新闻、仓库与研究，按时间排列。
dima6312 在 Hugging Face 发布 RecursiveSI Flint 40B-A2.5B 的 abliterated 去对齐版本，用 abliterix 移除拒绝方向，Optuna 调参。留出集 MITRE 拒绝率从 15% 降到 0%（n=100，Q8_0），HumanEval+、MBPP+、GSM8K、MMLU-Pro、CyberMetric、WMDP-cyber 无显著下降，无害提示上 KL 散度 0.0146。提供 BF16、GGUF（Q8_0 到 Q3_K_M）、NVIDIA Blackwell NVFP4 和 Apple silicon MLX 4-bit 多种构建，本仓库为 Rec 运行时 4-bit 版约 21 GB，需 llama.cpp b11827 或更高版本。
同一新闻，精选展示《dima6312 发布 Flint 40B-A2.5B 的 abliterated 无对齐 GGUF 版》
dima6312 在 Hugging Face 发布了 RecursiveSI Flint 40B-A2.5B 的 abliterated 版本 NVFP4 GGUF，移除拒绝方向，面向安全研究与编码工作，需 llama.cpp b11827 及以上在 NVIDIA Blackwell GPU 上运行，权重文件 22.9 GB。对照测试显示 MITRE 拒绝率从 22% 降至 0%，Meta CyberSecEval 拒绝检查从 18/100 降至 1/100，GSM8K 与 HumanEval+ 无显著下降，pp512 与 tg128 速度差异在 3% 以内；模型基于 Apache 2.0 许可衍生自 RecursiveSI 权重，去对齐只降低拒绝、不增加知识。
同一新闻，精选展示《dima6312 发布 Flint 40B-A2.5B 的 abliterated 无对齐 GGUF 版》
dealignai 以 CRACK 方法在权重层面直接移除 GLM-5.3-Flash 的拒绝行为，发布 FP8 量化版（320B 总参数、每 token 激活 18B），HarmBench-320 全部 320 项 0 拒绝，MMLU 87.33% 高于基线 86.74%。该版本在 reasoning-off 和 max 档完全无对齐，low 档保留部分拒绝；H200 上原生 FP8 解码 163 tok/s，MTP 投机解码 211 tok/s。作者还给出 vLLM/SGLang 部署注意事项：reasoning_effort 只接受 low 和 high，max 档需 max_tokens ≥ 6000，视频 fps 须低于片段帧率否则引擎崩溃，并提醒重新下载 2026-08-28 修复后的文件。
同一新闻，精选展示《GLM-5.3-Flash UNCENSORED FP8 发布，权重级去对齐且 MMLU 反超基座》
dealignai 发布了 DeepSeek-V4.1-Flash-1017 的无对齐 FP8 权重版本，仅做权重级消融，保留视觉、视频、工具调用、推理档位和原生 1M token 上下文，不含量化派生、聊天模板改动或 LoRA。HarmBench-320 在 reasoning_effort=max 下 320/320 全部 COMPLY、零拒绝；内部 MMLU（1140 题）从基线 87.63% 降到 83.77%，降 3.86 pp，人文学科降 7.31 pp。仓库为 gated 访问，MIT 许可，另提供 EXL3 2.9 bpw 版本。
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》
dima6312 在 Hugging Face 发布 Flint-40B-A2.5B-abliterated，移除了 RecursiveSI Flint 40B-A2.5B 的拒绝方向，面向漏洞分析、恶意软件分诊、检测工程、CTF 和红队工具等安全工作。消融用 abliterix 从 attention 输出与 shared-expert、routed-expert 投影中移除拒绝方向，Optuna 经 50 轮试验选择强度。
同一新闻，精选展示《dima6312 发布 Flint 40B-A2.5B 的 abliterated 无对齐 GGUF 版》
dima6312 在 Hugging Face 发布 RecursiveSI 的 Flint 40B-A2.5B 去除拒绝方向的 abliterated 版本，提供 BF16 safetensors 与 GGUF 权重。
推荐理由：原文给出消融方法与配对评测数据，MITRE 拒绝率从 0.15 降到 0.0 且各基准质量未显著下降，可据此判断去对齐代价。
