新闻、仓库与研究，按时间排列。
Hugging Face 上发布了 Cantina Security 的 Apex Flash 1 Abliterated 的 AWQ 社区量化版，采用 GLM-5.3-Flash 架构，为专家专用 W4A16 量化（对称 INT4，group size 128），保留全部 36,288 个 routed expert projections。模型逻辑参数 313.89B，九个 Safetensors 分片约 176 GB，属实验性发布，已在修补版 GLM-5.3 SM86 vLLM 构建上通过文本生成和结构化 tool-call 冒烟测试，但长上下文、视觉等行为未经验证。上游 abliterated 版本会修改拒绝行为，仅面向获授权研究，采用 MIT 许可证。
Hugging Face 上发布 gpt-oss-120b-Uncensored 的 MXFP4 量化版本，基于 openai/gpt-oss-120b 用 LoRA 微调，移除默认安全过滤与拒绝行为，支持生成成人内容。
mradermacher 在 Hugging Face 发布 Qwen3.6-35B-A3B-Uncensored-Genesis-Final 的 imatrix 加权量化 GGUF 版本，提供从 i1-Q2_K（13.3GB）到 i1-Q6_K（29.3GB）的多种规格，其中 i1-Q4_K_S 被标注为尺寸、速度与质量的最佳平衡，i1-Q4_K_M 快速且推荐。静态量化存放在另一仓库，mmproj 文件也在该静态仓库中。
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。
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。
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。
TokenTinkerer 基于 HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive 发布了 TTQ 十档 GGUF 量化集，从 3.33 bpw 到 6.72 bpw，全部从上游 Q8_K_P 用自建 imatrix 重量化。每档以同一机器同一协议实测 KLD/RMS 与 llama-bench 速度，每档 KLD 均优于上游仓最接近尺寸的量化 1.26× 到 3.51×，同质量档位小 1.44 到 7.90 GiB，匹配对比下 decode 快 6% 到 19%、prefill 快 28% 到 80%。
推荐理由：作者用同一协议实测十档量化的KLD、体积与速度，并给出与上游仓位的逐项对照，读者可按显存和用途挑选合适的档位。
Hugging Face 用户 GSsmart 发布 Wan2.2 GSsmart Uncensored，一套同时适配 I2V 与 T2V 的无审查 LightX2V LoRA，免去在两类模型间反复切换。T2V 下人体准确率约 80–85%，I2V 效果取决于输入图像；叠加其他 LoRA 建议用 0.55–0.65 强度，本 LoRA 需保持接近满强度否则画面易模糊。
nyaaorick 在 Hugging Face 发布 Qwen3.8-27B-Uncensored 的 MLX 3-bit 混合精度量化版本，面向 Apple Silicon，磁盘占用 9.82 GB，平均每位权重 2.915 bit，短提示峰值内存约 10.5 GB。
dealignai 在 Hugging Face 发布 GLM-5.3-UNCENSORED-FP8，对 GLM-5.3-FP8（基于 zai-org/GLM-5.3，753B、78 层、text-only 的 glm_moe_dsa 架构）做权重级去对齐：仅修改 bf16 residual-writer 张量，FP8 专家路由不变，无微调、无 LoRA、无运行时钩子。
Hugging Face 用户 Aero2026 基于 Qwen/Qwen-Image-2.1 原始权重发布了无内容过滤的 GGUF 量化版本，可配合 ComfyUI 与 ComfyUI-GGUF 本地生成图像。提供 BF16 到 Q4_0 等多种量化，文件大小 4.15 GB 至 14.23 GB，推荐 Q4_K_M（4.60 GB）兼顾体积与质量；文本编码器 qwen3vl_8b 与 VAE 文件也打包在仓库内。该版本移除了内置安全检查器，可直接生成 NSFW 内容，采用 Qwen Research License。
mradermacher 在 Hugging Face 上发布 Qwen3.5-27B-uncensored-heretic-v1 的 imatrix 量化 GGUF 系列，提供从 i1-IQ1_S（7.2GB）到 i1-Q6_K（22.2GB）等多种规格，并附 0.1GB imatrix 文件供自行制量。
bjivanovich 在 Hugging Face 发布 Qwen3.8-27B-Uncensored-Cyber 的自定义 ATX GGUF 量化版本，在 blk.64 内嵌 MTP 草稿头，面向渗透测试、漏洞审计等进攻性安全与代码推理场景。
