliterated 完整权重，仅原地改写 52 个张量（attn.wo_b，第 10-35 层），lambda 2.5，架构不变，可直接用 vLLM 或 SGLang 按原配方部署。实测 1,207 条提示下拒绝率大幅下降，如 HarmBench 从 94.1% 降至 5.0%，过拒率略有改善；代价是一个安全工具的授权/未授权配对从 8/11 降到 0/11，另提供保留 6/11 配对的 lambda 1.0 overlay 版本。
推荐理由：原文给出六个提示集共 1,207 条的拒绝率前后对比，以及强度与过拒率的取舍数据，可据此判断这个去对齐版本的实际效果。
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 FP8 去拒绝 overlay，仅修改 52 个 attn.wo_b 张量（第 10-35 层），其余权重与上游逐字节一致。lambda=2.0/2.5 时 HarmBench 拒绝率从 94.1% 降至约 5%，但授权/未授权安全任务的区分从 8/11 塌缩到 0/11，无害提示的过度拒绝从 3.2% 降到 0.0%；方向向量来自 drowzeys/keys-DeepSeek-V4.1-Flash-1017-Abliterated 的 rank-1 分解，生产环境为 4 节点 DGX Spark (GB10) TP4 环形集群，1M 上下文下连续使用无循环或退化。
推荐理由：原文给出六个评测工具、1207 条提示的拒绝率实测和 lambda 选择依据，读者可据此判断这个去对齐 overlay 的实际代价。
AtomicChat 将 DeepSeek-V4.1-Flash-1017 中的拒绝方向从权重中投影移除，发布 GGUF 量化版和 rank-1 LoRA 适配器。实测 JailbreakBench 英文拒绝率从 88.9%/91.4% 降至 0.0%，3.58bpw-Q2_K 档 MMLU 86.0%→86.6%，2.67bpw-IQ1_M 档 MMLU 降至 81.8% 未通过门槛；需支持 DeepSeek-V4.1 的 llama.cpp 构建（如 Unsloth 的 commit 9d907b7cfe0e），Engram n-gram 表可留在 SSD 上分页读取。
推荐理由：原文给出拒绝率、KLD 和 MMLU 的前后对照数据，还说明各量化档的取舍，读者可据此选择合适的版本。
dealignai 基于 LibertAI 的 EXL3 3.5bpw 量化包（257.6 GB）发布 DeepSeek-V4.1-Flash-1017 无对齐版本，移除拒绝行为，支持 6 种语言、131K 上下文，保留视觉权重、MTP 头与 n-gram 表。实测 HarmBench-320 在 chat 与 thinking 模式均 320/320 全部 COMPLY，MMLU-500 从 67.60% 降至 64.80%（-2.80 pp）。在 RTX PRO 6000 上经 exllamav3-anemone + TabbyAPI 实测约 55 tok/s 解码，并建议如需更低比特应重新跑 abliteration 流程而非直接重量化。
推荐理由：原文给出 MMLU 与 HarmBench 的前后对照数据，读者可以据此评估这个去对齐版本在拒绝率与能力之间的取舍。
IndrasMirror 发布 DeepSeek-V4.1-Flash-1017 的 XQ 混合精度量化版，552B 参数 MoE 压缩到 152 GB，可在 RTX 4090（24 GB）加 90 GB 内存的家用 PC 上运行，需配合自研 Xolotl 引擎而非 llama.cpp/Ollama。模型带 rank-2 拒绝方向编辑（manifest id adea0515bbf69a0b），拒绝探针显示 chat 模式 0/100、think 模式 0/50 拒绝；8K 预填充 239.8 tok/s，解码 12–13 tok/s。短 Gauntlet 测试 2/5，比作者此前 V4.1 v2 量化版（4/5）有回退，原因尚未定位；校准后重做的 V3 版本正在上传。
推荐理由：作者给出了拒绝探针、困惑度和速度的实测数据，还说明了量化分配与拒绝方向编辑的具体做法，可据此评估这个本地化版本。
IndrasMirror 发布 DeepSeek-V4.1-Flash-1017 的 GSQ 混合层级量化无对齐版本，552B 参数 MoE 压缩到 152 GB，可在 RTX 4090（24 GB）加 90 GB 内存的家用 PC 上以 12–13 tok/s 解码运行。模型对专家采用 ternary/2-bit/3-bit 混合量化（平均 2.093 bpw），并施加 mrfakename 风格的 rank-2 拒绝方向编辑；行为探针显示 chat 模式 100 个有害与 100 个安全样本均 0 次拒绝，think 模式同样 0 次拒绝。
推荐理由：卡片给出了量化前后困惑度对比、拒绝探针和速度实测数据，读者可以据此判断这个 152 GB 版本在消费级硬件上的真实质量。
drowzeys 在 Hugging Face 发布 keys-DeepSeek-V4.1-Flash-1017-Abliterated，这是针对 deepseek-ai/DeepSeek-V4.1-Flash-1017 的 keys overlay 而非完整 checkpoint。消融范围为 L10–35 的 attn.wo_b（λ=3.5，k=1，mean Δrel ≈ 0.053），L0–9、L36–39、MTP、vision、Engram、experts 等锚点保持不动；Refusal32 32/32 BYPASS、0 拒绝、0 乱码，Cyber 22/22 BYPASS。
推荐理由：原文给出了消融层范围、λ参数和 Refusal32 拒绝率前后对比，读者可据此判断这个去对齐 overlay 的实际改动幅度。
dealignai 基于 LibertAI 的 EXL3 2.9bpw 量化包（388 GB）发布 DeepSeek-V4.1-Flash-1017 无对齐版本，移除拒绝行为，支持 6 种语言、131K 上下文、thinking 开关与 vision/MTP/Engram 权重保留。实测 MMLU-500 从 67.40% 降至 63.20%（−4.20pp），HarmBench-320 chat 模式 320 项全部 COMPLY；在 RTX PRO 6000 上经 exllamav3-anemone + TabbyAPI 实测约 68 tok/s 解码、1105 tok/s 预填充。
推荐理由：发布方给出了 MMLU 前后对比和 HarmBench 拒绝率数据，可以量化评估去对齐带来的能力损失。