新闻、仓库与研究，按时间排列。
maximUlya 在 Hugging Face 发布 Qwen-Image-2.1 的 Uncensored GGUF 量化版本，基于上游原始权重，提供 BF16、Q4_K_M 等多种量化文件，大小从 4.15 GB 到 14.23 GB 不等，推荐 Q4_K_M（约 4.6 GB）兼顾体积与质量。该版本移除内置安全检查与内容过滤，可直接生成成人及敏感图像，不拒答也不出黑图。需配合 ComfyUI 与 ComfyUI-GGUF（leejet fork）使用，文本编码器卸载到系统内存可节省 9–17 GB VRAM，采用 Qwen Research License。
bowmanslayer 在 Hugging Face 发布 VeriLoop-E2-Uncensored-GGUF 模型，提供 Q4_K_M 量化版本。模型可通过 llama.cpp、vLLM、Ollama、Docker Model Runner、Lemonade 等工具在本地运行，并支持 llama serve 启动 OpenAI 兼容 API 服务器，也可接入 Pi、Hermes、OpenClaw 等 Agent。
Hugging Face 上出现模型 mikechambers84/GLM-5.3-Flash-Uncensored-W4A16。该模型页面目前无 README 说明内容，且未被任何 Inference Provider 部署，下载量暂未被追踪。
Petyx123 在 Hugging Face 发布 abliterated 版本的 Huihui-GLM-5.3-Flash GGUF 模型，提供 UD-Q4_K_XL 量化版本。该模型为图像-文本到文本多模态模型，可在 llama.cpp、vLLM、SGLang、Ollama、LM Studio、Docker Model Runner 等多种推理框架中运行，并支持通过 OpenAI 兼容 API 进行本地部署调用。
Lexum-J 在 Hugging Face 上发布 Qwen3.5-0.8B-Abliterated-V2 的 i1-GGUF imatrix 量化合集，提供从 i1-IQ1_S（0.4GB）到 i1-Q6_K（0.7GB）的多种量化文件。其中 i1-Q4_K_S 被标注为最优的尺寸/速度/质量平衡，i1-Q4_K_M 为推荐且快速的选项。同时提供 0.1GB 的 imatrix 文件供用户自行制作量化，静态量化版本另在独立仓库发布。
Zewsic 在 Hugging Face 发布 edwixx/diffusiongemma-26B-A4B-it-HERETIC-Uncensored 的 NVFP4 量化版本，基于 Heretic 修改后的专家权重而非原始 Google 模型。MoE 专家与 dense MLP 采用 NVFP4（W4A4、group size 16），注意力、embeddings、router、vision tower 等保留 BF16，校准使用 ultrachat_200k 的 128 个样本、截断至 2048 token。原生存储需 Blackwell 或更新 GPU，可通过 vLLM 部署，许可证为 Apache 2.0 加 Gemma 4 条款。
Hugging Face 上架了 TheCluster/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-MLX-mxfp4 的演示页面，模型为 Qwen 3.5 9B 的 uncensored aggressive 版本，采用 MLX mxfp4 格式。该模型目前没有被任何 Inference Provider 部署，下载量暂未被追踪。
Hugging Face 用户 jirka642 发布了 llmfan46/Qwen3.8-27B-Uncensored-Heretic-Native-MTP-Preserved 的 EXL3 量化版本，基于 Qwen/Qwen3.8-27B 微调模型。量化使用 ExLlamaV3 1.6.1 转换，提供 4.0、5.0、6.0 bits per weight（MTP4,H6,V6）三种精度。由于原仓库缺少兼容的 preprocessor_config.json，作者改用了 Qwen/Qwen3.8-27B 官方仓库的配置文件。
gdeyoung 发布了 huihui-ai/Huihui-Qwen3.8-Flash-Next-abliterated 的 EXL3 3.05bpw 整数量化包，LM 层已消融，n-gram 嵌入表、MTP 头和视觉塔与基座逐字节一致。包内 75,277 个张量为 3bpw、472 个为 5bpw、2 个为 4bpw，大小 84 GB，可在单块 GB10（128GB 统一内存）上以 262,144 token 上下文运行，实测拒绝筛查 20/20 无拒绝、thinking-off 解码约 65 tok/s、226k token 海针测试可召回。模型继承 Qwen Community License 1.0，安全过滤显著减弱，输出责任由使用者承担。
