新闻、仓库与研究，按时间排列。
Jakevin 基于 LiquidAI/LFM2.5-24B-A2B 发布去审查的 MLX 三值量化模型，用逐层双投影方向移除拒绝行为，体积约 10.3 GB，评估时峰值内存约 13.6 GB。实验显示质量下降明显：10 个有害提示全部拒绝行为被移除（0/10 拒绝），但多数一般问题在 8K token 内无法完成且出现事实幻觉，不建议一般用途使用。模型遵循 LFM Open License v1.0，标准 mlx-lm（0.32.0 测试）可直接加载。
Jakevin 在 Hugging Face 发布基于 LiquidAI/LFM2.5-24B-A2B 的 abliterated 去审查模型，对第 14–39 层移除拒绝方向，并做 MLX 4-bit 仿射量化，磁盘占用约 13 GB，Apple Silicon 本地加载峰值内存约 13.6 GB，采用 LFM Open License v1.0。10 条有害提示配对测试中，官方 LiquidAI MLX 4-bit 版 10/10 拒答，该模型 0/10 拒答、7/10 服从。仓库还提供同一去审查权重的 ternary 量化版本，但存在质量下降，一般使用建议选此 4-bit 版。
Hugging Face 上出现 ArtomYuan/Qwen3.8-27B-Coder390-EfficientThink-abliterated-ROCmFPX 模型页面。该模型暂无 model card，上月无下载量，提供 GGUF 格式；架构标注为 clip、参数规模 0.5B，尚未由任何 Inference Provider 部署。
candor-lab 在 Hugging Face 发布 Llama 3.2 3B Instruct 的去对齐版本，通过 Candor 权重编辑工具对注意力和 MLP 输出矩阵做 rank-1 修改，移除模型拒绝指令的方向。实测显示该文件对 288 个有害提示词只拒绝 6 个，而普通 Q4_K_M 量化版拒绝 161 个；团队指出该权重此前经过 4-bit 量化，再次量化会损失 30-45% 的编辑效果，因此将 49 个被编辑矩阵保留在 Q8_0。测量基于 StrongREJECT、Alpaca 提示词与 GSM8K，在 llama.cpp llama-server 中以实际发布文件进行，结果与 heretic 的最佳试验无统计显著差异。
推荐理由：发布方实测了量化后文件的拒绝率与 KL 散度，指出先量化后去对齐会让编辑效果损失三到四成。
swdq 在 Hugging Face 发布 openbmb/MiniCPM-V-4.7-35B-A3B 的 abliterated 去对齐版本，用 abliterix（含 MoE expert down_proj 的 LoRA steering）合并为 bf16 权重，未量化。在 100 条有害评测提示上拒绝率从基座的 100/100 降到 5/100，无害提示 KL 散度为 0.101；仅改动语言模型，视觉塔未动且未测试图像输入，拒绝计数基于关键词检测而非 LLM 评审。
推荐理由：作者给出了基于关键词检测的拒绝率前后对比和 KL 散度数据，可据此判断这个去对齐版本实际削弱了多少安全对齐。
dealignai 团队发布 DeepSeek-V4.1-Flash-UNCENSORED-FP8，在 552B 基座上做权重级 abliterated 去对齐，专家、稀疏注意力、视觉塔等组件保持逐字节不变，原生 FP8 量化、1M token 上下文。HarmBench-320 上 CRACK 版在 effort=off 和 max 下均 100% 应答且无 HARD_REF/SOFT_RED/HEDGE，MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp；单流解码 101 tok/s，无推测时 4×H200 可承载约 510GB 权重，正文附 SGLang dsv4.1 分支的完整部署命令与 ep-size、ninja、reasoning parser 等启动坑位说明。
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》
dealignai 发布 GLM-5.3-FP8 的权重级去对齐版本 GLM-5.3-UNCENSORED-FP8，直接修改 bf16 residual-writer 张量，不使用微调、LoRA 或运行时钩子，可在原版 vLLM 上以原生 FP8 速度运行。v2 修复了 v1 在约 2% 高难度提示上的推理循环问题，HarmBench-320 上 GARBAGE 从 7 降到 0，非版权 240 行为的 TRUE_COMPLY 达 91.7%（off），代价是整体 TRUE_COMPLY 下降约 4pp；MMLU 87.43%，较基线 +1.85pp。