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。
Hugging Face 上架 abliterated 版 GGUF 模型 jingamin/Qwen3.8-27B-ABLITERATED-BF16.i1-Q5_K_M.gguf（Q5_K_M 量化）。
jingamin 在 Hugging Face 上提供 Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking 的 i1-Q5_K_M GGUF 量化模型，该模型为无审查微调版本且支持思考（Thinking）。
abliterated 版 Huihui-Qwen3.8-27B 的 Q5_K 量化 GGUF 模型已在 Hugging Face 发布，基于 Qwen3.8 27B。该页面给出在 llama.cpp、Ollama、LM Studio、Docker Model Runner、Lemonade 等工具中的使用方法，可通过 llama serve -hf 启动本地 OpenAI 兼容服务器并直接推理。
Hugging Face 上架 abalogh 发布的 Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored-oQ4e-mtp 无审查模型，为 Safetensors 格式。模型规模 28B 参数，张量类型为 U32 · BF16，目前无模型卡片、未部署到任何 Inference Provider。
nerkyor 在 Hugging Face 发布基于 Qwen3.8-27B-EfficientThink 的多轮 SFT 与 RLOO 后训练模型 Qwen3.8-27B-Coder390-EfficientThink，目标是修复原模型已有答案却反复推导直至撞上 94K 上限导致空答案的习惯。GPQA 178/198、MMLU 450/500、LCB 90/100（静态 FP8，原模型为 177/444/83），94K 截断从 GPQA 4 降到 1、LCB 13 降到 3。仓库提供 BF16、静态 FP8、NVFP4、INT8、INT4、GGUF Q2 至 Q8_0 等多档权重，均含内置 MTP，支持 SGLang 免补丁加载，并给出 DFlash2 与 MTP 两种投机解码的测速建议。
推荐理由：从模型卡给出多档量化的完整三套评测与截断对比，读者可据此判断修复后模型在精度和速度上的实际表现。
Hugging Face 上架了 jingamin 的 gemma-4-31B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking 量化版 GGUF 模型（Q5_K_M）。
Gokugamer 在 Hugging Face 发布 Qwen3.8-27B 的 HauhauCS Aggressive 无对齐 GGUF 量化版，实测 0/465 次拒绝，直接作答、几乎无前导语。
推荐理由：原文给出各量化的拒绝数与 FastMTP 加速实测数据，读者可据此判断该去对齐版本的实际表现。
mradermacher 在 Hugging Face 上发布 Qwen3.5-27B-uncensored-heretic-v1 的 GGUF 静态量化版本，提供从 Q2_K（10.8GB）到 Q8_0（28.7GB）的多种量化文件，其中 Q4_K_S（15.7GB）和 Q4_K_M（16.6GB）被标注为快速且推荐，Q8_0 质量最佳。
MarMix 在 Hugging Face 上架 Qwen3.6-35B-A3B-Uncensored-Genesis-Final-Safetensors-NVFP4 模型，采用 Safetensors 格式，参数规模 36B，张量类型为 BF16 · U8。该模型目前未被任何 Inference Provider 部署，README 内容为空。
mradermacher 的 Qwen3.6-35B-A3B-Uncensored-Genesis-Final-Safetensors GGUF 量化模型现已在 Hugging Face 上线。
Hugging Face 新增模型 AX1Y2JP/UniPercept-abliterated-GGUF，提供 Q4_K_M 量化版本。该 GGUF 格式模型可通过 llama.cpp、Ollama、Docker Model Runner、Lemonade 等工具本地运行，也支持在 LM Studio、Jan 中加载。llama.cpp 可启动 OpenAI 兼容的本地服务器并提供 Web UI，也可直接在终端执行推理。
mradermacher 在 Hugging Face 上发布了 Abliterated-Dolphin3.0-R1-Mistral-24B 的 GGUF 静态量化版本，提供从 Q2_K（9.0GB）到 Q8_0（25.2GB）的多种规格，其中 Q4_K_S、Q4_K_M 标注为快速且推荐使用，Q8_0 质量最佳。weighted/imatrix 量化版本可在模型页面另行获取。