dealignai 在 Hugging Face 发布 GLM-5.3-UNCENSORED-FP8 v2，对 GLM-5.3-FP8 做全谱系权重级去对齐，仅修改 bf16 residual writer 张量，不改 FP8 专家路由，无需微调、LoRA 或运行时钩子。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 降为 0，非版权危害面 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。
npario 在 Hugging Face 发布 gemma-4-31B-it-qat-uncensored-heretic-UDmerge-GGUF，将 llmfan46 的 abliterated 张量合并到 Unsloth 无损 Q4_0 量化中，称可获得比朴素消融量化更好的准确率和拒绝率。提供两个变体，UDmerge-Q4_K_XL 将 attn_output.weight（blk.10 至 blk.35）量化为 Q4_0，UDmerge-Q4_K_XXL 量化为 Q8_0，后者拒绝率 20%，与 QAT BF16 持平，且基本不影响 TG 速度；实测 QAT Q4_0 拒绝率为 32%。
推荐理由：作者用统一的 PPL、KLD、拒绝率和 MMLU 数据对比了合并版与朴素消融量化的差异，Q8_0 变体把拒绝率压回 20%。
distributedcognition 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 abliterated 版本，将 refusal directions 从同系 DeepSeek-V4.1-Flash-abliterated 迁移而来，以 scale 3.0 的保范双投影编辑作用于 attn.wo_b 和共享专家 ffn.shared_experts.w2（第 4-36 层）。评测显示 LLM 评审下真实拒绝率从基座的 99/100 降到 0/100（53 条完全配合、47 条带免责声明），无害提示 KL 散度 0.093，GSM8K 抽测 18/20 对比基座 19/20。
推荐理由：原文给出拒绝率前后对比、KL 散度和 GSM8K 抽测数据，并说明关键词检测与 LLM 评审的差异，读者可据此评估去对齐程度。
AtomicChat 发布 inclusionAI/Ling-3.0-flash-Sante（127B bailingmoe3 医疗模型）的 abliterated GGUF 量化版，用投影 rank-1 LoRA 移除单一拒绝方向并烘焙进权重。在 W* 点实测：英文有害指令拒绝率 0.0%，俄语误拒率 3.0%（较基线降 1.2 pp），MMLU 基本不变，对基线 BF16 的 KL 为 0.060，工具调用 20/20 有效。注意开启思考模式时拒绝率仍约 40%，建议关闭思考模式使用；提供 IQ4_XS（约 78 GB）与 IQ3_S（约 61 GB）两种量化，MIT 许可。
推荐理由：原文给出消融方法与拒绝率、MMLU、KL 等前后对照数据，还提示思考模式下拒绝率仍高，读者可据此判断实际效果。
candor-lab 在 Hugging Face 发布 Qwen3.8-27B 的去对齐版本 Qwen3.8-27B-Candor-Uncensored-GGUF，用其自研权重编辑工具 Candor 移除原版的拒答方向，以单一 Q4_K_M GGUF（16.81 GB）形式在 llama.cpp 上实测。方法是对 26-63 层注意力输出矩阵和 22-56 层 MLP 输出矩阵做 rank-3 修改（共 73 个矩阵），经 600 次搜索试验筛选。实测显示：288 个 StrongREJECT 有害提示下原版拒答 281 次，该模型仅 1 次（8B 判官口径）；300 个无害提示拒答 2 次、GSM8K 答对 1287 题，与原版差异不超噪声；KL 散度 0.038。
推荐理由：原文给出了消融方法的层级改动细节和与原版、huihui-ai 版的拒绝率与 KL 散度对照数据，可据此评估这个去对齐版本的实际取舍。
DavidAU 团队发布基于 Qwen3.8-27B 的多阶段微调模型 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored，提供常规与 MTP 两种 NEO imatrix GGUF 量化。8bit 下 ARC-C 735、ARC-E 882，4bit ARC-C 719，均高于原版 Qwen3.8-27B（8bit ARC-C 591）；思考 token 缩减至原版的 1/2 到 1/10。去审查用 Heretic v1.2.0+ 的 ARA 方法，Stage 1 拒绝率从 99/100 降到 0/100，KL 散度 0.0535。
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》
