新闻、仓库与研究，按时间排列。
zugquants 在 Hugging Face 发布基于 Qwen3.8-27B 的多阶段去对齐微调 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored，提供含 MTP 版本的 NEO imatrix GGUF 量化。作者称 8bit ARC-C 735、ARC-E 882，4bit ARC-C 719，全部 7 项基准超过基座 Qwen3.8-27B，思考 token 减至基座的 1/2 至 1/10；用 Heretic v1.2.0 ARA 方法去审查后 100 次测试中拒绝从 99 降至 0，KL 散度 0.0535。
zugquants 与 Nightmedia 推出基于 Qwen3.5-9B 的多阶段微调合并模型，完全无审查并经 Heretic 后训练，在 4bit 与 8bit 下 ARC-C 达 640，超过 Qwen3.5 9B 全部 7 项 benchmark，部分场景追平 Qwen3.6 27B。提供常规与 MTP 两类 NEO IMATRIX GGUF：Q4_K_S 常规版约 130 t/s，MTP 版（token acceptance 60%）可超 185 t/s；支持 256k 上下文与视觉（需另下 mmproj 文件），含 5 种 reasoning 与 5 种 instruct 模式，可经 API 或聊天内即时切换。
zugquants 在 Hugging Face 发布 Qwen3.8-Flash-Next 的 abliterated（去审查）GGUF 量化版，参数量 120B，Turbo Brilliance 文中另一处称 180B、512 专家（每 token 激活 10 个），含 27 推理 + 27 instruct 模式（另有 9 个 xhigh）及 15 个 AI Construct。模型可在 12GB 显存 GPU 上运行，2 GPU 加 RAM offload 实测 17 t/s，全 offload 达 60-90 t/s，RTX 6000（96GB）估计 150+ t/s，采用强于 QAT 的 GSQ-RCO 量化并称达 SOTA BF16 级性能。
dealignai 发布基于 DeepSeek-V4.1-Flash-1017 的无对齐版本，在原生 FP8 e4m3 权重上做消融编辑去除拒绝行为，保留 1M 上下文、多模态、工具调用与推理档位，与上游字节兼容可直接加载。HarmBench-320 实测 320/320 全部 COMPLY、零拒绝；MMLU 从基座 87.63% 降至 83.77%（-3.86 pp）， Humanities 类损失最大达 -7.31 pp。低比特量化建议在目标精度上重跑消融流程，原生命令行推理已验证于 4×H200，SGLang 启动参数与构建工具链要求在模型卡中给出，MIT 许可，仓库手动门控。
同一新闻，精选展示《DeepSeek-V4.1-Flash-1017 无对齐 FP8 权重发布，HarmBench 320 题全部合规》
dealignai 基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone、8B/16B 激活）发布了权重级消融的无对齐 FP8 版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，无需自定义 model.py 或运行时钩子。HarmBench-320 实测显示 base 模型 effort=off 时 ASR 为 42.81%、effort=max 时仅 1.56%，消融版在两档下均 100% 回答且零拒绝；MMLU-14k 从 86.96% 降至 82.74%（剔除伦理类后约 -1.1 pp）。
同一新闻，精选展示《DeepSeek-V4.1-Flash-UNCENSORED-FP8 发布：权重级消融版附拒绝率与 MMLU 对比》
dealinai 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、思考模式开关，保留视觉权重、MTP 头和 n-gram 表。实测 MMLU-500 从基线 67.40% 降至 63.20%（−4.20pp），HarmBench-320 聊天与思考模式合规率均 100%，多轮对抗测试 0/5 漂移回拒绝。在 RTX PRO 6000 上经 exllamav3-anemone + TabbyAPI 验证约 68 tok/s 解码、1105 tok/s 预填充，并提醒低比特重量化可能使合规回退，建议在目标精度上重跑 abliteration 流程。
