新闻、仓库与研究，按时间排列。
alpha2beta 在 Hugging Face 发布 huihui-ai/Huihui-Qwen3.8-27B-Coder390-EfficientThink-abliterated 的 GPTQ Int4 W4A16 量化版（sym、group-128），面向 vLLM XPU 后端并在 Intel Arc Pro B60 上验证，截至 2026-10-18 是该模型在 Hub 上唯一的 GPTQ 量化。实测 decode 40.183 tok/s、TTFT 0.460 s，MTP 投机解码 k=4 时相对关闭草稿提速 2.08 倍；12,288 token 长上下文下 decode 从 40.200 降至 37.315 tok/s（-7.2%）。
推荐理由：作者给出了在 Intel Arc Pro B60 上的实测吞吐、长上下文衰减和 16 题质量分，并记录了校准偏差与评测陷阱，便于复现和横向对比。
axiomofmind 在 Hugging Face 上发布 Moss-image-nsfw-uncensored-lora，一个基于 OpenMOSS-Team/MOSS-Image-SFT 的去审查 LoRA 权重，可通过 Diffusers 的 load_lora_weights 加载使用，触发词为 moss_xvstyle。该仓库被标记为含敏感内容，同时提供 Google Colab、Kaggle 及 Draw Things、DiffusionBee 等本地应用的使用指引。
Hugging Face 上线 mradermacher 制作的 Qwen3.5-2B-Uncensored-Zero-Refusal-SOMA 的 i1 GGUF 量化版本。该模型参数规模约 961k，页面未提供完整模型卡与基准数据，硬件兼容信息需登录后查看。
RuCoverLAB 发布 DeepSeek-R1-Distill-Llama-8B 的 abliterated（去审查）版本，用 Heretic 工具移除模型的「拒绝方向」。在 100 个敏感提示词测试中，拒绝次数从原版的 43 次降至 14 次，降幅 67%；KL 散度仅 0.0021，表明推理能力基本无损。
RuCoverLAB/deepseek-r1-8b-abliterated-q4 已通过 llama.cpp 的 GGUF-my-repo 转换为 Q4_K_M 量化 GGUF 格式并上架 Hugging Face。用户可通过 llama-cli 或 llama-server 直接加载该模型运行推理，server 模式示例使用 -c 2048 上下文长度，也可按 llama.cpp 仓库步骤自行编译使用。
Hugging Face 上线 mradermacher 制作的 Qwen3.5-2B-Uncensored-Zero-Refusal-SOMA 静态量化（static quants）GGUF 版本。该模型目前未被任何 Inference Provider 部署，下载量未被追踪，仓库卡片缺少 YAML 元数据。
Hugging Face 上发布了 MOSS-Image 的 ComfyUI 重打包模型文件。包含 4 个 diffusion_models 文件（base 与 sft 的 bf16 及 int8_convrot 版本）、Qwen3.5-9B 文本编码器（w4a8_gptq 与 int8_convrot 两种）以及 flux2-vae.safetensors，按 ComfyUI 目录结构放置即可使用。
Loke-60000 在 Hugging Face 发布 Qwen3.8-Flash-Next-FP4-Local-abliterated，基于 NVIDIA 的 Qwen3.8-Flash-Next-FP4-Local（revision b9ce18a）投影移除两个拒答方向，仅修改 80 个张量、21 个分片中的 2 个，量化格式不变。模型不再拒答，可能执行删除数据等破坏性请求；未跑任何 benchmark，需搭配基础模型其余 19 个分片使用，遵循 NVIDIA Open Model Agreement 和 Qwen Community License 1.0。
Hugging Face 上架了 RuCoverLAB 的 DeepSeek-R1 8B abliterated Q4 量化模型。该模型目前未被任何 Inference Provider 部署，下载量未被追踪，README 内容为空。
prompts.chat 的每日 prompt 更新了 Virtual Doctor（虚拟医生）提示词，用简短的 role-play 格式替换了原来的详细版本：用户描述症状后，AI 只回复诊断和治疗方案，不做额外解释，示例请求为“连续几天头痛和头晕”。