AtomicChat 发布 Qwen-Image-2.1-Turbo-Uncensored GGUF，将 Qwen-Image 的文本编码器 Qwen3-VL-8B-Instruct 的拒绝方向投影移除，供 stable-diffusion.cpp 以 --llm 参数本地运行。作为聊天模型，英文拒绝率从 88.9% 降至 1.2%，俄语从 38% 降至 0%，MMLU 保持 77.35% 不变；图像侧在 45 条敏感提示上无一翻转，因原管线本就无内容过滤。提供 BF16 到 Q2_K 共 7 档量化，AD-Q4_K 为 4 bit 推荐，附完整制作方法与局限说明。
同一新闻，精选展示《AtomicChat 发布 Qwen-Image-2.1-Turbo-Uncensored GGUF 文本编码器，拒绝率从 88.9% 降至 1.2%》
DavidAU 团队基于 Qwen/Qwen3.6-27B 发布多阶段微调与合并的无对齐版本 Qwen3.6-27B-Fable-Fusion-711，用 Heretic v1.2.0 的 Arbitrary-Rank Ablation 方法去审查，拒绝率从原版的 99/100 降到 4/100，KL 散度 0.0469。
同一新闻，精选展示《tatekuperus 发布 Qwen3.6-27B-Fable-Fusion-711 无对齐 GGUF 量化版》
dealignai 在 Hugging Face 发布 GLM-5.3-UNCENSORED-FP8，对 GLM-5.3-FP8 做全谱通用权重级去对齐，仅修改 bf16 residual writer 张量，不涉及微调、LoRA 或运行时钩子。v2 修复了 v1 在约 2% 高难度提示上的推理循环问题，HB-320 非版权行为 TRUE_COMPLY 达 91.7%（off），GARBAGE 降为 0；MMLU 87.43% 较基线 +1.85pp。
Justanotherdayhereintheworld 发布 google/gemma-3-4b-it 的 abliterated 无审查版本 v2，采用新的消融技术，声称对拒绝行为的处理精度提升。通过对比有害与无害样本的残差流计算拒绝方向并对 o_proj 等模块的隐状态做正交化减除，并附 QAT 量化与 GGUF 版本链接。作者给出建议生成参数 temperature=1.0、top_k=64、top_p=0.95，用词典方法结合 NousResearch/Minos-v1 的混合评测计算接受率，目标是接受率超过 90% 且保持输出连贯。
atrezonator 在 Hugging Face 发布基于 Qwen/Qwen3.8-27B 的 EfficientThink 无对齐版本，经 SFT 与 SimPO 后训练，拒答评测为 10 类 140 条提示中 4/140（2.9%）。同协议对比显示 SimPO 后 GPQA 升 3.54pp、LCB 升 5pp、MMLU 降 1.80pp；仓库提供 GGUF 六档、NVFP4、INT8-W8A8-QAT、AWQ-W4A16、静态 FP8 等多套量化包及 DFlash2/MTP draft，并附 DGX Spark 与 RTX PRO 6000 上的冻结实测成绩。
推荐理由：原文给出拒答率 4/140 的实测数据和 SimPO 前后 GPQA/MMLU/LCB 对比，读者可据此判断去对齐与能力保留的实际代价。
electroglyph 用 Heretic v2.0.0.dev0 的任意秩消融（ARA）方法发布了 LiquidAI/LFM2.5-24B-A2B 的去对齐版本。拒绝率从原版的 99/100 降到 4/100，KL 散度为 0.0650，PIQA acc_norm 为 0.7497（原版 0.7443）；该版本从 50 个候选中选出，仅对第 14 到 27 层做处理。
推荐理由：原模型拒绝率高达99/100，去对齐后降到4/100，同时给出KL散度和PIQA分数，可核对能力损失程度。
lilcheaty 发布了 RecursiveSI/flint 的 abliterated BF16 衍生版本，按 Arditi et al. 2024 的拒绝方向方法从第 20 层估计方向并编辑了 12,131 个张量，采用 Apache 2.0 许可。Q3_K_M 量化版在 20 条保留提示上显式拒绝从 20/20 降到 0/20，20 条编码提示双方均 0 拒绝且 40/40 完成回答，作者提醒该小规模对比不代表通用安全或能力基准。运行需 llama.cpp PR #30928 等补丁，GGUF 转换版在 lilcheaty/flint-abliterated-GGUF。
推荐理由：作者给出了拒绝方向的估计方法与 20 条保留提示上的拒绝率前后对比，还说明了编辑未覆盖的局限。
lilcheaty 基于 RecursiveSI/flint 发布权重编辑的去对齐版本 flint-abliterated-GGUF，沿用 Apache 2.0 协议，从 128 条 AdvBench 有害提示与 128 条 Alpaca 无害提示估计拒绝方向并改写权重。实测显示 20 条保留提示上显式拒绝从 20/20 降到 0/20，20 条编码提示双方均 0 拒绝且 40/40 完成回答；作者说明该对比规模小、不构成通用安全或能力基准，运行需应用 llama.cpp PR #30928 的补丁版本。