同一新闻，精选展示《dealignai 发布 DeepSeek-V4.1-Flash-1017 无对齐 EXL3 2.9bpw 量化包》
huihui-ai 基于 Qwen/Qwen3-8B 通过 abliteration 技术制作出去审查版本 Huihui-Qwen3-8B-abliterated-v2，采用新的更快消融方法并修复了上一版问题，还调整了 0 层以消除乱码。该模型可在 Hugging Face 用 transformers 加载，Ollama 端可用 huihui_ai/qwen3-abliterated:8b-v2 直接运行，并通过 /set think 和 /set nothink 切换思考模式。
RecursiveSI 的 Flint 40B-A2.5B 去对齐版本发布，用 abliterix 从 attention、共享与路由专家投影中移除拒绝方向，Optuna 在 100 条 MITRE 提示词上选强度。保留的 MITRE 拒绝率从 15% 降至 0%（n=100，Q8_0），无害提示词 KL 散度 0.0146 nats/token，HumanEval+、MBPP+、GSM8K、MMLU-Pro、CyberMetric、WMDP-cyber 无显著下降，pp512/tg128 速度变化在 3% 以内。
推荐理由：原文给出消融方法与拒绝率前后对照，MITRE 拒绝从 15% 降到 0% 且各基准无显著下降，便于评估该去对齐版本的取舍。
mr-sus 发布 Minecraftism 4B Uncensored（safetensors），一个基于 huihui-ai/Huihui-Qwen3-4B-Instruct-2507-abliterated 的 4.02B 参数 Minecraft 玩家机器人模型，可输出 JSON 行动指令并回答游戏问题，也能兼作日常助手。模型经去审查处理，16-bit 权重约 8.04 GB、需约 10 GB 显存；held-out 评测中 100.0% 输出有效 JSON、89.6% 行动正确，采用 PolyForm Noncommercial 1.0.0 许可，可配合 transformers、vLLM 使用，GGUF 版适配 Ollama、llama.cpp 和 LM Studio。
codero-sus 在 Hugging Face 发布 Minecraftism 4B Uncensored 的 GGUF 量化版本，共 5 档（Q3_K_M 2.08 GB 至 Q8_0 4.28 GB，Q4_K_M 默认 2.5 GB），可用 Ollama 或 llama.cpp 运行。该模型 4.02B 参数，基于 huihui-ai/Huihui-Qwen3-4B-Instruct-2507-abliterated 微调，是 Minecraft 玩家机器人 PyMC Bot 的"大脑"，能输出 JSON 行动指令，held-out 评测中 100.0% 输出合法 JSON、89.6% 动作正确。微调采用 PolyForm Noncommercial 1.0.0 许可，仅限个人非商业使用。
Hugging Face 用户发布 Qwen/Qwen-Image-2.1 的 Uncensored 量化模型仓库，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，用于本地图像生成。该版本内置无安全检查器或内容过滤，可直接生成成人及 NSFW 图像；推荐 GGUF 使用 Q4_K_M（4.60 GB），MLX 格式针对 Apple Silicon 优化，需配合 ComfyUI 与配套的 qwen3vl_8b 文本编码器和 VAE 文件使用。
dealignai 发布了基于 deepseek-ai/DeepSeek-V4.1-Flash-1017 的去拒绝版本 DeepSeek-V4.1-Flash-1017-UNCENSORED-FP8，仅做权重级 abliteration，不用量化、模板改写或系统提示注入。保留原生 FP8 e4m3 + FP4 专家、1M 上下文、多模态、工具调用与推理档位，与上游字节兼容可直接加载。自测 HarmBench-320 全部 320 条 COMPLY 无任何拒绝，MMLU 20×57 从 87.63% 降到 83.77%， Humanities 降幅最大达 -7.31 pp。附 4×H200 参考引擎运行方法与 SGLang 启动参数，仓库手动门控，MIT 许可。
