新闻、仓库与研究，按时间排列。
作者发布 mini-jev-multimodal，一个在 Qwen3-VL-2B-Instruct 上 LoRA 微调、加答案头的开放权重决策模型（Apache-2.0），单次前向传播对状态（文本或 JSON、最多 8 张图）的多个选项问题输出概率，不生成文本。在 16 个未见数据集上准确率 78.0% 对基线温度缩放后的 71.1%，ECE 从 0.068 降至 0.043；RTX 5070 Laptop 8 GB GPU 上中位延迟 69 ms，训练峰值显存 6.2 GB。作者坦承超过 10 个选项时弱于基模型（54.2% vs 58.7%），并提供报告、逐题结果与训练复现脚本，附 Hugging Face 模型与数据集链接。
Hugging Face 上架 DavidAU 的 gemma-4-31B-it-Halloween-Terror-Heretic-Uncensored-NEO GGUF 模型，为 image-text-to-text 多模态模型。页面给出 Transformers pipeline、vLLM、SGLang 及 Docker Model Runner 的部署示例，均可通过 OpenAI 兼容 API 调用。
Hugging Face 上架 MishraNepali/Dirty-Muse-Writer-v01-Uncensored-Erotica-NSFW-Q2_K，一个 Q2_K 量化的无审查情色/NSFW 写作模型。页面给出 llama.cpp、vLLM、Ollama、Docker Model Runner、Lemonade 等多种本地运行方式，支持启动 OpenAI 兼容 API 服务器或在终端直接推理。
Hugging Face 上架 DavidAU 的 gemma-4-31B-it-Halloween-Terror-Heretic-Uncensored，一个 31B 参数的 image-text-to-text 无审查模型。页面给出 Transformers pipeline、vLLM、SGLang 及 Docker Model Runner 的部署示例，均可通过 OpenAI 兼容 API 调用。
ResetCode 将 huihui-ai 的 DeepSeek-R1-Distill-Qwen-7B-abliterated-v2 转换为 Q4_K_M GGUF 格式并发布在 Hugging Face，可配合 llama.cpp 的 CLI 或 server 直接运行。转换通过 ggml.ai 的 GGUF-my-repo 空间完成，支持 Mac 与 Linux，示例命令使用 2048 上下文长度。
Hugging Face 用户 thomasdaniel87 发布 Qwen/Qwen-Image-2.1 的 Uncensored 量化版本，提供 GGUF、Safetensors 和 MLX 格式，文件大小从 4.00 GB（MLX 4-bit）到 14.23 GB（BF16）不等，推荐 GGUF 使用 Q4_K_M（4.60 GB）。该版本无内置安全检查器，可直接生成 NSFW 内容，需配合 ComfyUI 与配套的 qwen3vl_8b 文本编码器和 VAE 使用，MLX 格式针对 Apple Silicon 优化。
Hugging Face 上架 JohnCarlAI/llama2_70b_chat_uncensored_Safetensors 模型，基于 meta-llama/Llama-3.1-70B，经 meta-llama/Llama-3.3-70B-Instruct 微调（670），以 Safetensors 格式提供无审查聊天能力。该模型尚未部署任何 Inference Provider，下载量未被追踪，README 内容为空。
ai-gamma 在 Hugging Face 上发布 Qwen3.8-27B-Abliterated 的 Q4_K_S 量化 GGUF 文件，模型规模 27B，采用 qwen35 Transformer 架构，共 64 层，文件大小 15.59 GB，并提供 SHA-256 校验值。该文件可在支持 qwen35 架构的 LM Studio 或 llama.cpp 等运行时中加载。
slip618 在 Hugging Face 发布 Qwen3-48B-A4B-Savant-Commander-Distill-12X-Closed-Open-Heretic-Uncensored-GGUF 模型，提供 Q4_K_M 量化版本。该模型可通过 llama.cpp、vLLM、Ollama、Docker Model Runner、Lemonade 等多种工具本地运行，支持启动 OpenAI 兼容 API 服务器或在终端直接推理。