同一新闻，精选展示《lilcheaty 发布 RecursiveSI/flint 的 abliterated 去对齐权重版》
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、推理与工具调用能力。HarmBench-320 实测 CRACK 版在 effort=off 和 max 下均 100% 响应、零 HARD_REF/SOFT_RED/HEDGE，而基座在 effort=max 拒绝率反而升至 42.8%→1.6% 通过；MMLU-14k 全集准确率从 86.96% 降至 82.74%，剔除伦理类科目后仅 -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》
cinnybun02 在 Hugging Face 发布 Spark-X2.6-4B-Abliterated 的 Q5_K_M GGUF（2.77 GiB），用 llama.cpp 的 gguf_new_metadata.py 仅改元数据，将 Sharp-Spark v1.0.0 模板内置为 tokenizer.chat_template，权重与源文件逐字节一致。该模型为 XHToken 的 4.1B dense thinking model，经 Heretic 去除 53 个张量中的 refusal 方向；spark2_5 架构下 131k 上下文时 KV cache 量化后约 1.9-2.5 GiB。
Ju-Chun Ko 在 arXiv 发表论文（arXiv:2610.29342），测试 abliteration（去审查）模型是否同时消除政治审查相关偏差。研究用 NVIDIA Nemotron 3.5 Bolt 74B-A9B 与 Qwen3.8-Flash-Next 及各自的社区 abliteration 版本，以繁体中文、简体中文和英文各回答 22 组陈述对和 27 个开放问题。结果显示脚本影响远大于 abliteration：原版 Bolt 在繁中 Index S 得分 +0.58、英文 +0.57、简中仅 +0.05，且以 0.91 的概率在简中肯定台湾属于 PRC、繁中仅 0.06；abliteration 最多改变 0.06。
推荐理由：论文用配对模型实测 abliteration 前后偏差，显示去审查不等于去立场偏差，并给出脚本切换与立场方向的量化证据。
WRDO（Weighted Refusal Direction Optimization）通过学习聚合权重，将逐提示词的拒绝方向组合为复合拒绝方向，改进传统差值均值单一方向的做法。该方法在三个开源权重模型上以三个 guard judge 和 HarmBench 评估，优于既有单方向方法，还可反向用于恢复被 abliterated 模型检查点的拒绝行为。论文已被 EMNLP 2026 接收。
alexwkleung 用 Heretic 对 XHToken/Spark-X2.6-4B（dense 4.1B 思考模型）做定向消融，发布 abliterated GGUF 权重，并用 llama.cpp 量化出 Q4_K_M 到 Q8_0 多档。与官方 Q8_0 对照：拒绝率从 43/44 降到 0/44（thinking 开与关均如此），GSM8K n=100 为 88/100 对 91/100，McNemar p=0.45 未检出数学回归；代价是思考开启时平均约 5k tokens（stock 529），部分超出 8192 预算，无拒绝系统提示可将其减半。
推荐理由：原文给出与官方 Q8_0 逐位对照的拒绝率、GSM8K 和思考开销数据，可据此判断这个去对齐版本的实际代价。
thelogicalgate 基于 InternScience/Sage-A1.5 发布网络安全向拒绝消融（abliteration）版本，打包为 Apple Silicon 原生 MLX 8-bit 量化并保留原训练的 MoE 多 token 预测（MTP）草稿头。校准使用 mlabonne/harmful_behaviors 与 harmless_alpaca 各 128 条提示，在 8–31 层以强度 0.75 修改 72 个输出投影模块，路由权重与 QKV 投影未改动；12 条非工具冒烟提示中拒绝启发式检出基线 2 次、修改版 0 次，本地 Python 反序列化与 IDOR PoC 由基线拒绝变为可产出脚本。
推荐理由：原文给出了激活校准方向、修改层与拒绝率前后对比等实测细节，读者可据此判断这个去对齐版本的实际改动幅度。
Subnet46 在 Hugging Face 发布 zai-org/GLM-5.3-Flash 的 abliterated 版本，通过正交化移除拒绝方向并直接烘焙进官方 block-FP8 分片，可原位替换原权重。JailbreakBench 有害拒绝率从 0.891 降至 0.094，过度拒绝从 0.094 降至 0.000，MMLU 等四项能力基准变化在 ±1.5 pp 内；部分内容类别不受该方向中介仍接近原拒绝率，权重共 306 GiB，需 8×H100/H200 以张量并行运行。