推荐理由：作者给出消融层的说明、拒绝率实测与完整量化配方，读者可据此复现这个 DGX Spark 上的去对齐部署方案。
无删减版模型 Subnet46/GLM-5.3-Flash-Uncensored-NVFP4 出现在 Hugging Face，模型大小为 181B params，采用 Safetensors 格式。张量类型涵盖 F32、BF16 与 U8。该模型目前没有模型卡，也未被任何 Inference Provider 部署，仅可申请服务商支持。
Hugging Face 用户 ngkzngkz 发布 orcarouter/Qwen3.8-Flash-Next-Uncensored 的 strixw 格式转换版，该模型是 Qwen/Qwen3.8-Flash-Next 的 BF16 去审查版本。权重共 65.86 GiB（853 tensors），路由专家采用 Q4/G128 量化，部分组件为 Q8，n-gram 嵌入表 48.28 GiB。模型经 abliterated 处理移除拒绝方向，无内置安全护栏，遵循 Qwen Community License 1.0。
xohaohe（华哥）发布 27B 级 MLX 多模态混合精度量化模型 Qwen3.8-27B-TURBO-Fable5.5-Cold-Fusion-L-Uncensored-fp16-oQ4e-mtp，使用 oMLX 0.7.1 处理，开放下载。模型基于稠密 Qwen 架构，默认 4-bit affine（group size 64），保留视觉编码器与 1 层 MTP，上下文配置 262,144 tokens，4 个 Safetensors 分片共 17.94 GB。本量化版本测试成绩待补充，上游成绩不代表其实测表现。
Hugging Face 上发布了 robertbschuette/Huihui-GLM-5.3-Flash-abliterated-GGUF 模型，基于 GLM-5.3-Flash 的 abliterated 版本，提供 UD-Q4_K_XL 量化格式，支持图像-文本到文本的多模态输入。页面给出了用 Transformers、llama.cpp、vLLM、SGLang、Ollama、Docker Model Runner 等工具加载和部署的完整方法，llama.cpp 路线可启动 OpenAI 兼容的本地服务器。
balkhaisi9 发布 Qwen3.8-27B-Uncensored-Cyber 的 GGUF 量化，用真实 agent 编码会话日志构建重要性矩阵，而非通用英文语料，保留 MTP 头与视觉塔。提供 IQ4_XS（含/不含 MTP，14.96/15.38 GiB）与校准矩阵文件，配对评测显示 IQ4_XS 相对 Q5_K_M 的 PPL 代价为 +0.417%±0.187%，在单卡 V100 上端到端速度为 Q5_K_M 的 1.20x，逐字抄写保真 7/7。该仓库只做量化，无微调或行为改动，上游为 philbert440 的 abliterated 去拒绝模型。
推荐理由：作者给出基于真实agent流量的imatrix校准语料构造方法与配对评测数据，做法可复现，对低比特量化部署有可迁移价值。
thelogicalgate 在 Hugging Face 发布 GLM-5.3-Flash-Sushi-2bpw-Abliterated，将原版 GLM-5.3-Flash 的 EXL3 2bpw 专家与来自 abliterated 供体的 29 个 BF16 注意力输出投影组合为 Sushi 包。模型分片约 87.70 GB，仅供 Sushi v1.2.2 在 Apple Silicon 上加载，需 macOS 26.2 及以上。该实验性移植的拒绝减少与能力保留尚未经完整评估，诊断中 17*23=391，DFlash2 串行 33.283 tok/s、开启时 46.235 tok/s，draft 接受率 88.5%。
darask0 在 Hugging Face 发布 GLM-5.3-Flash-Uncensored 的 IQ2/IQ3 混合量化版，基于 orcarouter 的 FP8 源模型转换，两个 GGUF 分片共 83.707 GiB。该版本保留全部 45 层文本主干和 42 个路由层中的 288 个专家，采用校准和 GPTQ 误差反馈，路由专家主要用 IQ2_XXS、重要下投影用 IQ3_XXS。在 RTX PRO 6000 96 GB 上实测 256 输入时 decode 91.0 tokens/s，需自建补丁版 Maya 运行时，与原版 llama.cpp、LM Studio、Ollama 的兼容性未经验证。