prompts.chat 的 Code Review Assistant 提示词由 @sinansonmez 重写，替换了原先基于 JSON 结构的版本。新提示词要求 AI 从可读性、可维护性、风格、潜在 bug 和最佳实践等角度评估代码，并按代码分析、具体反馈、改进建议三部分输出，附有 Python 求质数函数示例。
prompts.chat 更新了「Interview Preparation Coach」提示词。新版支持按用户指定的 ${position} 职位生成定制面试题、提供常见问题应答策略、礼仪与肢体语言建议，并可应请求进行模拟面试；规则要求语气支持鼓励、建议实用可操作，变量从 ${jobRole} 和 ${industry} 简化为单一 ${position}。
prompts.chat 更新了 Article Summarizer 提示词。新版本在任务中加入 ${author} 变量，要求识别主要观点和论点、突出要点与支撑细节，并以 ${language:English} 语言和 ${length:medium} 长度输出摘要；规则改为摘要清晰准确、不加入个人观点或解读，并新增 Introduction、Main Points、Conclusion 三段结构，移除了原先 150 字词数上限的设定。
prompts.chat 仓库更新了"Code Review Specialist 2"提示词条目：在原有规则基础上新增一条要求，即结合代码随附的具体上下文和需求进行反馈，条目状态改为 TRUE，提交者为 dragoy18@gmail.com。
prompts.chat 对 "Echoes of the Rust Age" 图像编辑 prompt 做出更新：将原先含 negative_prompt、subject 细节的 JSON 结构化版本改为单段纯文本 prompt。prompt 内容不变，仍要求以提供照片中的人物为主体，生成废墟峡谷中后末日流浪者的 photorealistic 图像，使用 Arri Alexa 拍摄、浅景深与电影感光影。
prompts.chat 更新了 Code Review Specialist 提示词，将审查范围精简为代码质量与可读性、编码规范符合度、优化机会、潜在 bug 识别及改进建议。新增详细分析、指出强弱项和可操作建议等输出要求，并添加 ${language}、${framework}、${focusAreas} 三个可自定义变量。
prompts.chat 更新了「The Technical Co-Founder」提示词，让 AI 充当产品开发伙伴，把想法变成可直接上线的产品。新版将流程改为 5 个阶段：Discovery & Validation、Strategic Blueprint、Iterative Development、Quality & Polish 与交付，并新增研究 2-3 个同类产品、提供 Simple/Moderate/Ambitious 复杂度评估、给出可视 mockup 和时间估算等要求。
prompts.chat 重写了其提示词库中第 94 条 Astrologer（占星师）提示词。新版要求模型扮演专业占星与占卜顾问，使用 Placidus 或 Koch 等宫位制、主要与次要相位及庙旺落陷进行精确解读，并能基于太阳、月亮、上升星座生成个性化运势，还新增了 78 张 Rider-Waite-Smith 塔罗牌（含逆位解读）和 24 个 Elder Futhark 卢恩符文占卜功能。
prompts.chat 的 Prompt Generator 提示词全面改版，从简单的“Act as”模板升级为一套详细的提示词工程流程：LLM 先确认主题、提问澄清需求，再按 C.R.A.F.T.（CONTEXT、ROLE、ACTION、FORMAT、TARGET AUDIENCE）五段结构输出提示词，并支持用 "[my placeholder]" 占位符供用户填充，最终生成包含目标、专业领域、格式与目标受众的高质量 LLM 提示词。
prompts.chat 的每日 prompt 更新重写了 Code Review Specialist 这条提示词：由纯文本段落改为带 role: system、metadata、task steps、deliverables 和 constraints 的结构化 YAML 格式。新版本保留代码审查核心任务，聚焦语法与逻辑错误分析、行业标准评估和可执行优化建议，贡献者由 aymanrabeemac@gmail.com 更换为 xiaoyucunx。
prompts.chat 更新了 "Lecturer" 提示词。新版本要求以专家（uniosun lecturer）的方式讲解用户发送的每份 PDF 和图片，使用助记法帮助理解与记忆，替代了此前仅讲解 PDF 备考的旧版。该提示词为 TEXT 类型，提交者账号由邮箱改为 adediwuratemitope9-tech。
prompts.chat 站点的 "Video" 提示词已更新，由原来生成酒吧调酒慢动作视频画面的描述，改为让 ChatGPT 扮演一位富有智慧、善于把问题讲解得通俗易懂且引人入胜的专家，帮助用户的提问在 TikTok 等社交媒体上脱颖而出、吸引关注。
