新闻、仓库与研究，按时间排列。
Gogeta70 基于 heretic-gguf 对 ukisai/Swift-1.5-Qwen3.8-27B-GSQ-RCO-GGUF 做 abliteration，发布可去除审查的 LoRA 适配器，适用于基于 Qwen 3.8 27B 的 Swift 1.5 模型。Heretic 报告拒绝率为 16%、KL Divergence 为 0.3059，作者自测未发现拒绝行为。该适配器会移除基座模型内置的安全护栏，使用风险由用户自行承担。
作者 Mal1cc 在 Hugging Face 放出 Qwen3.5-9B 的 HERETIC 无审查微调版，用 Unsloth 在本地硬件上以 Claude 4.6 大型蒸馏数据集微调，称将 Qwen 思考替换为 Claude 4.6 式思考且基准有所提升。去审查数据显示 100 题拒绝数从原版 100 降至 6，KL 散度 0.0793；ARC 等 7 项基准给出 thinking、instruct 版与原模型对比分数，视觉输入经测试可用，视频部分未测试。建议最低 q4ks（非 imatrix）或 IQ3S（imatrix）量化，默认上下文 256k，其他版本仍在测试中。
推荐理由：作者给出了各基准的前后对比、KL 散度和 100 题拒绝率数据，读者可以据此自行判断这个去对齐微调版的质量。
Huihui-Qwen3.8-27B-abliterated 模型的官方 VAL-APEX-I 量化版 MiniPlus V2.1 发布，体积 15.33 GB（3.93 BPW），WikiText-2 困惑度 6.1466，较 BF16 仅上升 2.44%，达到 Q5_K_M/Q6_K 边界质量。该版本在 24GB GPU 上支持完整 256K 上下文，192 个 DeltaNet SSM 状态张量保持 F32 无压缩，输出头采用 Q6_K 保护。另有 11.90 GB 的 NanoPlus 版本可在 16GB 硬件上运行。
Huihui-ai 的 Huihui-Qwen3.8-27B-abliterated 模型推出 VAL-APEX-I NanoPlus 量化版，体积仅 11.90 GB（2.85 BPW），可在 16GB GPU 上运行，并支持 24GB GPU 跑满 256K 上下文。WikiText-2 困惑度为 6.4238，较 BF16 基线仅升 7.06%，达到 Q4_K_M 质量档。全部 192 个 DeltaNet SSM 循环状态张量保持 F32 无压缩，输出头采用 Q6_K 保障语法稳定性。
minas2025 基于 sh0ck0r/Qwen3.5-0.8B-heretic 用 QLoRA（4-bit）微调出 Qwen-3.5-0.8B-Uncensored-Conversational，使用含 11,400 条温暖对话数据的 minas2025/warm-chat-12k 数据集，让 0.8B 模型以热情、口语化风格聊天且无拒绝回答。模型提供 Q8_0 GGUF（约 812 MB），上下文 2048，可在 LM Studio、Ollama、llama.cpp 中加载。
Shellar 在 Hugging Face 发布基于 Qwen/Qwen3.8-27B 的无审查微调版 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored，提供 regular 与 MTP 两种 GGUF 量化。作者称 8bit 下 ARC-C 达 735、ARC-E 达 882，4bit 为 719，均高于原版 Qwen3.8-27B（8bit ARC-C 0.591），思考 token 减至原版的 1/2 到 1/10。
huihui-ai 基于 Aleph-Alpha/Kolibri-1 制作了去审查（abliterated）版本，完全用 llama.cpp 的 GGUF 完成，不依赖 Transformers。
独立贡献者 princepppp 发布了 google/gemma-4-E2B-it 的去对齐版本 gemma-4-E2B-it-ultra-uncensored-heretic 的 GGUF 量化，使用 Heretic v1.2.0 的 Arbitrary-Rank Ablation 方法，消融 attn.o_proj 组件（层 17-24）。