同一新闻，精选展示《DeepSeek-V4.1-Flash-1017 无对齐 FP8 权重发布，HarmBench 320 题全部合规》
10exdev 发布 DeepSeek-V4.1-Flash-1017 去对齐（abliterated）版本的 GGUF 量化构建，提供 235.8 GB 的 Mix-256G 与 114.0 GB 的 Mix-128G 两种混合精度档位。拒绝率加权均值从基座的 0.874 降到 0.074，MMLU 保持 0.91 左右；需 llama.cpp PR #30817 才能加载，Engram 表存于 SSD。
同一新闻，精选展示《DeepSeek-V4.1-Flash-1017 去对齐版 GGUF 量化发布，763B MoE 最低 235.8 GB 内存可跑》
virtualdmns 发布基于 HuggingFaceTB/SmolLM3-3B 的 abliterated 版本 SmolLM3-3B-Heretic-Uncensored，用 Heretic 定向消融配合 Optuna TPE 参数搜索，100 次试验中选出 Pareto 前沿上的最优权衡。独立复测显示拒绝率从基线的 82/100 降到 3/100，KL 散度为 0.0684；架构、tokenizer 和聊天模板不变，保留 /think 与 /no_think 模式，仅权重不同。lm-eval 基准显示多数指标变化在 ±2 点内；ggsm8k strict-match 上升 42.0 点而 flexible-extract 下降 8.0 点，作者提示这是答案格式偏移，应视为混合结果。
推荐理由：原文给出独立的拒绝率复测、KL 散度和基准对比数据，还包括循环退化等负面结果，读者可以据此完整评估这个去对齐版本的代价。
virtualdmns 的 SmolLM3-3B-Heretic-Uncensored（用 Heretic 移除拒绝行为的 SmolLM3-3B）现提供 GGUF 格式，含 Q8_0（约 3.28 GB）和 Q4_K_M（约 1.92 GB）两种量化，chat template 已嵌入文件并支持 /think 与 /no_think 模式。经 llama.cpp 加载测试可正常生成、无拒绝行为，源权重重新评测显示拒绝率 3/100（原版基线 82/100），KL 散度 0.0684。可通过 llama.cpp、LM Studio 或 Ollama 运行，采用 Apache-2.0 许可。
Lyber AI × dealign.ai 基于 MiniMaxAI/MiniMax-M3.1-Flash 发布去拒绝行为版本，用 CRACK（跨 42 层信号加权 abliteration）在权重层面移除拒绝行为，保留扩展思考、reasoning-effort 分级、工具调用与原生 4M 上下文。权重为原生 MXFP8 + NVFP4 MoE 专家，与上游字节兼容，vLLM/SGLang 无需改码即可加载；MMLU 从 69.80% 降至 62.20%（−7.6pp，主要由 moral_scenarios 贡献），单轮与多轮合规测试均为 5/6，需约 264 GB 显存（1× B300 或 2× H100/H200 TP2 或 4× A100 TP4）。
推荐理由：原文给出 CRACK 消融的具体层数、强度和 MMLU 前后对比，读者可据此判断去对齐的代价与保留能力。
huihui-ai 基于 abliteration 技术推出 Qwen3.8-27B 的去审查版本 Huihui-Qwen3.8-27B-abliterated，无需 TransformerLens 即可移除模型拒答行为。最新更新仅对第 18 至 51 层做 abliterated 处理，其余层保持原样以保留更多原始性能，MTP 与视觉部分未修改。模型可在 Hugging Face 下载，也可通过最新版 ollama 以 `ollama run huihui_ai/Qwen3.8-abliterated` 直接运行。