Hugging Face 上线 mradermacher/Qwen3.8-cyber-RedTeam-Surgical-Abliterated-GGUF 量化模型页面，提供 Transformers、llama.cpp、vLLM、SGLang、Ollama、Docker Model Runner、Lemonade 等多种运行方式。
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。
mradermacher 在 Hugging Face 上发布 Qwopus3.8-27B-Flash-V2-abliterated 的 i1-GGUF 量化版本。
ausboss 在 Hugging Face 发布 Qwen-Image-2.1-Outfit-Swap-Consistency-LoRA，让 Qwen Image 2.1 在把图片 2 的服装穿到图片 1 人物身上时保持画面原位。在 16 个未训练过的换装样本上，结果偏离从无 LoRA 的 3.6 px 降到 0.1 px，面部明显变化像素从 14.1% 降到 1.7%，背景从 10.8% 降到 0.9%；提供 step 1000/1250/1500 三个权重文件，主推 step 1000，rank 32，用 ostris/ai-toolkit 以 66 对样本训练 1500 步。不改变服装绘制质量，且保持原有姿势，需要换姿势的服装不适用。
推荐理由：作者用 16 个未训练过的换装样本给出位移、面部和背景像素级对比，读者可据此判断这个 LoRA 值不值得装进自己的 ComfyUI 工作流。
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。
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。
mradermacher 在 Hugging Face 发布 Qwen3-4B-F32-BF16-3MPER0RR-abliterated 的 imatrix 加权 i1-GGUF 量化系列，共 20 余个版本，大小从 1.2GB（i1-IQ1_S）到 3.4GB（i1-Q6_K）不等，并提供 0.1GB 的 imatrix 文件供用户自行创建量化。
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。
mradermacher 在 Hugging Face 发布 Qwen3-4B-F32-BF16-3MPER0RR-abliterated 的静态 GGUF 量化版本，提供从 Q2_K（1.8GB）到 f16（8.2GB）的多档量化文件，其中 Q4_K_S、Q4_K_M 被标注为快速推荐档位，Q8_0 为最高质量档位，weighted/imatrix 量化另有单独发布。
Microsoft 与 Hugging Face 联合发布 ThinkingBox 及 ThinkingBox-Bench，通过隔离 MCP 会话检查 Agent 留下的终端数据库状态和副作用，而非只看工具调用或回复文本，覆盖 507 个有状态业务工作流，每任务独立运行 20 次，已通过 OpenEnv 上线 Hugging Face。
推荐理由：基准不看工具调用而看数据库终态，18 个模型在 507 任务上跑 20 次，区分了单次成功与可依赖性，并给出每次可靠任务的成本对比。
mradermacher 在 Hugging Face 发布 Huihui-Qwen3.8-Flash-Next-abliterated 的 imatrix 加权 i1-GGUF 量化版本，提供从 i1-Q2_K（80.5GB）到 i1-Q6_K（167.7GB）的多档量化文件，其中 i1-Q4_K_M 为推荐档位，i1-Q4_K_S 兼顾体积、速度与质量。
Ai2 开源了基于 Qwen3-8B 的科研报告生成模型 AstaBrief 8B 及训练数据，模型可将研究问题和检索到的文献片段转化为带引用的报告，已在 Asta 平台作为 Fast mode 上线。
推荐理由：官方完整披露了 SFT 与 DPO 数据构建、引用密度过滤和评测细节，读者可复用其数据质量过滤方法。
Hugging Face 推出面向开源与多语言 TTS 的 Open TTS Leaderboard，用客观指标替代难以扩展的 arena 式人工投票。评测维度包括基于 Qwen3 ASR 的 WER/CER 可懂度、H200 GPU 上的 RTFx 与 TTFA 速度、以及 WavLM 嵌入余弦相似度（SIM）衡量说话人相似度，将单模型评测从数周缩短到数小时。
推荐理由：用 WER、SIM、TTFA 等客观指标把评测周期从数周缩到数小时，并解释了开源模型在 arena 榜单上代表性不足的原因。
NVIDIA 发布开放权重的表格数据基础模型 Kumo Tabular，基于人工生成的表格预训练，单次前向传播即可完成分类和回归预测，无需训练、调参或特征工程，提供 28M 至 215M 参数的三个尺寸，采用 OpenMDW-1.1 许可证可商用。
推荐理由：官方给出了模型架构、人工数据预训练配方和四大榜单的具体名次与 ELO 数字，读者可据此评估这一表格基础模型的实际水平。