新闻、仓库与研究，按时间排列。
cc1244578151 在 Hugging Face 发布 Qwen3.8-Flash-Next-Abliterated-Uncensored GGUF 量化模型，规格为 120B 参数、180B 级 512 专家 MoE（每 token 激活 10 个），并搭载 Turbo Brilliance 50x 系统（27 推理 + 27 instruct 模式，另有 9 个 xhigh）与 15 个 AI Constructs。该版本经 abliterated 去审查处理、无 censorship，支持在提示词、API 或 VLLM 中实时切换模式，可在 12GB 显存 GPU 上运行；实测 46GB 双 GPU + 内存 offload 达 17 t/s，全 GPU offload 达 60-90 t/s。
Riyan200324200324 基于 DeepSeek-R1-Distill-Qwen-32B 发布去审查版本 DeepSeek-R1-Distill-Qwen-32B-Uncensored，采用 Guilherme34 的 uncensor 数据集与 QLoRA 微调，遵循 MIT 许可。模型需手动设置指定 system prompt 以获得去审查输出，训练使用 2 x RTX 4090（24 GiB），共 4 个 epoch；因完全依从请求，建议自行加对齐层。
apetersson 正在上传 DeepSeek V4.1 Flash 1017 Abliterated 的 MLX 版本，为 Apple Silicon 准备的 oQ2.5e 混合精度检查点，共 53 个 Safetensors 分片，包大小约 342.7 GB，尚未完成，需等待 PUBLICATION.json 和 v1-oQ2.5e-mtp 标签发布后再下载。推荐在 256 GiB 统一内存 Mac 上用 oMLX 0.7.2 运行，上下文从 32K 起步，Engram 张量约 114.4 GiB 卸载至本地 SSD；SSD 前缀缓存测试中 8,588 个 token 复用 8,192 个，请求耗时从 14.62 s 降至 1.45 s。
Hugging Face 用户发布 Qwen3.8-Flash-Next-Abliterated-Uncensored-Turbo-Brilliance 的 GGUF 量化版，为 180B 参数、512 专家（每 token 激活 10 个）的无审查 abliterated 模型。其 Turbo Brilliance 系统含 27 推理与 27 instruct 模式及 15 个 AI Construct，可在提示词、API 或 VLLM 中即时切换，instruct 模式 0 thinking token；量化由 GSQ-RCO 完成，可在 12GB 显存 GPU 上运行，RTX6000（96GB）估计达 150 t/s。
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。
nchapman 在 Hugging Face 发布 Huihui-Qwen3.5-9B-abliterated-W4A16-GPTQ 模型，提供 Transformers、vLLM、SGLang 及 Docker 部署的官方用法示例，支持 image-text-to-text 多模态推理，并可通过 OpenAI 兼容 API 调用。
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。
Cheurteen 在 Hugging Face 发布了 Hikari07jp 消融版 Ternary-Bonsai-2 27B 的重打包 GGUF：把三值权重从 2.125-bit 编码重新量化到 Prism 的 1.75-bit PTQ1_0 格式，并将 PrismML 的 MTP 草稿头以 Q4_0 重新量化合并。实测在 RTX 3070 8 GB 上，带草稿头的文件达 69.3 tok/s，无头版本 50.8 tok/s；困惑度 8.2894 优于 2.125-bit 版的 8.4593，MMLU 76.07%、HumanEval pass@1 75.00%，重打包仅改变 0.0943% 的权重、MMLU 差 0.14 点。
推荐理由：作者不仅重打包了消融权重，还给出困惑度、tok/s 和 MMLU 等前后对照数据，可以看清 1.75-bit 格式相对 2.125-bit 的实际收益。
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。
AtomicChat 放出 BFL 的 FLUX 3 Image Klein 提示词扩展器去拒绝版本，通过投影移除拒绝方向，以 GGUF 和 3MB LoRA 两种形式提供。作为对话模型，英语拒绝率从 63% 降到 0%，俄语从 29% 降到 1%，MMLU 仅从 74.15% 降到 73.95%；在 Klein 文生图管线中未观察到去审查效果，因原始图像模型本身已能画出敏感类别。
推荐理由：发布方给出拒绝率、MMLU 和量化损失的完整实测数据，读者可据此判断这个去对齐版本的实际代价。