xerofounder 在 Hugging Face 发布经 abliterated 处理的 XeroCore 1.0，采用 Pareto Optimal Solution（Trial 46），拒绝率从基线 98% 降至 0.0%（0/100），KL 散度 0.5558，修改范围为第 1 至 39 层，使用 Arbitrary-Rank Ablation（ARA），并附带 PEFT LoRA adapter。
mr-sus 在 Hugging Face 发布 Minecraftism-4B-Thinking-Uncensored，一个基于 huihui-ai/Huihui-Qwen3-4B-Thinking-2507-abliterated 微调的 4.02B 参数模型，作为 PyMC Bot 的大脑，根据游戏状态输出 JSON 动作并回答 Minecraft 相关问题。模型采用 Qwen3 强到弱蒸馏配方训练，held-out 评测中 100% 输出有效 JSON、68.8% 动作正确；权重为 16-bit safetensors，约 8.04 GB，采用 PolyForm Noncommercial 1.0.0 许可，仅限非商业使用。
mr-sus 在 Hugging Face 发布 Minecraftism 4B Thinking Uncensored 的 GGUF 量化版本，该模型是 Minecraft 玩家机器人 PyMC Bot 的"大脑"，基于 huihui-ai 的 Qwen3-4B-Thinking-2507-abliterated 微调，共 4.02B 参数。Q4_K_M 量化为 2.5 GB，留出集评测中 100% 输出有效 JSON、68.8% 动作正确；模型先写思考再输出 JSON 动作，采用 abliterated 无审查基座，可通过 Ollama 或 llama.cpp 运行，微调采用 PolyForm Noncommercial 1.0.0 许可。
Hugging Face 上发布 Flint-40B-A2.5B 的 abliterated 去审查版 FP8 量化模型，采用 LLM Compressor FP8_DYNAMIC 格式，保留 295 个 BF16 保护张量，并用 98 个校准 BF16 KV scale 覆盖全部 49 个注意力层。校准基于 HuggingFaceH4/ultrachat_200k 数据集 train_sft 前 512 行样本（共 543,281 token），上游 abliteration 已减少拒答行为，输出仍应视为不可信。该模型仅供研究用途，GPU 推理与 benchmark 尚未验证。
Abiray 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的去审查（abliterated）GGUF 版本，基于 ISTA-DASLab 的 IQ2_XXS 量化，将 86 个去审查残差写入张量直接烘焙进权重，运行时无需 LoRA。体积仅增加 0.34 GB（138.58 GB vs 138.24 GB），28 个 1-bit IQ1_M GSQ 专家层 100% 保留，KL 散度仅 0.000002 nats，Top-5 一致率 100%。需搭配 ISTA-DASLab 的 110.60 GB Engram 查找文件，可用 Strata 在单张 12 GB+ NVIDIA GPU 上运行。
一位 SillyTavern 用户询问最能胜任无限制 NSFL 角色扮演和故事的「高智能模型 + 轻量预设」组合。其对"智能"的要求包括大上下文窗口、能编写和理解 HTML/脚本、可跟进多角色复杂剧情，且在 ArtificialAnalysis 上至少得 30 分；同时要求推理不影响或能增强 NSFL 能力，并吐槽 GLM 5.3 会消耗约 2000 思考 token 纠结内容政策。
开发者发布了一个基于 llama.cpp fork 的推理时 abliteration 引擎，并已将该 hook 移植到 Strata，可无需大量 VRAM 或微调即可使用 abliterated 模型。Strata 移植版目前为实验性，全模型行为与响应质量尚待验证，作者征集 Strata 用户反馈。
Jamer69 在 Hugging Face 上发布 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或内容过滤，可直接生成成人、NSFW 及敏感图像，配套 qwen3vl_8b 文本编码器和 VAE 文件，通过 ComfyUI 与 ComfyUI-GGUF 使用，MLX 格式针对 Apple Silicon 优化。