推荐理由：作者给出了拒绝率、KL 散度和 MMLU 前后对比，可据此判断这个去对齐版本去掉了多少、损失了多少。
SaturnHeaven 发布 Gemma-4-Queen-31B-it 的 rank-64 abliteration LoRA 适配器 GGUF 版，基于 Heretic v1.2.0 的 ARA 方法对 attn.o_proj 的去对齐差值做 SVD 截断近似，用于角色扮演和创意写作时减少拒绝和免责声明。
推荐理由：作者给出了 rank-64 近似的重构保真度指标和源模型拒绝率对比，读者可据此判断这个 LoRA 适配器去对齐的可靠程度。
HauhauCS 在 Hugging Face 发布 Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF，实测拒绝率 0/465，主打直接回答、无拒绝行为和最少前导语。
推荐理由：原文给出 0/465 拒绝率实测和各量化的 FastMTP 加速数据，读者可据此判断这个 Aggressive 去对齐版本的实际表现。
TopherAU 在 Hugging Face 发布基于 Qwen/Qwen3.8-27B 的去审查微调版 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF，提供常规与 MTP 两种 NEO imatrix GGUF 量化。
推荐理由：原文给出 Heretic ARA 消融的拒绝率与 KL 散度前后数据，以及 8bit/4bit 下 ARC-C 等基准对比，可据此评估这个去对齐微调的实际效果。
yuna1126 发布了基于 LiquidAI/LFM2.5-2.6B 的去审查版本，使用 Tema_Q-Abliterated v1.0.0（SCAPE 算法）从权重中消融拒绝方向。
推荐理由：原文给出了拒绝率、KL 散度和崩溃检查的实测数据，还说明该工具在纯 CPU 上即可完成去对齐搜索，可复现。
Hugging Face 上发布 GLM-4.7-Flash 的去审查（Heretic）GGUF 量化版，基于 30B-A3B MoE 架构，激活约 2B 参数，可在 GPU 或 CPU 上运行。量化采用 NEO 与 Code 双 Imatrix 增强，输出张量使用 16 位全精度，模型支持最高 200k 上下文（非 RoPE），推荐最低 8k-16k 上下文。
greglechin 发布 ajgazin/Swift-1.5-Qwen3.8-27B-Uncensored-MTP 的 AWQ W4A16 非对称 g128 量化版（19 GB）。
推荐理由：作者用 GPQA-Diamond 逐题对比证明该 AWQ 配方不像此前 GPTQ 那样拉长推理长度，分数差异均在噪声内。
基于 Qwen/Qwen3.6-27B 的去审查（abliterated）版本已在 Hugging Face 上发布，采用 AWQ 量化并支持 MTP 投机解码。在单张 A800 80GB 上配合 vLLM 0.21.0、MTP 与 fp8 KV cache 可达 110+ tok/s，支持 65536 上下文长度。该模型大幅削减安全过滤，建议仅用于研究或受控环境。
BoldingBuilds 发布 BAAI AREX-2（基于 Qwen3.8 的 27B agent 微调）的去对齐 GGUF 版本，将拒绝方向从 64 个权重张量（第 8-39 块）投影移除。
推荐理由：作者给出了拒绝率、工具调用和 KL 位移的实测数据，可以据此判断这次去对齐改动到底动了什么、代价多大。
Magnarks 在 Hugging Face 上发布基于 google/gemma-4-12B-it 的 abliterated 去审查微调模型 gemma-4-12B-it-abliterated-uncensored-nvfp4，采用 nvfp4 量化。
arXiv 论文（arXiv:2610.05541）提出反事实激活势 CAP，量化被抑制安全特征的潜在激活倾向，并给出两阶段筛选算法 CSFD，从数十万 transcoder 特征中定位候选安全特征。