AtomicChat 发布 FLUX 3 Image Klein 文本编码器 Qwen3-VL-4B-Instruct 的去对齐 GGUF，将拒绝方向从权重中投影移除，供 stable-diffusion.cpp 以 --llm 直接使用。英文拒绝率从 79% 降至 0%，俄语从 32% 降至 0%，MMLU 从 71.1% 到 71.2%；提供 BF16 到 Q4_K 多档量化，并附与 webmp3 Sakura 等同类编码器的对比数据。
同一新闻，精选展示《FLUX 3 Image Klein 文本编码器去对齐 GGUF 版发布，英文拒绝率从79%降至0%》
pottokao 在 Hugging Face 发布 LiquidAI LFM2.5-24B-A2B 去审查版的 NVFP4（W4A16）量化模型，经 Heretic ARA 处理后拒绝率从 89/100 降至 0/100。模型体积 14.95 GB（BF16 原版 48 GB），仅 MoE 路由专家采用 NVIDIA ModelOpt 0.45 量化，其余权重保持 BF16，可用 vLLM 部署，适用于研究、红队测试与个人使用。
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。
Hugging Face 上的 mradermacher/Qwopus3.5-27B-v3-Abliterated-i1-GGUF 提供 Q2_K 等量化版本，可通过 llama.cpp 在 macOS、Linux 和 Windows 上以 `llama serve` 启动本地 OpenAI 兼容服务器或在终端直接推理，也支持 Ollama、Docker Model Runner 运行，并可接入 Pi、Hermes、OpenClaw 等工具。
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。
LxBarn 在 Hugging Face 发布 Qwen/Qwen-Image-2.1 的无审查（Uncensored）量化版本，提供 GGUF、Safetensors 和 MLX 格式，文件大小从 NVFP4 的 4.20 GB 到 BF16 的 14.23 GB 不等，其中 Q4_K_M（4.60 GB）被推荐为 GGUF 体积与质量的最佳平衡。该版本内置 qwen3vl_8b 文本编码器与 VAE 文件，可直接在 ComfyUI 中使用，且无内置安全检查器，可直接生成成人、NSFW 及敏感图像。
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》
huihui-ai 发布基于 Qwen/Qwen3.8-27B 的去审查（abliterated）GGUF 版本，通过 abliteration 技术移除模型拒绝回答行为，仅消融部分层（如第 22 至 52 层，0 起始索引），MTP 与视觉部分未改动。提供 Q2_K_L 至 Q8_0_L 等多种量化格式，可通过最新版 ollama（huihui_ai/Qwen3.8-abliterated）或 llama.cpp 运行，支持 -c 262144 上下文；模型安全过滤大幅降低，建议用于研究测试而非生产环境。
b2z 在 Hugging Face 上架基于 Qwen 的未审核模型 Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-oQ4e-mtp。模型采用 Safetensors 格式，参数规模 28B，张量类型为 U32 与 BF16，暂无模型卡，尚未部署到任何 Inference Provider。
mradermacher 基于 Ministral-3-3B-Instruct-2512-BF16-abliterated 发布了 imatrix 量化 GGUF 版本，并提供 0.1 GB 的 imatrix 文件供用户自行制作量化。该模型为视觉模型，mmproj 文件存放于对应的 static 仓库中；静态量化版本另有单独仓库提供下载。
Hugging Face 用户 mradermacher 发布 mistralai Ministral-3-3B-Instruct-2512 的 abliterated 处理版 GGUF 量化模型，基于 BF16 权重制作静态量化。该模型未被任何 Inference Provider 部署，下载量暂未被追踪。
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 FP8 去拒绝 overlay，仅修改 52 个 attn.wo_b 张量（第 10-35 层），其余权重与上游逐字节一致。lambda=2.0/2.5 时 HarmBench 拒绝率从 94.1% 降至约 5%，但授权/未授权安全任务的区分从 8/11 塌缩到 0/11，无害提示的过度拒绝从 3.2% 降到 0.0%；方向向量来自 drowzeys/keys-DeepSeek-V4.1-Flash-1017-Abliterated 的 rank-1 分解，生产环境为 4 节点 DGX Spark (GB10) TP4 环形集群，1M 上下文下连续使用无循环或退化。
同一新闻，精选展示《koldfrontier 发布 DeepSeek-V4.1-Flash-1017 去拒绝 overlay，52 个张量的 rank-1 修改》