推荐理由：原文给出拒绝率前后对比、能力保留数据和拒绝方向所在层的分析，可据此判断这次去对齐实际去掉了多少。
DevelopingDad 在 Hugging Face 发布基于 NVIDIA Qwen3.8-Flash-Next-FP4-Local 的去对齐独立权重，将 trial 117 实验的拒绝方向干预直接烘焙进 checkpoint，无需运行时 adapter。实测显示烘焙版拒绝数为 0/100（开发集）与 3/100（保留集），与原 adapter 的 KL 差异约 0.037 nats；散文解码约慢 12%（34.8 vs 39.4 tok/s），代码速度基本持平，需 B12X vLLM 运行时，serve-spark.sh 支持 262,144-token 上下文与 MTP 投机解码。
推荐理由：原文给出了拒绝率与 KL 的实测对比和单机性能数据，读者可以据此判断这个去对齐版本的实际代价与效果。
theJuice85 在 Hugging Face 发布面向 Qwen3.8-27B-GGUF（Q4_K_XL）的去对齐 LoRA 适配器 heretic-qwen38-t26，用 directional ablation 搜索找到。实测将硬拒绝率从基座的 33-86% 降到约 0，能力评测（AIME24、GPQA、MMLU Pro 等 43 个成对项）未发现可统计的能力损失；仅 2.5 MB，AGPL-3.0-or-later。注意其只评测了拒绝率与能力回归，未评测下游安全性，且系统提示词是必要条件，缺失时模型会以带说教的方式作答。
推荐理由：作者给出成对的拒绝率与能力回归数据，硬拒绝从 33-86% 降到约 0 且能力无可测差异，可据此判断这个去对齐适配器的实际效果。
BIGJUTT/Qwen3.8-27B-Defiance-Uncensored-MTP-GGUF 是在 HauhauCS 的 uncensored Qwen3.8-27B 权重（866 个 tensor 与上游逐字节一致）上，套用 DavidAU Turbo-Brilliance "AI Construct" 聊天模板的 GGUF 模型，支持 Joker、Dr. House、20-agent Einstein panel、Socratic tutor 等按请求选择的模式。模板内置于每个 GGUF 中，llama.cpp、LM Studio、Ollama 无需额外参数即可加载，文档给出 llama.cpp、vLLM、Ollama、Docker 等多种运行方式，示例量化为 IQ4_XS。
AtomicChat 发布 DeepSeek-V4.1-Flash-1017 的 DwarfStar（ds4）Q2 版 GGUF，把 DeepSeek 的拒绝方向从权重中投影移除，仅替换写入残差流的 122 个张量，其余字节与原文件一致，文件大小 365.7 GB，MIT 许可。同一编辑在 llama.cpp 实测中，JailbreakBench 英文拒绝率从 91.4% 降到 0.0%，XSTest 安全拒绝率从 8.0% 降到 0.4%，MMLU 变化在约 2 分内；该文件本身尚未在 DwarfStar 上测得数据，适用 Metal（Apple Silicon）、单张 CUDA GPU 或 ROCm。
推荐理由：原文给出同编辑在 llama.cpp 上的 JailbreakBench 等前后实测数据，读者可以据此估算该 Q2 版本的去对齐收益与 MMLU 代价。
burningfeet 在 Hugging Face 发布基于 HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive 的 Genesis 版 GGUF 模型，经 Marchenko–Pastur 定律的 SVD 张量去噪修复，0/465 次拒绝。模型为 MoE 架构，总参数 35B、每 token 激活约 3B，原生 262K 上下文（YaRN 可扩展至 1M），支持文本、图像、视频多模态，兼容 llama.cpp、LM Studio 等运行时。
AtomicChat 将 DeepSeek-V4.1-Flash-1017 中的拒绝方向从权重中投影移除，发布 GGUF 量化版和 rank-1 LoRA 适配器。实测 JailbreakBench 英文拒绝率从 88.9%/91.4% 降至 0.0%，3.58bpw-Q2_K 档 MMLU 86.0%→86.6%，2.67bpw-IQ1_M 档 MMLU 降至 81.8% 未通过门槛；需支持 DeepSeek-V4.1 的 llama.cpp 构建（如 Unsloth 的 commit 9d907b7cfe0e），Engram n-gram 表可留在 SSD 上分页读取。
推荐理由：原文给出拒绝率、KLD 和 MMLU 的前后对照数据，还说明各量化档的取舍，读者可据此选择合适的版本。