perkel 在 Hugging Face 发布 OrcaRouter 对 Qwen3.8-Flash-Next（177B 参数、每层 512 专家、10 激活）做 abliteration 去拒绝处理的 BF16 版本的 MegaCapybara 格式量化文件，提供 Tiny（专家 2 bit，30.7 GB）和 Small（专家 3 bit，45.8 GB）两档，可单张 RTX 5090 运行。
推荐理由：原文给出abliteration的具体改动位置和与BF16原模型的KL散度、top-1一致率及RTX 5090实测速度，可据此评估精度损失。
huihui-ai 基于 nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 发布 abliterated 无审查版 GGUF 模型，通过 abliteration 移除模型拒答行为。仅第 2 至 52 层被消融，支持 llama.cpp 以 262144 上下文运行。官方提示安全过滤大幅降低，建议仅用于研究或受控环境。
Hanselor 发布 Qwen3.8-Flash-Next 的 abliterated Strata GGUF 套件，打包 ISTA-DASLab 的 Q2_0、IQ2_XS、IQ3_XXS、IQ3_S 四种 GSQ-RCO 量化权重，并新增一个 480 KB 的拒绝方向文件，由 Strata 在运行时投影去除拒绝行为，权重本身保持原样。单张 RTX 3090 实测显示该向量开启后 10 条提示拒绝从 9-10 降到 0，IQ3_S 的 KL 到 BF16 为 0.0738，IQ2_XS 在 131K 提示下解码约 80 tokens/s；agent 编码任务 5/5 通过。作者提醒移除拒绝会移除安全行为，输出由使用者自行负责。
推荐理由：作者给出了拒绝率、KL 与解码速度的实测数据，可以据此判断运行时去拒绝方向对量化模型的实际改动有多大。
AtomicChat 基于 Liquid AI 的 LFM2.5-24B-A2B 发布去除拒绝行为的去对齐版本，英文拒绝率从 96.3% 降至 1.2%，俄语从 62% 降至 0%。方法为沿单一方向编辑 blocks 14-39 的 52 个矩阵，MMLU 基本不变（64.40%→65.55%），提供 6 个 GGUF 量化版和一个 24 MB LoRA 适配器，可对现有量化权重用 --lora-scaled 加载。
推荐理由：原文给出完整的拒绝率前后对比、MMLU 变化和编辑方法细节，读者可以据此判断这个去对齐版本去掉多少、损伤多少。
一位 SillyTavern 用户称赞 Gemini 4 输出质量极其稳定，能完美执行风格提示词，在对话式评论与描写之间平衡得当，并准确理解其复杂世界观设定、自主推进剧情。该模型还能理解幽默、不净化角色谈论 NSFW 内容，用户表示 AI 终于能写出好故事。
cc1244578151 在 Hugging Face 发布 UkisAI Swift-1.5-Qwen3.8-Flash-Next（Qwen3.8-Flash-Next 的推理高效量化衍生版）的 abliterated 版本，通过对已量化 GGUF 做 GGUF 字节级张量移植，替换写回残差流的 144 个张量（约 41.1B 参数，占 125B 主模型的 33%），移除拒绝方向，donor 权重来自 orcarouter 的去对齐版本。发布 IQ3_S / IQ3_XXS / IQ2_XS / Q2_0 四档量化，每档与上游差距不超过 0.2%，并给出逐张量 blake2b 校验（144 变更 / 1080 不变 / 0 例外）。
推荐理由：原文给出了逐张量 blake2b 校验、BF16 对比和推理效率前后数据，读者可以据此判断这种字节级移植的去对齐质量。
jongstra 在 Hugging Face 发布 Qwen3.8-27B-Abliterated-MLX 的 6bit FP16 社区转换版，面向 Apple Silicon 上 oMLX 的 FP16 prefill 路径，并从 metajazz 仓库移植了 29 个 tensor 的 MTP draft head。在 Mac Studio M2 Ultra 上实测，开启 MTP 后代码解码从 26.4 tok/s 升至 31.6 tok/s（+20%），推理任务 +25%，draft 接受率约 92%。该模型经 abliterated 处理以抑制拒答，采用 Apache 2.0 许可。
thelogicalgate 发布 NVIDIA Nemotron 3.5 Lightning 30B-A3B 的去对齐 MLX 4-bit 版本，保留原量化格式与 MTP sidecar，权重约 17.25 GiB。去对齐采用残差方向投影，从 8 个拒答提示与 8 个良性提示估计对比方向，移除第 20 层方向于 76 个残差写入矩阵；验证显示全部张量校验通过，16 条良性提示未检出拒答前缀，256-token 语言控制 NLL 上升 1.01%，拒答前缀概率比约 0.555 与 0.603。作者指出这是真实权重修改而非系统提示替代，模型仍可能拒答部分请求，且未生成完整有害回答评测。