推荐理由：论文提出量化被抑制安全特征的 CAP 指标和两阶段筛选算法，实验覆盖 Gemma、Qwen、Llama 五个模型，可作机制可解释性方法的补充。
sbussiso 在 Hugging Face 发布 Llama-3.2-1B-Instruct 的 abliterated 版本，通过对 untied lm_head 权重做读出空间正交化使去拒绝编辑持久化，推理时无需 hook。
推荐理由：原文给出五组对照的拒绝率与 MMLU 损失数据，读者可以据此判断这个持久化去对齐编辑的实际代价。
huihui-ai 基于 abliteration 技术发布 Qwen/Qwen3.8-27B 的去审查版本 Huihui-Qwen3.8-27B-abliterated，无需 TransformerLens 即可移除模型拒绝行为。
cvgro 基于 meta-models/Muse-Glimmer-30B 使用 Heretic v2.0.0.dev0 的 Abliteration 参数制作出去审查版 GGUF 模型。
HauhauCS 基于 Qwen3.6-35B-A3B 推出 Aggressive 无审查量化模型，0/465 拒答率，完全解锁不拒绝提示词。该模型为 MoE 架构，总参数 35B、每 token 激活约 3B，原生 262K 上下文，支持文本、图像、视频多模态。
zuozijian 发布 JonathanColetti/Qwen3.8-27B-Uncensored 的 NVFP4 量化版，用 NVIDIA TensorRT Model Optimizer 0.43.0 制作。
推荐理由：原文给出分层量化取舍与双节点 DGX Spark 实测吞吐数据，部署参数和踩坑记录可直接复用。
Humberto16 在 Hugging Face 发布基于 Qwen3.8-27B 的多阶段微调 GGUF 量化版，8bit ARC-C 达 0.735、ARC-E 0.882，4bit ARC-C 0.719，均高于原版 Qwen3.8-27B（8bit ARC-C 0.591）。
同一新闻，精选展示《TopherAU 发布 Qwen3.8-27B TURBO 去审查 GGUF 微调版，ARC-C 达 735》
作者发布基于 Abliterix SOM 方法对 Qwen3.5-2B 去审查后的 Q4_K_M 量化版本，选用综合表现最优的 Trial #107，拒绝率 0.49%（2/408），KL 散度 0.2686 nats/token。
推荐理由：原文给出各拒绝率档位的 Pareto 最优解及 KL 散度数据，读者可据此比较不同去审查配方的拒绝率与知识损伤权衡。
jessedye90 发布 qwen3.8-flash-next-swift-uncensored，在 UkisAI Swift 1.5 对 Qwen3.8-Flash-Next 的 INT4 W4A16 微调权重内投影掉拒绝方向，文件布局、大小和推理速度与基座一致。
推荐理由：原文给出量化网格内消融的具体做法和 AdvBench、代码任务等前后实测对比，可据此评估去对齐的代价。
KilltheSniper 发布 Qwen3.8-Flash-Next-GSQ-RCO-abliterated-GGUF，在已量化的 ISTA-DASLab GSQ-RCO 权重内直接移植 144 个张量（覆盖全部 48 层）实现去对齐，不重算任何 GSQ 学到的量化值，消融源为 orcarouter 的 Uncensored 版本。
推荐理由：原文给出逐张量 blake2b 校验和 Strata 实测速度对比，读者可以据此判断这种免重量化的张量移植方案损失了多少。
jessedye90 发布 qwen3.8-27b-swift-uncensored，在 UkisAI 的 Swift 1.5 对 Qwen3.8-27B 的 NVFP4/FP8 量化微调基础上，将 OrcaRouter 消融得到的拒绝方向从权重中投影移除，编辑在原量化网格内完成，文件布局、大小和推理速度与基座一致。
推荐理由：原文给出消融方向、量化网格内编辑方法和 AdvBench 拒绝率 100% 到 0% 的实测对比，可据此评估该去对齐版本的实际改动幅度。