Hugging Face 上的 mradermacher 仓库发布 Sage-A1.5-Ablitrex 的 abliterated（去抑制微调）版本，提供 BF16 的 i1-GGUF 量化格式。模型参数规模为 96M，标注 16-bit 精度，用户登录后可查看硬件兼容性信息。
Hugging Face 发布 Gameblamer/Flux_Lustly.ai_Uncensored_nsfw_v1 的使用说明，该模型是 FLUX.1-dev 的 LoRA 权重，可通过 Diffusers 加载，支持 CUDA 和 Apple mps 设备，并可在 Google Colab、Kaggle、Draw Things、DiffusionBee 等环境中运行。
Kirill777Vais 发布的 Qwen3-4B-Claude-Sonnet-4-Reasoning-Distill-Heretic-Abliterated-Heretic-Abliterated-i1-GGUF 模型现已在 Hugging Face 开源。该模型提供 Q4_K_M 量化版本，可通过 Transformers、llama.cpp、Ollama、Docker、LM Studio、Pi、Hermes Agent、OpenClaw 等多种工具加载运行，llama.cpp 还支持启动 OpenAI 兼容的本地服务器。
Hugging Face 用户 mradermacher 上传了 Sage-A1.5-Ablitrex-abliterated 模型的 BF16 GGUF 静态量化版本。该模型下载量未被追踪，且目前未部署到任何 Inference Provider，用户可申请提供推理支持。
Hugging Face 用户 ji-farthing 发布 DeepSeek-V4.1-Flash-1017-Abliterated 的 ik-llama GGUF 量化仓库。该仓库公开可访问，但用户需登录并同意分享 Hugging Face 信息、接受相关条件后才能下载模型文件。
mradermacher 在 Hugging Face 上提供 Qwen3.5-27B-abliterated-ko-i1 的 GGUF 量化模型（如 Q2_K）。该模型可通过 llama.cpp 本地运行或启动 OpenAI 兼容服务器，并支持在 Ollama、Docker Model Runner、LM Studio、Jan、Pi、Lemonade、Hermes Agent 及 OpenClaw 等工具中使用。
Spark-X2.6-4B-Uncensored-GGUF 上架 Hugging Face，提供 Q4_K_M 量化版本，可通过 llama.cpp 在本地启动 OpenAI 兼容服务器或直接在终端运行推理。该模型还支持通过 Ollama、Docker Model Runner、Lemonade 以及 Pi、Hermes、OpenClaw 等 Agent 工具加载使用。
Hugging Face 用户 Starw1 发布 DeepSeek-V4.1-Flash-1017 的 Uncensored GGUF 量化版本，采用 IQ2_XXS 与 MXFP8 混合量化，模型规模 197B 参数，基于 deepseek41-engram 架构。该模型为 2-bit 量化版本，可在本地硬件上运行。
Hugging Face 上架了 mostwanted002 的 Sage-A1.5-Ablitrex-abliterated-BF16 模型，采用 Safetensors 格式，参数规模 35B，精度为 BF16。该模型目前未部署任何 Inference Provider，README 内容为空。
Hugging Face 社区发布 Feyospace-v1.1-Abliterated-security-MTP-UD-Q4_K_S，这是基于 OBLITERATUS/feyospace-s1-obliterated 的 GGUF 量化版，面向本地网络安全研究、代码分析与工具辅助调查。该构建采用 UD-Q4_K_S 混合精度布局、面向安全的 importance-matrix 校准，并保留 MTP 头以支持投机解码；上游模型约 28B 参数、Qwen3.5 架构、Apache-2.0 许可，最大上下文 262,144 tokens。该卡未提供此量化版的 benchmark 结果，最终张量清单与质量保留情况尚待验证。
dealignai 在 Hugging Face 发布 Ornith-1.5-122B-UNCENSORED 的 NVFP4-Infernix 格式导出，这是去 refusals 版本的量化模型，基于 Qwen3.5-122B-A10B 架构（48 层、256 个路由专家每层取 top 8），附带 MTP 与 DFlash2 drafter。模型经逐字校验与 checkpoint 无失配，可在单张 RTX 5090（32 GB）上运行，约需 70 GiB 主机内存和 76 GB 磁盘空间，速度仍待优化测定。