AI-conn 在 Hugging Face fork 了 huihui-ai 的 Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated，由 mradermacher 完成 GGUF 转换，基础模型为 Qwen3-Coder-30B-A3B-Instruct，采用 Apache-2.0 许可。该 MoE 模型总参数 30B、每 token 激活约 3B，但全部专家权重需常驻 VRAM；20 GB 显卡推荐 17.28 GiB 的 i1-Q4_K_M 文件。社区实测基础模型在 HumanEval Pro 得分 60.4%，目前尚无任何 abliterated 版本的独立编程评测。
shefowl 发布 Qwen3.8-Flash-Next 的 abliterated GSQ-RCO GGUF 剪枝版，每层保留 512 个路由专家中的 352 个，未重量化或重训，基于 IST-DASLab 的 RCO 专家搜索。在 RTX 4050 6GB 加 16GB 内存的笔记本上以 Strata 0.1.42 达到 10.8 tokens/s，全量 512 专家版为 9.0；代价是事实问答 NQ-open 得分 28.4%（全量 33.1%），greedy 代码答案循环次数明显增多。与 dense Qwen3.8-27B 在事实和代码上打平；相比专注代码的 ISTA Coder 速度更快且可在代码外使用。文件共约 56.5 GB，附带 Strata 运行配置和专家档位文件。
推荐理由：原文给出完整速度与基准对照数据，读者可以直接判断这版 352 专家剪枝文件在自己的显存预算下值不值得用。
huihui-ai 基于 Qwen/Qwen3.8-Flash-Next 发布 abliterated 去审查版 GGUF 模型 v2，通过 abliteration 移除拒绝行为，且相比第一版调整了消融侧重、未消融任何专家。该版本支持最新 llama.cpp 与 Strata，提供 UD-Q4_K_XL 量化并以 SHA256 校验，可用 262144 上下文长度运行，适合小说写作和编程，但安全过滤大幅减弱，仅建议用于研究测试环境。
用户 Ecmcfee 于 2026-10-11 上传了 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-oQ8e-mtp 的量化版本，替换旧版本，此前下载过的用户需重新下载。该模型使用 oQ（oMLX v0.7.1.dev1）混合精度量化，为 qwen3_5 架构，8-bit、group size 64，格式为 MLX safetensors。
wacomctl672 在 Hugging Face 发布 Swift-1.5-Qwen3.8-27B-Uncensored-ninfer3090，这是基于 d0xin abliterated 检查点、面向 ninfer-3090 转换的量化产物，并集成了 z-lab/Qwen3.8-27B-DFlash2。基座为 Alibaba Cloud 的 Qwen3.8-27B（Apache 2.0），指令微调来自 UkisAI 的 Swift-1.5-Qwen3.8-27b。Swift Open License v1.0 规定年营收低于 $1,000,000 USD 的实体可免费商用，超过需与 UkisAI 达成商业协议。
Hugging Face 上线 lesley311/Noct-Q-Uncensored-Qwen-Image-2.1 模型，提供 Diffusion Single File 库的使用说明。用户可通过 Diffusion 单文件方式加载，并借助 Google Colab、Kaggle 等 Notebook 及本地应用运行，目前部分代码示例仍在征求社区 PR 补充。
huihui-ai 在 Hugging Face 上发布了 27B 模型 Huihui-Qwen3.8-27B-Coder390-EfficientThink-abliterated，这是对 nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 的去审查版本，通过 abliteration 技术移除模型拒绝行为。该实现为概念验证版本，未使用 TransformerLens，仅对第 2 至 42 层进行了消融。
SizorCloud 发布 Ideogram 4 所用 Qwen3-VL 文本编码器（abliterated）的单文件合并版，将 noelthekke 原仓库的 4 个分片 safetensors 合并为一个 qwen3vl_text_encoder_abliterated.safetensors（398 个张量，BF16，约 15 GB）。合并仅是格式重打包，未改动任何权重或量化。该文件供 sd-webui-forge-classic 2.30 等 UI 在 Text Encoder 下拉框中加载，配合 Flux2 系 VAE 使用 Ideogram4 预设。