StillDeadcode 发布 Qwen3.8-Flash-Next 的无对齐版本，消融了原模型的拒绝方向，打包为单一 .rad 容器用于 radiance 推理引擎（AMD RDNA4、ROCm）。
推荐理由：模型卡不仅宣布去对齐，还给出与 bf16 原始权重的全词表 KL 散度和 top-1 一致率数据，可据此评估量化误差。
huihui-ai 基于 yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF 制作并发布 abliterated 去审查版 GGUF 模型，整个消融过程完全使用 llama.cpp 完成，不依赖 Transformers。
huihui-ai 基于 Qwen/Qwen3.8-27B 通过 abliteration 技术去除拒绝回复，发布无审查版 Huihui-Qwen3.8-27B-abliterated-GGUF，仅对 22 至 52 层（0 起始索引）做消融，其余层保持原样。
orcarouter 在 Hugging Face 放出 Qwen3.8-Flash-Next 的去对齐（abliterated）GGUF 量化版本，覆盖 2-bit 到 8-bit，供 llama.cpp 运行。
推荐理由：原文给出消融后拒绝率从64-100%降到约0-3.3%、能力与基线差±2分以内的实测数据，并说明各量化的取舍。
Hugging Face 用户 yomie4343 发布 Qwen3.8-Flash-Next-Uncensored 的 MLX Sushi 混合 3/4/8bit（group size 64）加 BF16 SSD Ngram 仓库，全部 115 个文件经哈希校验完成上传，总大小约 156.93GiB，其中 ngram_table.bin 单文件 102.4GB。
HauhauCS 基于 Qwen3.5-4B 推出去审查的 Aggressive 变体，在 0/465 拒答测试下完全去除拒绝回复且不损失原始能力，提供 BF16（7.9 GB）至 Q4_K_M（2.6 GB）多种 GGUF 量化。
shefowl 发布了 Qwen3.8-Flash-Next 的混合精度 GGUF，非专家张量取自 SC117 的 IQ3_XXS 档、路由专家张量取自 Q2_0 档，逐字节复制未重新量化，权重为上游已去拒绝的 abliterated 版本。
推荐理由：作者给出了与 IQ3_XXS 和 Q2_0 档在困惑度、解码速度和内存占用上的实测对比，可据此权衡这套混合量化的取舍。
发布 Swift-Qwen3.8-27B 的 abliterated 无对齐版本，采用 orcarouter/Qwen3.8-27B-Uncensored 的单方向拒绝消融方法，从权重差异中恢复拒绝方向后投影到 Swift 的 131 个张量。
推荐理由：原文给出拒绝率与 KL 散度的前后对照数据，以及恢复拒绝方向并投影到 Swift 权重的完整方法，可复现性较强。
Hugging Face 提供 abliterated 版 GLM-5.3-Flash 的 GGUF 量化模型（如 UD-Q4_K_XL）的多框架使用方法，涵盖 Transformers、llama.cpp、vLLM、SGLang、Ollama、Docker 等部署方式，并给出 OpenAI 兼容 API 的本地服务器启动与调用示例。
minas2025 基于 Gemma 4 E2B 的 Heretic-abliterated 版本发布对话向微调模型，经 1,000 步 QLoRA 训练并量化为 GGUF，Q8_0 文件约 5.1 GB，可在 llama.cpp、LM Studio、KoboldCpp 等本地运行。
Pwdz-2 Abliterated 基于 GLM-5.3-Flash 架构的 320B 级稀疏 MoE 模型，通过权重空间消融移除拒绝行为，保留完整推理与指令遵循能力。
xtonousou 在 Hugging Face 上发布 Qwen3.6-Deckard-40B-Uncensored，将 Qwen 3.6 27B 稠密扩展至 40B 参数，先经 Heretic 完全去审查，再用 Deckard/PDK 数据集和 Claude 4.6 Opus 蒸馏数据经 Unsloth 训练。