跳到正文
只看一手#abliterated
10月5日周一
  1. Hugging Face · 新模型：abliterated68

    TechPrototyper 发布 Gemma4-31B 6-bit 量化版的原格式去对齐权重

    TechPrototyper 在 rdtand 的 PrismaQuant 6-bit 量化构建内，将 BF16 去对齐供体的权重移植进 118 个张量并按原量化网格重编码，不重新量化。

    推荐理由：原文给出拒绝率前后对比、逐项验证和已知回归，读者可据此判断这种不改量化布局的去对齐做法是否值得采用。

  5. Hugging Face · 新模型：uncensored69

    Qwen3.8-Flash-Next GSQ-RCO 消融版 GGUF 发布：144 个张量移植保留上游量化布局

    SC117（0xSojalSec）在 Hugging Face 发布 Qwen3.8-Flash-Next 的 GSQ-RCO 消融版 GGUF，通过对已量化模型直接移植张量来移除拒绝方向：48 层中 144 个写入残差流的投影张量替换为 orcarouter 的消融权重，其余 1079 个张量逐字节不变。

    推荐理由：原文给出逐张量 blake2b 校验和体积、速度代价核算，展示了在已量化模型上做消融移植而不重算张量的完整流程。

  6. Hugging Face · 新模型：abliterated69

    Ling-3.0-tiny-Abliterated GGUF 发布：拒绝率从44/44降至12/44且GSM8K无损

    作者alexwkleung用Heretic制作并经llama.cpp量化的inclusionAI/Ling-3.0-tiny（8B总参/约1B激活MoE）abliterated版本，提供Q4_K_M至Q8_0共4个GGUF文件。作者用Heretic优化器未见过的44条测试提示实测，拒绝率从思考关闭43/44、开启44/44降至11/44、12/44；思考关闭下GSM8K n=100与原版同为93/100。作者强调这是针对过度拒绝的escape hatch而非无审查模型，不增加任何知识，且思考与非思考路径的拒绝均被去除；方向性消融共修改1692个张量，集中在第8至23层。

    推荐理由：作者用未见过的44条测试题和GSM8K对照给出拒绝率与能力变化的实测数据，读者可以自己判断这个去对齐版本的实际效果。

  7. Hugging Face · 新模型：uncensored44

    Qwen3.8-27B Uncensored FP8 发布：去审查 + DFlash2 投机解码的 radiance 容器

    StillDeadcode 发布 Qwen3.8-27B Uncensored FP8 模型，移除原模型的安全对齐（abliterated refusal direction），打包为单个 .rad 容器供 radiance 推理引擎使用，文件大小 29.43 GiB。该模型合并了 z-lab/Qwen3.8-27B-DFlash2 块扩散 drafter 用于投机解码，草稿经验证后不改变输出；附带 27 块 bf16 视觉塔，支持图像和视频输入。上下文训练长度 262,144 tokens、实测 200K，在 2× Radeon AI PRO R9700 上构建测试，服务器兼容 OpenAI API。

  11. Hugging Face · 新模型：uncensored56

    vaultai 发布 Qwen3.8-27B 的 abliterated 去拒绝 MLX 量化版

    vaultai 发布 Qwen3.8-27B-Uncensored-MLX，通过 abliteration（对拒绝方向做正交化）移除安全对齐，并提供 2/4/6/8-bit MLX 量化用于 Apple Silicon。4/6/8-bit 版本拒绝探针零拒绝、数值保真度 cos 0.996 至 0.9997，视觉和 262K 上下文保留；2-bit 生成严重退化仅供存档。仓库已门控，附 mlx-vlm、LM Studio 和 MTP 投机解码用法。

    推荐理由：发布方给出了各精度量化的数值保真度、拒绝探针零拒绝和视觉能力实测，读者可以据此评估每个档位是否可用。

  12. Hugging Face · 新模型：abliterated43

    LMLiutenant 发布 Qwen3.6-35B-A3B-abliterated-v2 的 GGUF 量化版本

    Hugging Face 用户 LMLiutenant 用 llama.cpp 制作了 abliterated（抑制拒答）版模型 wangzhang/Qwen3.6-35B-A3B-abliterated-v2 的 GGUF 量化，属非官方再分发。该模型为 MoE 架构，总参数 35B、每 token 激活约 3B（256 个专家激活 8 个），上下文长度 262144 tokens。仓库提供 IQ2_XS 到 Q8_0 共 24 种量化，并附 F16 多模态 projector，各量化均基于同一 importance matrix 计算，BF16 源模型 wikitext-2 PPL 为 6.4743。