minas2025 在 Hugging Face 发布 Qwen-3.5-2B-StupidChat-Uncensored（F16）模型，可在本地以 OpenAI 兼容服务器或命令行方式运行推理。模型支持通过 llama.cpp、Ollama、Docker Model Runner、Lemonade 等工具拉取使用，也可接入 Pi、Hermes Agent、OpenClaw 等智能体框架。
OpenMOSS 发布 MOSS-Image 系列的监督微调文生图模型 MOSS-Image-SFT，由 MOSS-Image-Base 微调而来，示例显示 SFT 版文本分组更清晰、白板排版更有序。模型支持自然语言提示词、标签序列和 JSON Layout 控制文字位置与物体排布，权重与推理代码以 Apache 2.0 许可开源，VAE 采用 FLUX.2 small decoder，并提供 ComfyUI 插件和 Prompt Enhancer skill。
推荐理由：官方给出了从 Base 到 SFT 的同图对比和完整推理配置，读者可以直接复现文本排版更整齐的文生图效果。
hotdogs 发布 jev-Ternary-Bonsai-2-27B-Abliterated-PTQ1_0 的 TQ1_0 量化版本。用户可通过 llama.cpp 在本地启动 OpenAI 兼容服务器或终端直接推理，也支持 Ollama、Docker Model Runner、LM Studio、Jan 等多种工具，并可在 Pi、Hermes Agent、OpenClaw 等 Agent 中配置调用。
OpenMOSS 在 Hugging Face 发布 MOSS-Image 系列的基座文生图模型 MOSS-Image-Base，支持自然语言提示词、标签序列和 JSON Layout 控制文字与物体排布，权重和推理代码以 Apache 2.0 许可开放。正文给出 diffusers 快速上手代码（transformer 与文本编码器用 bfloat16，VAE 用 float32，捆绑 FLUX.2 small 解码器的 VAE）、默认采样设置（Flow-matching Euler、50 步、CFG 3、负分支跳过第 22 层），并对比了 Base 与 SFT 版本在同一示例上的文字分组与白板排版差异；另提供 ComfyUI 原生插件和面向 agent 的提示词增强 skill。
推荐理由：原文给出了完整的推理代码、采样参数和 Layout JSON 格式，读者可以直接在本地复现这个文生图基座模型的用法。
Hugging Face 上线 mradermacher/JEV-27B-VL-Uncensored-GGUF 模型页面，提供 Q4_K_M 量化版本。页面给出在 llama.cpp、Ollama、Docker Model Runner、LM Studio、Lemonade、Pi、Hermes Agent、OpenClaw 等工具中运行该模型的安装与推理命令。用户可通过 `llama serve -hf` 或 `ollama run hf.co/mradermacher/JEV-27B-VL-Uncensored-GGUF:Q4_K_M` 等命令在本地启动 OpenAI 兼容服务器或直接推理。
ayngepaw 在 Hugging Face 发布了 dealignai/GLM-5.3-UNCENSORED-FP8 的 EXL3 量化版本，平均比特率 3.04 bpw，体积 273 GiB，含 MTP 层可作投机草稿模型。与 FP8 源对比 wikitext-2 困惑度为 3.440 对 3.302；tau2-bench 上与原版 GLM-5.3 FP8 差异不具统计显著性。作者提醒 TabbyAPI 的 glm4_5 解析器会把字符串参数误解码为整数，导致约 70% 工具调用失败，评测时已修复该问题。
mradermacher 在 Hugging Face 发布 JEV-27B-Uncensored-GGUF 量化模型，提供 Q4_K_S 等格式。该模型可通过 llama.cpp 的 OpenAI 兼容本地服务器或终端直接推理运行，并支持 Ollama、Docker Model Runner、LM Studio、Jan、Pi、Hermes Agent、OpenClaw、Lemonade 等多种本地部署工具，覆盖 macOS、Windows、Linux 平台。
Tree-AI-lab 在 Hugging Face 上发布了基于 Qwen2.5-Coder-1.5B-Instruct 的无审查（uncensored） coder GGUF 量化模型。该模型提供 Q4_K_M 量化版本，可通过 llama.cpp、Ollama、Docker Model Runner、LM Studio、Pi、Hermes Agent 等工具在本地运行，并支持以 OpenAI 兼容服务器方式部署。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-4-12B-it 的免权重投影控制向量，在运行时于第 15–47 层残差流后施加 h <- h - 0.5*(h·d)d，不修改任何权重。验证显示 stock 模型在 refusal32 上本就 32/32 配合，alpha=0.5 时 32/32 且零乱码输出，alpha=0.25 反而降到 29/32，阶梯呈非单调；发行 alpha 定为 0.5，仅绑定 revision 707f0a3 的该 checkpoint，需本地权重与实现 glp.mode=project 的运行时。