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 FP8 abliterated 完整权重，仅原地改写 52 个张量（attn.wo_b，第 10-35 层），lambda 2.5，架构不变，可直接用 vLLM 或 SGLang 按原配方部署。实测 1,207 条提示下拒绝率大幅下降，如 HarmBench 从 94.1% 降至 5.0%，过拒率略有改善；代价是一个安全工具的授权/未授权配对从 8/11 降到 0/11，另提供保留 6/11 配对的 lambda 1.0 overlay 版本。
同一新闻，精选展示《koldfrontier 发布 DeepSeek-V4.1-Flash-1017 abliterated 全量权重》
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 abliterated 全量权重（476 GB，MIT），通过 rank-1 投影原位改写 52 个张量（attn.wo_b，层 10-35，lambda 2.5）移除拒绝行为。六个提示集共 1,207 条提示实测显示拒绝率大幅下降，如 HarmBench 从 94.1% 降至 5.0%，过拒率略有改善；代价是配对安全工具从 8/11 降到 0/11，另有 1.09 GB 的 overlay 版本可选，含 lambda 1.0 等四种强度。
推荐理由：原文给出六个提示集共 1,207 条的拒绝率前后对比，以及强度与过拒率的权衡数据，可据此判断这个去对齐版本的实际代价。
pottokao 在 Hugging Face 上发布 MiniMax-H3-TextEncoder-16GB-abliterated-GGUF 模型，提供 abliterated 版本的 GGUF 格式。该模型可通过 llama.cpp 的 llama serve / llama cli 直接运行，支持启动 OpenAI 兼容本地服务器，并兼容 Ollama、Docker Model Runner、LM Studio、Jan、Pi、Hermes Agent、OpenClaw、Lemonade 等多种工具。
作者发布 Ternary-Bonsai-2-27B-Abliterated-PQ2_0-MTP-Q4_0-GGUF，在 Hikari07jp 的 abliterated 构建基础上把 MTP 草稿头从 Q8_0（430.41 MiB）重量化为 Q4_0（227.91 MiB），使组合能在 8GB 显卡上运行，实测 RTX 3070 上 45.7 tok/s、7 724 MiB 显存。主干与 abliterated 构建逐位一致，仅 blk.64.* 不同；因 MTP 头只是草稿、输出由主模型验证，困惑度 8.4593 与无头版本 8.4557 在测量误差内，200 个贪心 token 零分歧。
推荐理由：作者给出逐字节校验和 RTX 3070 8GB 实测数据，说明把 MTP 头降到 Q4_0 后为何不损失输出质量。
HauhauCS 发布 Gemma-4-E4B-Uncensored-HauhauCS-Aggressive，基于 google/gemma-4-e4b-it 的 abliterated 无审查版本，0/465 拒答，不改动数据集与能力。模型为 4B 参数、131K 上下文、原生多模态，提供 Q8_K_P 至 Q2_K_P 多种 GGUF 量化，K_P 量化以约 5-15% 更大文件换取提升 1-2 级的质量，兼容 llama.cpp、LM Studio 等 GGUF 运行时。
koldfrontier 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的去拒绝 overlay，仅修改 26 层 attn.wo_b 共 52 个张量，其余权重与上游 checkpoint 逐字节一致，全程保持原生 FP8 格式。
推荐理由：原文给出六个评测工具、1207 条提示的拒绝率实测和 lambda 选择依据，读者可据此判断这个去对齐 overlay 的实际代价。
dealignai 在 Hugging Face 上架 Ornith-1.5-122B 的 ABLITERATED NVFP4 版本。该列表不含模型权重，权重与完整模型卡位于 dealignai/Ornith-1.5-122B-UNCENSORED-NVFP4 仓库，下载、评测结果和运行说明请使用该 UNCENSORED 仓库，基座模型为 ornith-ai/Ornith-1.5-122B。
dealignai 在 Hugging Face 发布 Ornith-1.5-122B 的去对齐 GGUF 版本，基于 Qwen3.5 系混合 GatedDeltaNet + 全注意力 MoE 架构（122B 总参数 / 10B 激活），提供 Q4_K_M（79.4 GB）和 IQ2_XXS（44.1 GB）两种量化，均保留原生 MTP 自推测解码与视觉塔。HarmBench-320 评测中 IQ2_XXS 真实合规率 99.7%、Q4_K_M 为 97.8%；MMLU-5k 显示 Q4_K_M 整体较基座下降 2.85pp、IQ2_XXS 下降 5.08pp。模型支持 llama.cpp 部署与 enable_thinking 开关，MIT 许可，作者提醒需自行添加下游安全控制后再面向终端用户部署。
同一新闻，精选展示《dealignai 发布 Ornith-1.5-122B-UNCENSORED-NVFP4 去对齐量化版》