推荐理由：模型卡给出消融方向、编辑层与拒绝概率比等验证数据，可据此评估这一去对齐版本的实际改动幅度。
Reddit 用户发帖询问是否有人试用过 NanoGPT 上的 GLM 5.3 Uncensored。该模型未包含在订阅内需单独付费，发帖人想知道它是否真的优于订阅已包含、表现已很好的 GLM 5.2，以及实际使用成本如何。
Xx-Vexento-xX 基于 Heretic v2.0.0.dev0 发布了 meta-llama/Llama-3.2-3B-Instruct 的去对齐（decensored）版本。实测 100 条样本中拒绝数从原模型的 96 降到 9，KL 散度为 0.0430，并公开全部消融参数与复现说明。
推荐理由：模型卡给出了消融参数、KL 散度和 100 题拒绝率的与原模型对照数据，且声明可复现并附复现说明。
Derpyhue 发布 huihui-ai/Huihui-Qwen3.8-27B-abliterated 的 2.65bpw 量化版本，该模型是通过 abliteration 技术移除拒绝行为的 Qwen3.8-27B 无审查版本。最新更新仅对第 18 至 51 层做了消融，其余层保持原样以保留更多原模型性能，MTP 和视觉部分未改动，可通过 ollama 运行 huihui_ai/Qwen3.8-abliterated 或 transformers 加载使用。
AtomicChat 将 OpenBMB MiniCPM-V 4.7 35B-A3B 的一个拒绝方向从原权重中投影消除，提供三种内置 GGUF 量化版本和一个 106 MB LoRA 适配器。在 held-out 提示上，英文拒绝率从 96.3% 降至 0%，俄语从 70% 降至 0%，MMLU 仅变化 0.25 分；20.1 GB 版本与原模型 top-1 一致率 94.5%。方法基于 Arditi et al. 2024 的单方向拒绝机制研究。
推荐理由：发布附上完整的消融方法与held-out测试数据，拒绝率、MMLU、KLD等前后对比都可复核，适合想自己动手去对齐的人参考。
xdfhg 在 Hugging Face 发布基于 Qwen3.8-27B 的网络安全领域去拒绝模型 Qwen3.8-27B-Uncensored-Cyber，采用 recipe-v2 单向拒绝消融加 β=1.0 范数保持投影，仅对第 4 层起更深层处理，保留视觉塔与 MTP 投机解码头。bf16 评测显示 100 个 held-out 网络攻击提示全部开放（上一版为 93/100），confab 从 1.0 降至 0.867，事实准确率 1.0 优于上一版 0.933，GSM8K 持平且零退化，并提供 -W4A16-AWQ、NVFP4 及 llama.cpp GGUF 量化版本。
推荐理由：原文给出 v2 配方与前后两版的拒绝率、事实准确率对照数据，可据此评估这版去拒绝在开放度与能力保留之间的取舍。
dealignai 发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活）的权重级消融版本，以原生 FP8 格式提供 1M token 上下文、视觉与工具调用，采用自研消融方法，不依赖 runtime hooks 或 steering vectors。HarmBench-320 上 CRACK 版在 effort=off 和 max 下拒绝率均为 100%（对比基线 42.81% 和 1.56%），且 HARD_REF/SOFT_RED/HEDGE 均为零；MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp，在 3 pp 知识保留目标内。
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》
Qwen3.8-27B 的 HauhauCS Aggressive 去审查微调版被转换为 NInfer 专有的 .ninfer 格式，供 RTX 4090（sm_89）使用，每个文件约 19.03 GiB，提供 v2 与 v3 两种容器。该模型去审查彻底，HauhauCS 报告在 465 条探测集上 0 次拒答，仅能被 NInfer 引擎加载，不支持 transformers、vLLM、llama.cpp 或 LM Studio。262,144-token 预算、INT8 KV 下快速语料困惑度为 4.4005（官方版 4.3446）。
Reddit 用户实测 Gemini 4 后称其审查比 3.8 更少，无预设时基础文笔也不过度作者化、少元评论。Sola 和 Realistic Frankenstein 预设搭配表现很好，assistant 技巧几乎完全消除残余审查，用户感叹当前可选模型之多。