推荐理由：原文完整给出控制向量的推导门限与拒绝率实测，还指出基座模型本身已全数配合，读者可借此理解半程转向反而更差的现象。
Hugging Face 上线 abliterated 版 Qwen2.5-Coder-1.5B-Instruct 的 GGUF 量化模型，提供 Q4_K_M 版本。该模型可通过 llama.cpp、Ollama、Docker Model Runner、LM Studio、Lemonade 等工具运行，支持启动本地 OpenAI 兼容服务器或在终端直接推理，也可配置到 Pi、Hermes Agent、OpenClaw 等 Agent 工具中使用。
AutoTrust 发布 autotrust/JEV-35B 的 NVFP4 量化版，将 40 层 × 256 个共 10,240 个路由专家 MLP 量化为 NVIDIA 4 位浮点格式，其余组件保持 bf16 不变。权重下载从 71.9 GB 降至 25.6 GB，vLLM 显存占用 23.3 GiB（−65%），单张 32-48 GB GPU 即可部署；文本 Decision Index 59.75 对比 bf16 的 59.18，五项能力均在 bf16 的 1.2 分以内。该模型基于 Qwen3.5-35B-A3B，与 TypeSafe AI 的闭源托管模型 TypeSafe Jev 1.13 无关联，可通过 vLLM 直接加载。
DavidAU 的 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP 模型现提供 MLX 优化版本，用于 Apple Silicon 推理。该版本由 Q8_0 GGUF（30.24 GB）转换而来，866 个张量全部反量化为 float16（约 55 GB，12 个分片），质量与原 GGUF 权重一致、无精度损失。架构为 Qwen3.5 dense（65 层、5120 hidden、24 heads、248320 vocab），采用 Apache-2.0 许可证。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-3-4b-it 的投影控制向量 GLP-28-L6-33-a0.25，在残差流第 6–33 层运行时施加投影（alpha 0.25），不修改权重。验证显示 stock 模型本已通过 32 个拒绝样本中的 30 个，steering 后 32/32 全部配合，良性留出集同样 32/32，无输出损坏；作者提醒 alpha 校准仅限该 checkpoint，不可移植到其他模型，且需本地权重和实现 glp.mode=project 的运行时。
推荐理由：作者给出了完整的拒绝率对照、alpha 阶梯和空转门控数据，读者可以据此评估这个去对齐方向向量的实际效果与局限。
Hugging Face 上线的 Noct-Q-Uncensored-Qwen-Image-2.1 是一个基于 Qwen-Image 的去审查扩散图像模型。该页面提供 Diffusion Single File 库、Google Colab 和 Kaggle 等 notebooks 及本地应用的接入说明，部分代码示例尚未就绪，欢迎社区提交 PR 补充。
erichartford/gemma-3-1b-it-abliterated-mlx-8Bit 现已在 Hugging Face 上提供，该模型由 mlabonne/gemma-3-1b-it-abliterated 转换为 MLX 格式，使用 mlx-lm 0.22.1，并以 8Bit 量化。用户可通过 pip 安装 mlx-lm，用 load 与 generate 接口加载模型并生成回复。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-3-1b-it 的投影控制向量（GLP）文件，运行时在残差流后层按 h <- h - alpha * (h . d) d 施加，作用于第 4、5 和 8–25 层，alpha 0.25，不修改任何权重。验证显示 stock 模型 refusal32 本就通过 29/32，steering 后 32/32 全部交付，benign32-holdout 保持 32/32，alpha 0.25/0.5/1.0 阶梯平坦且零损坏输出；alpha=0.0 对照组 64/64 与 stock 完全一致。
推荐理由：原文给出了投影向量的推导方法、alpha 阶梯与拒绝率对照数据，读者可以据此评估去对齐的实际幅度与适用边界。