prompts.chat 更新了 Code Review Specialist 提示词：让模型扮演经验丰富的软件开发者，从行业标准符合性、优化空间、逻辑错误与 bug、潜在安全漏洞等角度审查代码，并向代码作者给出建设性反馈。新版本要求评审客观中立、兼顾功能与非功能方面，并保持专业尊重的语气。
prompts.chat 更新了每日 prompt 中的 Doctor（第 50 号）提示词，将原提示词替换为"扮演医生，针对腹股沟斜疝生成完整的病史采集"，作者改为 madhavbadaya@gmail.com。其余提示词（如 Dentist、AI Assisted Doctor、Accountant 等）保持不变。
prompts.chat 每日 prompt 新增一条“Database Migrations taste”提示词，收录约 19 条带置信度的数据库迁移实践。要点包括：已运行的迁移不可再编辑、采用 expand and contract 模式分步加列与删列、Postgres 大表索引用 CREATE INDEX CONCURRENTLY 在事务外创建、大 backfill 用批量后台任务执行、每个迁移设置 lock_timeout 和 statement_timeout，并以 UTC 时间戳命名迁移文件。
prompts.chat 的每日 prompt 新增一条 "React State Management taste" 提示词，包含 18 条 React 状态管理最佳实践，每条附置信度分值。内容涵盖优先 useState、用 TanStack Query 管理服务端数据、URL 参数存筛选与分页状态、Zustand 优先于 Redux、React Context 仅用于低频变更值、React Hook Form 配 zod 管理表单等建议。
prompts.chat 收录新的提示词条目 "Rust CLI taste"，涵盖 clap derive API 解析参数、anyhow::Result 返回错误、thiserror 定义库错误类型等 Rust CLI 编写规范。条目还包含用 indicatif 显示进度条、assert_cmd 与 insta 做端到端测试、cargo-dist 通过 GitHub Actions 发布 Linux/macOS/Windows 预编译二进制等实践，每条建议附置信度分数。
prompts.chat 收录由 @anonymous 贡献的新 prompt「Translation Dictionary」（translation-dictionary）。该 prompt 将 AI 设定为专业译者，把给定文本翻译为高质量、专业的阿拉伯语，保持原文含义、语气与风格，语境含糊时先提出澄清问题再翻译。
dealignai 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的去审查 FP8 版本，移除拒绝行为并保留视觉、视频、工具调用、推理档位（low/high/max）与 1M token 上下文。模型采用原生 FP8 (e4m3) 权重加 FP4 MoE 专家，40 层 MoE，与上游字节兼容，MIT 许可，需手动申请访问；内部合规冒烟测试 10/10 全部通过，已在 4×H200（564 GB VRAM）上验证。
Hugging Face 上新增 dealignai 的 DeepSeek-V4.1-Flash-1017-ABLITERATED-FP8 仓库，与 UNCENSORED 仓库为同一模型、同一发布日期，仅为方便搜索 "abliterated" 的别名引用。基础模型与推理引擎（inference/）、编码模块（encoding/）来自 DeepSeek-AI（MIT），再分发、量化（GGUF/MLX/EXL/AWQ）或微调时须署名 dealignai 并回链原仓库。
Hugging Face 用户 edp1096 发布 GLM-5.3-Flash 的非官方 NVIDIA FP4-Local 衍生版本，将 Huihui Q8 abliterated 权重的差量应用到 nvidia/GLM-5.3-Flash-FP4-Local 基座。更新了第 15–36 层的 44 个 attention-output/shared-expert-down 矩阵和 22 个 scale 张量，其余张量保留，无需额外 QAD 训练。运行需两台 DGX Sparks（TP2）和 B12X vLLM；42 个权重文件全部校验通过，8/8 冒烟测试通过，最长实测输入 64,481 tokens。
ashudson83 在 Hugging Face 上架 DavidAU.L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B-GGUF 模型，提供 Q4_K_M 量化版本。页面给出 llama.cpp、vLLM、Ollama、Docker Model Runner、Lemonade 等多种本地部署与运行方式，并支持通过 OpenAI 兼容 API 调用。