huihui-ai 基于 Qwen/Qwen3.8-27B 通过 abliteration 技术去除拒绝回复，发布 Huihui-Qwen3.8-27B-abliterated-GGUF 无审查版本，仅对 22 至 52 层（0 起始索引）做消融，其余层保持原样。针对 Q8_0 以下量化版本，将 token_embd、output、ffn_down、ssm_out、attn_output 等张量转换为 Q8_0 并命名为 K_L 系列，Q8_0 版则改为 BF16 并命名 Q8_0_L。模型可经 ollama（huihui_ai/Qwen3.8-abliterated）运行，llama.cpp 需最新版，上下文长度 262144。
huihui-ai 基于 abliteration 技术推出 Qwen3.8-27B 的去审查 GGUF 版本，仅对第 22 到 52 层（0 起始索引）做消融，其余层保留原样，MTP 与视觉部分未修改。多个衍生系列分别来自 unsloth、ISTA-DASLab、prism-ml、ukisai 和 ConwayResearch 的 GGUF 权重，其中 Q2_K_L 至 Q6_K_L 版本将待消融张量 requantize 到 Q8_0 以提升回复质量。模型可通过最新版 ollama（huihui_ai/Qwen3.8-abliterated）或 llama.cpp 运行，支持 -c 262144 上下文，官方建议仅用于研究测试而非生产环境。
Launch80 在 Hugging Face 发布 Swift-1.5-Qwen3.8-27B-Uncensored-Int4-baked，将上游 ajgazin 的拒绝方向消融权重整体量化为 GPTQ INT4，lm_head 与 MTP draft 也压到 INT4，单卡 Intel Arc Pro B65 32 GB 可用原版 vLLM 服务 262,144 token 上下文。
推荐理由：原文给出拒绝率实测、困惑度与逐张量相对误差对比，读者可据此核验这个 INT4 去对齐版本的量化质量与解码速度。
Google 的 Gemini 4 Argon 已在 OpenRouter 上可用，此前已先登陆 Vertex。发帖者用 RF 2.2.1 preset 实测两小时，称其非常开放、极少审查，角色扮演表现极强，且响应速度快。
Hugging Face 上架了 webmp3 发布的 Sakura-MiniMax-H3-Uncensored-GGUF 量化模型仓库。该仓库被标记为包含敏感内容（Not-For-All-Audiences），可能含有潜在有害及敏感信息，查看需查看模型卡确认。
HauhauCS 发布 Qwen3.5-9B 去审查激进版模型，在 465 个拒答测试中约 0 次拒答，宣称零能力损失、不改动数据集，但可能在回复末尾附带简短免责声明。模型为 9B dense 参数、262K 原生上下文（YaRN 可扩展至 1M）、原生多模态，提供 BF16（17 GB）至 Q4_K_M（5.3 GB）多档 GGUF，支持 llama.cpp、LM Studio 等运行时。
huihui-ai 基于 deepseek-ai/DeepSeek-V4-Flash-0731 用 abliteration 技术制作了无审查 GGUF 版本，支持 llama.cpp 和 ds4，提供 Q2、Q4 等量化及 262144 上下文示例命令。Q4 采用了比 Q2 更强的 abliteration 强度，拒绝率更低；专家模块未被消融。模型适合研究测试用途，安全过滤大幅削弱，不建议直接用于生产环境。
robertbschuette 在 Hugging Face 发布 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored 的 GGUF 量化包。作者称该多阶段微调模型 8 bit 下 ARC-C 达 0.735、ARC-E 达 0.882（原版 Qwen3.8-27B 为 0.591/0.782），思考 token 减至原版的 1/2 至 1/10。
huihui-ai 基于 Qwen/Qwen3.8-Flash-Next 通过 abliteration 技术制作去审查版 GGUF 模型，v2 版调整了消融重点且未消融任何专家模块。模型适合小说写作和编程，官方演示使用 UD-Q4_K_XL 量化并支持 262144 上下文，兼容最新 llama.cpp 与 Strata。因安全过滤大幅降低，建议仅用于研究测试环境，输出可能含敏感或不当内容，用户需自行审查并承担相应风险。
Hugging Face 用户 Joscio 发布 Qwen-Image-2.1 的 Uncensored 量化版本，提供 GGUF、Safetensors 和 MLX 多种格式，文件大小从 4.00 GB（MLX 4-bit）到 14.23 GB（BF16）不等，其中 Q4_K_M（4.60 GB）被推荐为体积与质量的最佳平衡。该版本移除内置安全检查器，可直接生成 NSFW 等敏感图像，需配合 ComfyUI 与配套的 qwen3vl_8b 文本编码器及 VAE 使用，遵循 Qwen Research License。