  13. Hugging Face · 新模型：abliterated53

    gemma-3-1b-it 经 Heretic 消融的 uncensored 版本发布，拒绝率从 99/100 降至 3/100

    musiccat0405 在 Hugging Face 发布 gemma-3-1b-it-heretic-extreme-uncensored-abliterated，用 Heretic v1.0.1 消融，拒绝率 3/100，KL 散度 0.33，原版 Gemma 1B-IT 拒绝率为 99/100。作者注明本次以更低拒绝率为优先目标，并给出 KL 散度更低（0.09）但拒绝率 17/100 的替代版本链接；还说明该模型不拒绝请求但部分情况需额外指令引导，并附 KoboldCpp、text-generation-webui、SillyTavern 的 smoothing_factor 等采样参数建议。

    推荐理由：原文给出了 Heretic 消融前后的拒绝率与 KL 散度数据，读者可以具体对比这个去对齐版本去掉了多少、损伤多大。

  14. Hugging Face · 新模型：abliterated71

    SlickPulla 发布 Qwen3.8-27B RVN 三重 ARA 消融版 GGUF

    SlickPulla 在 trohrbaugh/Qwen3.8-27B-heretic-ara 基础上再做两遍 ARA 消融，发布 Qwen3.8-27B RVN Heretic Abliterated Uncensored GGUF，有害提示拒绝率从 3/100 降到 0–1/100，KL 损伤从 0.0535 降到 0.0085。全部 53 个 RVN 文件内嵌官方 Qwen3.8 chat template，每个量化都附带嵌入 MTP 草稿头的孪生文件，128 token 实测平均提速约 55%，仅 IQ1_M 反而慢约 60%，IQ1_S 只提升约 4%，文档还按 8 GB 到 64 GB 显存给出了推荐文件。

    同一新闻，精选展示《Qwen3.8-27B RVN 消融版 GGUF 发布，拒绝率降至 0-1/100》

10月4日周日
  1. Hugging Face · 新模型：abliterated73

    vaultai 发布 GLM-5.3-Flash-Abliterated MLX 4bit 量化版，上游拒绝率约 1.3%

    vaultai 在 Hugging Face 发布 GLM-5.3-Flash 的 abliterated 4bit 量化版（oQ4e，173 GiB，35 个分片），基于 Blackfrost-Research 的去对齐 BF16 权重，面向 Apple Silicon 的 oMLX 运行时。去对齐在上游权重层完成，Blackfrost-Research 用 R1-HARMFUL-BENCH-450 测得有害提示拒绝率 1.3%（4/300），本 4bit 版仅做了抽查未系统复测。视觉塔与 MTP 草稿头均保留并经真实请求验证，M3 Ultra（256 GB）实测短上下文 DFlash2 解码最高 51.2 tok/s，附带的前缀缓存补丁把多轮长上下文 TTFT 从约 46 s 降到 0.26 s。

    推荐理由：模型卡附上了上游拒绝率实测与 Apple Silicon 上的逐档解码速度和 TTFT 数据，读者可以对照判断量化后的行为和性能。

  2. Hugging Face · 新模型：abliterated26

    mradermacher 发布 Abliterated-Dolphin3.0-R1-Mistral-24B 的 i1-GGUF 量化版本

    mradermacher 在 Hugging Face 发布了 Abliterated-Dolphin3.0-R1-Mistral-24B 的 imatrix GGUF 量化版本，提供从 i1-IQ1_S（5.4GB）到 Q6_K（19.4GB）的多种量化档位。其中 Q4_K_S（13.6GB）被称为尺寸、速度与质量的最优平衡，Q4_K_M（14.4GB）为推荐选项，并单独提供 0.1GB 的 imatrix 文件供用户自行创建量化。