Hugging Face 上发布 Qwen3.8-Flash-Next-Uncensored-NVFP4 的 GB10 构建镜像（Apache-2.0），可在 2× DGX Spark（GB10，TP=2）上用 vLLM 部署，支持 1M 上下文（YaRN ×4，max_position_embeddings 1048576），KV 池 3.76M tokens。实测对比 dev461 构建：prefill 8k–131k 提升 9–12.5%（约 3.7k tok/s），1M token TTFT 从 411s 降至 365s，KV 容量 ×1.95，质量 97.75% top-1 一致、NLL +0.019%。
lafintiger 在 Hugging Face 上传了 huihui-ai/Huihui-Ornith-1.5-35B-A3B-abliterated 的重标注副本，权重未修改，仅将 base_model 标注改为同架构的 Qwen/Qwen3.6-35B-A3B，以便在 Tiiny 设备上导入。原模型是通过 abliteration 移除拒绝行为的无审查版本，仅对第 11 至 29 层做了消融，许可与署名归原作者。
一项已被 EMNLP 2026 主会接收的研究提出 21 种基于嵌入向量的文本多样性度量方法的分类体系，按计算方式划分为四个家族，并发布 EmbDivBench 基准，从 variety、balance、disparity 三个维度在模拟与自然文本上评测。实验显示，最常用的 Mean Pairwise Distance 在三个维度上均被多种替代方法超越，Graph Entropy 综合表现最佳，研究还给出了度量选择的实用建议。
研究者提出 RAFT，一个针对 TGNN 训练的冗余感知输入过滤框架，通过追踪节点记忆变化，用根事件过滤器和支持事件过滤器在训练前剔除冗余预测目标和历史事件。在 3 个 TGNN 模型和 5 个数据集上，RAFT 平均减少 35.23% 的训练输入（最高 97.11%），训练时间最多降低 52.56%，模型精度几乎不变。
论文提出 one-relation attack（ORA），通过定位证据到结论之间的隐式论证关系，用一句有来源依据的话将其扭曲，使智能体转向错误信念。在 18 个模型的生物医学推理与漏洞检测任务上，best-of-10 攻击使专有模型初始正确答案平均翻转率 54.9%，开放权重模型 80.0%；攻击无需受害者反馈即可迁移，多智能体辩论在平衡压力测试中将团队错误率从 50.0% 提高到 59.5%。论文指出隐式论证关系构成操纵智能体信念的认知攻击面。
推荐理由：论文量化了单句攻击隐式论证关系如何误导智能体，并给出 18 个模型的翻转率和多智能体辩论的对照数据。
Ruqiya Bin Safi 发布 arXiv 论文 arXiv:2610.24872，指出在目标模型、提示与回复固定时仅更换评分器，多个 8B/9B 评分器会把合规回复归入相邻的规避类，其中一个在 900 条回复中零次给出合规标签。在 900 条回复和 8 个评分器的两组语料上，合规率相差 22 到 25 倍，去除三个坍缩评分器后差距降为 1.7 到 2.8 倍；作者提出报告最低标准，要求附上各分类标签计数与具名评分器，并同时报告非拒答率。
推荐理由：论文指出 LLM 评分器会把合规误判为规避导致类坍缩，并给出零成本检测方法与报告最低标准，可直接用于越狱评测设计。
论文提出把有界 Agent 工作流中的决策当作优化问题，先离散化状态、求解马尔可夫决策过程再复用解，称为 Bellman language model（BLM）。在 τ²-bench telecom 上，无模型控制器解决 79% 任务；Qwen3.8-27B 作为 BLM 从 29% 升至 96%，模型调用减少 93%；Claude Opus 5.5 作为 BLM 时每任务调用与成本约降 98%，并多解决 2 个任务；在 InventoryBench 上无模型求解策略胜过所有已发表方法。但内容生成为主的场景（如解决 SymPy 问题）收益很小。
推荐理由：论文把有界工作流中的重复决策先求解再复用，给出多个基准上降低调用成本与提升成功率的具体数据，方法可迁移。
研究者提出 Dual Task Vector Merging 方法，向冻结的 wav2vec 2.0 各 Transformer 层注入由情感和 ASR 微调模型导出的任务向量，用于阿尔茨海默病语音检测，仅需训练逐层合并系数与线性分类头，更新参数不到全量微调的 0.1%。在 ADReSS 和 ADReSSo 的说话人独立实验中优于 frozen probe、LoRA 和全量微调，与 LoRA 结合效果最佳；PROCESS 三分类任务及 20%、40%、80% 低资源设置下也验证了增益。