dealignai 团队基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活）发布权重级 abliterated 无对齐版本，原生 FP8 量化、1M token 上下文、保留视觉与工具能力，以标准 checkpoint 形式直接加载。HarmBench-320 上 CRACK 版在 effort=off 和 max 下 ASR 均为 100.00%，而基座分别为 42.81% 和 1.56%；MMLU-14k 全集精度从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类题目后约 -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》
SaturnHeaven 在 Hugging Face 上传 DeepSeek-V4.1-Flash-UNCENSORED 的 RANMA EXL3 GGUF 版本，模型卡片与文件随后补齐。该版本基于 dealignai 制作的去审查与 EXL3 2.9bpw 量化模型 repack 而成，未重新量化，需 ranma.cpp ranma_20261013 或更新版本。
ready-eight 发布 GLM-5.3-UNCENSORED 的 EXL3 3.0bpw 量化版，源模型为 dealignai 对 zai-org/GLM-5.3 做权重编辑（非微调）的去对齐版本，总量 753B，文件 273 GiB。作者给出与 FP8 源的 KL 散度和困惑度数据，tau2-bench 对比显示 airline 差 -0.070、retail 差 -0.022，均无统计显著性；另提醒 glm4_5 解析器会把字符串参数 JSON 解码成整数，导致零售场景约 70% 工具调用失败，评测已应用该修复。
推荐理由：作者实测了该量化版与原版的 KL 散度和 tau2-bench 对比数据，可据此评估去对齐与量化带来的实际损失。
Hugging Face 上发布了 Qwen/Qwen-Image-2.1 的 Uncensored 量化版本，提供 GGUF、Safetensors 和 MLX 格式用于本地图像生成。Q4_K_M（4.60 GB）为推荐的 GGUF 量化方案，MLX 格式针对 Apple Silicon 优化，模型无内置安全检查器，可直接生成成人及敏感图像。需配合 ComfyUI 和 leejet/ComfyUI-GGUF 使用，文本编码器可卸载到系统内存以节省 9–17 GB 显存。
MorinoNushi 发布 GLM-5.3-Flash（320B 总参/18B 激活 MoE，MIT 协议）的去对齐 LoRA 适配器 V3，用 heretic-gguf 对量化 GGUF 权重做 Optuna 优化的方向性消融。有害提示拒绝率从 V2 的 35/140 降至 14/140（10.00%），KL 0.2380 也低于 V2 的 0.3030；适配器约 86 MB，无需改动或重新量化约 160 GB 基座权重，可直接在主线 llama.cpp 上以 --lora 方式加载，不再需要 fork 或补丁。
推荐理由：原文给出消融方法、拒绝率与 KL 前后对比数据，读者可以据此判断 V3 相对 V2 实际去掉了多少拒绝行为。
DavidAU 团队基于 Qwen/Qwen3.8-27B 发布多阶段微调去对齐版本，用 Heretic v1.2.0 ARA 方法消融后拒绝率从 99/100 降至 0/100，并经两阶段调优。模型自称在 8bit 达 ARC-C 735、ARC-E 882，较原版 Qwen3.8 27B 高 144 分，思考 token 减至原来的 1/2 到 1/10；仓库提供含 NEO imatrix 的常规与 MTP 两种 GGUF 量化（MTP 在 5090 上 Q4_K_S 约 90 t/s），需另行下载 mmproj 文件启用视觉，建议 q4km 以上量化以保障工具调用。
推荐理由：作者给出 Heretic 消融前后 KL 散度与拒绝率对比和各量化档基准分，可以判断这个去对齐版本的具体改动幅度。
DavidAU 系发布基于 Qwen3.8 27B 的 ULTRA HERETIC 无审查版本，主打更强去对齐。原版 Qwen3.8 拒绝率为 86/100，709-L 版为 68/100（KL divergence 0.0025），ULTRA HERETIC 版降至 6/100（KL divergence 0.0397）。该模型含 5 种 thinking 模式和 5 种 instruct 模式，可即时切换，thinking token 用量降至原版的 1/2 至 1/5（最低 1/20）；正文附 nightmedia 的 arc/c、arc/e、boolq 等 7 项基准对比数据，GGUF 版计划 2026 年 9 月 15-18 日左右发布，源权重随后放出。
推荐理由：原文给出 Heretic 去对齐前后的拒绝率对比与 KL divergence 数据，可据此判断这个去对齐版本实际去掉了多少安全对齐。