  4. Hugging Face · 新模型：abliterated32

    Huihui-Qwen3.8-27B-abliterated-AWQ-MTP：基于 Qwen3.8-27B 的去审查 AWQ 版本

    Hugging Face 上发布 Huihui-Qwen3.8-27B-abliterated-AWQ-MTP，这是用 abliteration 技术对 Qwen/Qwen3.8-27B 去除拒绝行为后的无审查版本。模型支持 AWQ Marlin kernel 和 MTP 投机解码，在单张 A800 80GB 上（vLLM 0.21.0、MTP 开启、fp8 KV cache）达到 110+ tok/s，支持 65536 上下文长度。发布方警告安全过滤大幅减弱，仅建议用于研究和受控环境。

  6. Hugging Face · 新模型：abliterated53

    yuna1126 发布 gemma-4-E2B-Tema_Q-Abliterated 去对齐模型

    yuna1126 在 Hugging Face 发布基于 google/gemma-4-E2B-it 的 abliterated 去对齐版本，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 SCAPE 代理目标约 49 倍加速的实测数据，读者可以据此评估这个去对齐版本的代价与工具的可复用性。

  8. Hugging Face · 新模型：abliterated82

    BoldingBuilds 发布 Qwen3.8-27B Abliterated ThinkFix GGUF 无对齐版本

    BoldingBuilds 在 Hugging Face 发布 Qwen3.8-27B-Abliterated-ThinkFix-GGUF，在移除拒绝行为之外增加一处权重行编辑，使模型完成思考后更快给出答案。

    推荐理由：原文给出多种敏感提示词与代理任务的实测对照数据，可据此评估这个去对齐加推理修复版本的实际取舍。

  9. Hugging Face · 新模型：abliterated56

    Qwen3.8-Flash-Next GSQ-RCO 量化包发布，附运行时去拒绝方向向量与实测数据

    alesha-pro 在 Hugging Face 发布 Qwen3.8-Flash-Next 的 GSQ-RCO 量化包，收录 ISTA-DASLab 的 Q2_0、IQ2_XS、IQ3_XXS、IQ3_S 四档 GGUF（逐字节复制并校验 SHA256），另附一个 480 KB 的拒绝方向向量文件，可在 Strata 引擎中运行时投影去除拒绝行为，权重保持原样。

    推荐理由：原文保留原始量化权重并给出拒绝率、KL 散度和解码速度的实测数据，读者可据此评估运行时去拒绝向量对输出的实际影响。

  11. Hugging Face · 新模型：abliterated80

    TechPrototyper 发布 Qwen3.8-27B GridBook 13GB 视觉版 abliterated 权重

    TechPrototyper 发布了基于 rdtand 的 GridBook 13GB 量化版 Qwen3.8-27B 的 abliterated 变体，通过将 BF16 消融供体权重移植进已有量化 checkpoint 并按原量化网格重编码，不重新量化，仅改动 1363 个张量中的 113 个。

    推荐理由：原文给出在量化格式内做消融的完整方法与拒绝率、工具调用前后对比，读者可据此判断这种不重新量化的去对齐做法是否可靠。

10月3日周六
10月2日周五
  1. Hugging Face · 趋势模型68

    SC117 发布 Qwen3.8-Flash-Next GSQ-RCO 消融版 GGUF，144 张量移植保留原始量化

    SC117 在 Hugging Face 发布 Qwen3.8-Flash-Next-GSQ-RCO-abliterated-GGUF，通过对已量化 GGUF 做 144 个残差流投影张量的字节级移植实现去拒绝，不重算任何 GSQ 学到的量化值。IQ3_S 版经逐张量 blake2b 校验，1223 个张量中 1079 个与上游逐字节一致，decode 速度仅降 0.1%，四个量化档位体积仅比上游多 0.25 至 0.44 GB，行为抽查显示上游拒答的绕过付费墙请求该版本会详细回答。作者提示模型无内置安全护栏，需自行部署审核与访问控制。

    推荐理由：作者用逐张量 blake2b 校验和性能对照说明直接移植已量化张量做消融的代价，方法可复用到其他 GGUF 模型。