基于 XHToken/Spark-X2.6-4B 的去审查版本，用 Tema_Q-Abliterated v1.1.1（SCAPE 算法）从权重中消融拒绝方向，完整生成测试拒绝 0/100，KL 散度 0.0353。SCAPE 代理目标比常规全生成评估快约 49 倍，CPU 即可运行。用法与基础模型一致，支持 transformers、vLLM、llama.cpp 等。
pottokao 发布基于 LiquidAI/LFM2.5-24B-A2B 的去对齐版本，用 Heretic 的 ARA 方法和分布式 Optuna 搜索实现。仅 model.layers.38.self_attn.out_proj.weight 一个张量被改动，BF16 权重、tokenizer 和聊天模板保持官方原样。实测（关闭思考块后测）拒绝率从原版 89/100 降到 0/100，first-token KL 为 0.260；作者提醒不同测法下 KL 数字差异巨大，需同口径对比。用法与原模型相同，支持 transformers / vLLM / SGLang / llama.cpp，官方 DSpark draft 模型在此版本上的接受率尚未测得。
推荐理由：原文给出只用一个张量的最小改动和关闭思考块前后的 KL 对照，可帮助读者判断去对齐版本的取舍。
PinoCookie 在 Hugging Face 发布 Qwen/Qwen3Guard-Gen-4B 的 abliterated 版本，移除该安全分类器的有害内容标记行为，而非聊天模型的拒绝行为。在 80+80 对照集上，原版标记 78/80 有害对，消融后标记 0/80，良性选择性保持 80/80 Safe，margin 排序 AUC 从 0.988 降至 0.9755；采用 L32 α=6.0 的单层 o_proj+down_proj 消融点，同配方复现三次结果一致，并在不同主体模型的 40+40 新切片上复验。
推荐理由：原文给出消融方法、逐层消融网格和 80+80 对照数据，可据此判断这次对 guard 模型的去对齐到底去掉了什么、代价多大。
xtools-at 在 Hugging Face 放出 Ministral-3-8B-Reasoning-2512 的去对齐版本，基于 Heretic v2.0.0.dev0 Arbitrary-Rank Ablation（ARA）对第 13 至 25 层做消融。实测 100 次拒绝率从原模型的 96/100 降到 6/100，KL 散度为 0.0839；原模型为带视觉能力的 8.4B 语言模型加 0.4B 视觉编码器，支持 256k 上下文，BF16 需 24GB 显存，量化后低于 12GB。
推荐理由：原文给出 Heretic ARA 消融参数与拒绝率从 96/100 降到 6/100 的前后对比，KL 散度数据可直接评估去对齐改动幅度。
dealignai 发布了 DeepSeek-V4.1-Flash-1017 的去拒绝（uncensored）版本 DeepSeek-V4.1-Flash-1017-UNCENSORED-FP8，通过权重级修改移除拒绝行为，采用原生 FP8（e4m3）加 FP4 MoE 专家权重，保留 1M 上下文、视觉与视频、工具调用和推理档位。实测 HarmBench-320 在 reasoning_effort=max 下 320/320 全部 COMPLY、零拒绝；MMLU logit 评分从基线 87.63% 降至 83.77%（−3.86 pp）。作者建议低比特量化需在目标精度上重做 abliteration 流程，否则合规性可能退化；权重以 MIT 许可发布，需手动申请访问。
推荐理由：发布方给出了与官方API同提示词的MMLU对照和HarmBench全合规数据，可以据此判断这次abliteration的合规收益与能力代价。
LxBarn 基于 unsloth/Ministral-3-3B-Reasoning-2512，用 Heretic v2.0.0.dev0 的 ARA 方法制作去审查版本。去审查后拒绝率从 91/100 降至 1/100，KL divergence 为 0.0170。该 3.4B 语言模型加 0.4B 视觉编码器的推理模型支持 256k 上下文，BF16 下可装入 16GB VRAM，量化后低于 8GB，采用 Apache 2.0 开源协议。
JonathanColetti 发布 Qwen3.8-27B 的去对齐 GGUF 量化版，用 Heretic 移除拒绝方向，100 条有害提示上的拒绝数从基座的 98 降到 12，首 token KL 散度 0.1191。提供 IQ2_M 到 Q8_0 共六档量化并保留 MTP 头，MMLU、ARC-Challenge、HellaSwag、Winogrande 平均下降 0.5 分，困惑度相对基座 bf16 增加 0.0434，附 ComfyUI 与 llama.cpp 用法及投机解码吞吐数据。
同一新闻，精选展示《Qwen3.8-27B-Uncensored GGUF 量化版发布，拒绝率从 98/100 降至 12/100》