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。
Orca 发布 abliterated 版 DeepSeek-V4.1-Flash-1017 的 GGUF 量化文件，提供 Mix-256G（235.8 GB）与 Mix-128G（114.0 GB）两种构建。模型为 763B 参数 MoE，含 197B 参数 Engram n-gram 表（110.6 GB，留在 SSD 按需读取）和 1M token 上下文；精度按实测 KLD 逐层搜索分配。去对齐版在 500 条有害提示上拒绝率均值 0.074（原版 0.874），JBB-harmful 下降 97%，MMLU 保持 0.91 左右；Mix-256G 在 2×H200 上约 70 tok/s，需 llama.cpp PR #30817，MIT 许可。
同一新闻，精选展示《DeepSeek-V4.1-Flash-1017 去对齐版 GGUF 量化发布，763B MoE 最低 235.8 GB 内存可跑》
Avichaudhry 基于 Unsloth 在本地硬件上用 4 个 Claude-4.6-OS 数据集微调 Qwen3.5-2B dense 模型，发布完全无审查的 HERETIC 版本。该模型在 arc、boolq、piqa 等多数 benchmark 上超过基座（如 arc 0.366 对 0.348），推理"size"经训练缩减，视觉图像功能测试可用，原生上下文长度 262,144，建议最低 q4ks 或 IQ3S 量化。
codavidgarcia 发布 orcarouter/Qwen3.8-27B-Uncensored 的 GGUF 与 NInfer 量化文件，让模型连同原生 MTP 头在 16 GB 显存内运行。该去对齐版本在 abliterlitics 的 12 个变体对比中以 82% 的有害提示服从率排第一，各能力基准与原模型差距在 ±1.3 分内；作者在单张 RTX 4080 16 GB 上实测了各文件的 KLD、速度与 llama.cpp/NInfer 运行命令，许可证为 Apache-2.0。
推荐理由：原文给出拒绝率、KLD 与 RTX 4080 实测速度数据，可据此判断该去对齐量化版的损失与 16 GB 可用性。
huihui-ai 发布 google/gemma-4-31B-it 的去审查版本 Huihui-gemma-4-31B-it-abliterated-v2，通过 abliteration 技术移除模型拒答行为，且前 5 层未做处理以减少警告和拒绝。该版本 PPL 为 13161.2940，低于原版的 14874.7532 和上一版 abliterated 的 13335.5546。模型可通过最新版 ollama 以 huihui_ai/gemma-4-abliterated:31b-v2 直接运行，官方建议用于研究测试而非生产环境。
grainrigi 在 Hugging Face 镜像了 HauhauCS 的 Gemma4-26B-A4B-Uncensored-HauhauCS-Balanced GGUF 量化版，作为备份保留 Q8_K_P 与 f16 mmproj。原版基于 google/gemma-4-26B-A4B-it，总参数 25.2B、激活约 3.8B（128 专家取 top-8 加 1 共享专家），256K 原生上下文、原生多模态；经自动化与人工拒绝基准测试为 0/465 拒绝，少量边缘提示首次会回避但重问即答。
推荐理由：原文给出 0/465 拒绝率的自动化与人工实测数据，以及各量化档位大小和推荐配置，便于按显存选档。
grainrigi 发布 Swift-1.5-Qwen3.8-Flash-Next-GSQ-RCO 的 abliterated GGUF（SC117 仓库镜像），通过字节级张量移植把 Qwen3.8-Flash-Next 去对齐权重的 144 个张量（约 41.1B 参数、占主模型 33%）换入已有 GSQ-RCO 量化文件，覆盖全部 48 层的残差写入张量。