nchapman 在 Hugging Face 上发布 Huihui-Qwen3.5-0.8B-abliterated-W4A16-GPTQ，这是一个基于 Qwen3.5 0.8B 的 abliterated 多模态 GPTQ 量化模型，支持 image-text-to-text 任务。模型可通过 Transformers、vLLM、SGLang 加载部署，并提供 OpenAI 兼容 API 与 Docker 运行方式。
Hugging Face 上架 nchapman 发布的 Huihui-Qwen3.5-2B-abliterated-W4A16-GPTQ，这是一个 2B 参数、W4A16 GPTQ 量化的 abliterated 多模态模型，支持图像-文本到文本任务。文档给出 Transformers、vLLM、SGLang 及 Docker 的部署示例，并支持通过 OpenAI 兼容 API 调用。
BoldingBuilds 放出 OrcaRouter 去 GLM-5.3-Flash-Uncensored（320B 总参数/18B 激活 MoE、288 路由专家、1M 上下文）的 imatrix GGUF 量化，含 IQ3_XXS、IQ2_M、IQ2_S、IQ2_XXS 四档，并修正共享专家与 attention 量化配方使 IQ2_S 等通过全部 48 项一致性测试。量化权重上实测 JailbreakBench 有害拒绝率 0.040（OrcaRouter FP8 为 0.120，base 为 0.930），HumanEval pass@1 0.927；作者指出空输出会计为服从，提醒评测时必须同时报告空输出数，文件已适配 mainline llama.cpp 与 LM Studio 模板。
Hugging Face 用户 mradermacher 上架 Minecraftism-4B-Thinking-Uncensored 的 i1-GGUF 量化模型仓库。模型采用 GGUF 格式，页面提供了下载统计与硬件兼容性信息，用户需登录后可添加自己的硬件配置。
nchapman 在 Hugging Face 发布 Huihui-Qwen3.5-4B-abliterated-W4A16-GPTQ，这是一个 abliterated 的 4B 多模态 GPTQ 量化模型，支持 image-text-to-text 任务。页面给出 Transformers、vLLM、SGLang、Docker Model Runner 等多种部署方式，均可通过 OpenAI 兼容 API 调用。
MishraNepali 发布 OrcaSAQ-2-Cyber-27B-Uncensored 的 GGUF Q2_K 量化版本，可在 Hugging Face 获取。该模型支持通过 llama.cpp、vLLM、Ollama、Docker Model Runner 等多种工具本地运行，并可启动 OpenAI 兼容 API 服务器供 LM Studio、Jan、Pi、Hermes、OpenClaw 等客户端调用。
R0U5 在 Hugging Face 发布 Qwen2.5-7B-Instruct-abliterated-64k，这是基于 huihui-ai 消融模型与 mradermacher GGUF 量化的元数据修复版，非新增消融。仓库将 context_length 重新声明为 65536 并添加 YaRN rope scaling 元数据（factor 2.0），以满足 Hermes Agent 64,000 token 最低上下文要求，权重与上游量化逐位一致。经 llama.cpp 验证 12 个拒绝测试提示 0 拒绝，Q4_K_M 版本 4.68 GB。
Hugging Face 上架了 0xSojalSec/GLM-5.3-Flash-abliterated，一个 abliterated（去抑制）版本的 GLM-5.3-Flash 多模态模型，支持 image-text-to-text 任务。页面给出 Transformers、llama.cpp（UD-Q4_K_XL 量化）、vLLM、SGLang、Ollama、Docker 等多种本地与服务器部署方式，并提供 OpenAI 兼容 API 调用示例。
3hs4n 发布 Qwen3.8-Flash-Next-Uncensored 的 MLX 优化量化版，目标模型采用 affine 2-bit/group-128 重建，搭配 Inco AI 的 BF16 DFlash2 草稿模型，完整下载 74.048 GB。在 M1 Max 64 GiB 实测中，代码与数学 warm 解码达 37.62 和 33.69 tokens/s，约为基线的 1.70× 和 1.56×，文本仅 1.048×；固定 50 题 GSM8K 子集全部答对且与原生参考一致，进程峰值内存 42.12 GiB。