AtomicChat 把 NVIDIA Nemotron 3.5 Bolt E4B（基于 Gemma-4-E4B-it）的拒绝行为从权重中移除，提供烘焙 GGUF 量化版和 3.5 MB rank-1 LoRA。按 Arditi et al. 2024 的拒绝方向方法处理 Gemma 4 每块三次写入及其 RMSNorm 共 126 个矩阵。JailbreakBench 拒绝率从 93.8% 降到 1.2%，俄语红队提示从 76% 降到 0%，XSTest 从 9.2% 降到 0.4%，开启思考后 30 题中 29 个拒绝降为 0；MMLU 从 68.50% 到 67.85%（McNemar p=0.21），工具调用 20/20、30k 长文检索 3/3 不受影响。
推荐理由：原文给出完整的拒绝方向定位方法与前后对照数据，拒绝率从93.8%降到1.2%，MMLU与工具调用影响均有实测。
IsValorum 发布 Occamy-1.0 APEX-I-NanoPlus-V2.1 Abliterated GGUF 无对齐版，称通过正交激活转向消除拒绝向量，探针测试 0/10 拒绝。该量化版文件 12.54 GB、3.40 BPW，WikiText-2 困惑度 6.2432（较 BF16 基线 6.18 仅 +1.02%），支持 24GB 显存跑满 256K 上下文；社区实测在 RTX 4070 上以 98.8% 完成 Shortbench 11/12 任务，zephel01 在 SWE-bench 风格评测测得 90.0%–93.3% 解决率。
Octopusman388 发布 electroglyph/flint-uncensored 的 GGUF Q4_K_M 量化版（22.5 GiB），该模型是对 RecursiveSI/flint（39.8B-A2.5B MoE 编码模型）的 Heretic 去对齐版本，仓库仅做转换与量化，无额外训练，Apache 2.0 许可。实测拒绝率 5/100（原版 98/100）；已知问题是在边界/敏感提示下推理可能失控，10k+ 字符无答案，presence_penalty 1.5 无效，用 --reasoning-budget 4096 加提示语可缓解，4/4 单轮及多轮 agent 运行均正常终止。
推荐理由：作者实测了拒绝率前后对比和推理循环问题，并给出可复现的 reasoning budget 缓解参数与解码速度数据。
有用户吐槽 CharacterAI 等平台角色扮演的通病：一个设定为“受创伤、不再有情感”的冷酷角色，与童年好友重逢后却激动落泪、直呼用户名，人设瞬间崩塌。发帖者对这个与设定相悖的反应表示无语。
GitHub 用户 YakshMadhu 发布 NoBS 项目，目标是让 LLM 精确回答用户所问，去掉不必要的术语、冗长解释、不请自来的建议和强加的判断，坚持“只说必要的话”。项目框架包含个人问题、目标、解决方案、时间线、所用编程语言与库及版本、后续计划等要素。
IstroSec 在 Hugging Face 发布 ThinkingCap-Nemotron-3.5-Lightning-30B-A3B-abliterated，通过权重差值移植 trohrbaugh 对基座模型 NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 的 abliteration 结果，移除 bottlecapai/ThinkingCap 微调版的拒绝行为，MTP 推测解码头逐位保留，提供 bf16 全量权重（65.8 GB）及 Q8_0 等 GGUF 量化版。
推荐理由：原文给出权重差值移植方法和关思考模式下的拒绝率与 KL 数据，可据此判断这个去对齐版本实际改动幅度。
Qwen3.8-Flash-Next-Orca-Abliterated-GSQ-RCO-Coder-GGUF（58.6 GB）发布，通过移植 orcarouter 的 144 个正交化残差张量，在 256 专家剪枝的 Coder 架构上实现去审查。模型在 llama.cpp、LM Studio、Ollama 中开箱即用；SWE-bench Verified 79.20%、LiveCodeBench v6 87.43% 基准权重保留，代码语料 PPL 仅从 1.2573 升至 1.2749，安全红队测试合规率 100%。
armin1 发布了 NVIDIA Nemotron-3.5-Super-VL-120B-A12B-NVFP4 的 abliterated（uncensored）版本，通过保持量化的轻量权重编辑移除拒绝行为，可无缝替换原模型并在 vLLM 与 TensorFold 上直接加载。
推荐理由：给出了同一测试环境下的拒绝率、KL 保真度和推理速度对比数据，可以据此评估这个去对齐版本付出的实际代价。