推荐理由：作者实测了 M1 Max 上代码与数学解码的加速倍数和内存峰值，并给出 32/48/64 GiB 的可行性判断，便于评估本地部署。
Hugging Face 用户 3hs4n 发布 Qwen3.8-Flash-Next-Uncensored 的 MLX 优化量化转换包，基于 360 GB BF16 源检查点，专家投影采用 affine 2-bit/group128，其余投影为 8-bit/group64，文件约 72.8 GB。验证含 50 题 GSM8K 子集、烟雾测试（15/18 通过）及文本生成约 23.5 tokens/s 的计时结果；模型采用原生 qwen4_exp 多模态实现，可配合 run_qwen38_unsloth.py 以 16384 上下文运行。
cfahlgren1 在 Hugging Face 发布 abliterated 版 Qwen3.5-4B 多模态模型，支持图像-文本输入。该模型可通过 Transformers、MLX、vLLM、SGLang 等方式加载，并提供 OpenAI 兼容 API 与 Docker 部署选项。
sanasol2008 基于 orcarouter/Qwen3.8-Flash-Next-Uncensored 的 BF16 权重制作了 Sushi 格式 3bpw 实验性量化包，路由专家采用 EXL3 K3 编码，未额外做 abliteration 或微调。完整下载约 79.22 GiB，在 Apple M3 Max 48 GiB 上冷解码 11.88 tok/s、热解码 12.88 tok/s，慢于 2bpw 版本；校准误差相对 2bpw（相对 Frobenius 误差 0.029 对 0.064）更低，支持 262144 上下文配置上限。
Qwen3.8-27B-abliterated 的 NVFP4 GGUF 量化版本（27B 参数）已在 Hugging Face 上架，支持 image-text-to-text 多模态输入。文档给出 Transformers、llama.cpp、vLLM、SGLang、Ollama、Docker 等多种本地部署与 OpenAI 兼容 API 调用方式。
Hugging Face 上架了基于 OpenMOSS-Team/MOSS-Image-SFT 的 LoRA 模型 Uiopqwe/Moss-image-nsfw-uncensored-lora，提供去审查的 NSFW 图像生成能力。页面给出 Diffusers 加载示例，支持 Google Colab、Kaggle 及 Draw Things、DiffusionBee 等本地应用调用。
mradermacher 在 Hugging Face 上发布 Minecraftism-4B-Thinking-Uncensored 的 GGUF static quants 量化模型。该模型未被任何 Inference Provider 部署，下载量暂未被追踪。
Hugging Face 用户 mradermacher 上传了 Minecraftism-4B-Uncensored 模型的 GGUF static quants 量化版本。该模型暂无下载量统计，也未被任何 Inference Provider 部署，用户可申请提供推理支持。
guywithacode 在 Hugging Face 上传了 Qwen2.5-7B-Instruct-abliterated 模型。该模型卡为自动生成，除模型名称外，开发者、许可证、训练数据、微调来源等信息均标注为待补充。
Hugging Face 上架了 iamherebefore 的 Qwen2.5-Coder-3B-Instruct-Abliterated-GGUF 模型，基于 huihui-ai 的 Qwen2.5-Coder-3B-Instruct abliterated 版本微调而来。该模型 README 为空，下载量暂未被追踪。
Hugging Face 新增 abliterated 类模型仓库 iamherebefore/Qwen2.5-Coder-3B-Instruct-Abliterated。该模型目前未部署到任何 Inference Provider，下载量未被统计，README 文件存在但内容为空。
Hugging Face 上发布 orcarouter/Qwen3.8-27B-Uncensored 的 MLX 5.0 bpw 仿射量化版，体积 17.38 GB，比 bf16 小 3.2 倍，针对 M5 的 NAX 张量单元调优。模型保留 256 K 上下文、MTP 头与视觉塔，48 个注意力模块经 GPTQ 量化后中位数输出误差降低 32%。以 Apache-2.0 许可开源，需通过 oMLX 运行。