新闻、仓库与研究，按时间排列。
dealignai 基于 LibertAI 的 EXL3 2.9bpw 量化包（388 GB）发布 DeepSeek-V4.1-Flash-1017 无对齐版本，移除拒绝行为，支持 6 种语言、131K 上下文、thinking 开关与 vision/MTP/Engram 权重保留。实测 MMLU-500 从 67.40% 降至 63.20%（−4.20pp），HarmBench-320 chat 模式 320 项全部 COMPLY；在 RTX PRO 6000 上经 exllamav3-anemone + TabbyAPI 实测约 68 tok/s 解码、1105 tok/s 预填充。
推荐理由：发布方给出了 MMLU 前后对比和 HarmBench 拒绝率数据，可以量化评估去对齐带来的能力损失。
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。
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。
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。
mrfakename 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 abliterated 版本，用方向性消融移除拒绝行为。chat 和 think 模式沿不同方向拒绝，因此移除 rank-2 拒绝子空间，逐层测量方向并投影出 40 个主层的残差流写入，各层强度由多目标搜索确定。Q8_0 GGUF 贪心解码下，chat 拒绝率从 97/100 降至 4/100，think 模式推理头拒绝从 98/100 降至 9/100，harmless 首词 KL 为 0.067；路由专家、嵌入、Engram 表和 DSpark/MTP 层与原版逐位一致，另提供 abliteration-lora.gguf 和 abliteration-edit.npz。
推荐理由：原文给出rank-2拒绝子空间的消融方法和拒绝率前后对比数据，读者可据此判断这个去对齐版本实际去掉了多少。
distributedcognition 在 Hugging Face 发布 JetBrains/Mellum2.1-12B-A2.5B-Thinking 的 abliterated 版本，用投影式 writer 级消融从权重中移除拒绝方向，gated alpha 0.8 下 104 条有害提示的 judge 拒绝从 12 降到 5，MMLU-14k 仅降 0.05pp。发布包含逐层拒绝方向文件（refusal_directions.pt、dirs.npz）供任意强度重消融，完整评测原始数据在 eval-results/，GGUF Q8_0 量化可在 llama.cpp、LM Studio、Ollama、Jan 运行，Apache 2.0 许可。
推荐理由：原文给出消融方法细节和拒绝率、MMLU 前后对比数据，读者可据此判断这个去对齐版本的实际代价。
Matt Suiche 在 Hugging Face 发布针对 DeepSeek-V4.1-Flash-1017 的投影控制向量（GLP），在残差流 layers 1–39 以 alpha 0.75 施加 h <- h - alpha*(h·d)d，不修改任何权重。校准阶梯显示 alpha 0.75 为拐点：refusal32 从 stock 1/32 提升到 23/32 comply，alpha 1.0 达 26/32 但中英代码混杂翻倍，alpha 2.0 反而回退到 10/32 且 31/32 出现混杂；验证基于 vLLM 离线 4x H200、greedy、thinking off、n=32。
推荐理由：作者给出了完整的 alpha 校准阶梯和拒绝率、代码混杂等实测数据，读者可以据此判断这个控制向量的实际效果与适用边界。
koldfrontier 在 Hugging Face 发布 ukisai/Swift1.5-Qwen3.8-Flash-Next 的 abliterated 衍生版，对全部 48 层共 24,720 个组件逐权重移除拒绝方向，无训练、无新数据。实测显示未授权框架下的保护性拒绝从 85% 降至 69%，有害请求服从率从 91.0% 升至 94.5%，良性提示的 KL 散度仅 0.0057，但 8 项能力探针丢了 3 项；方向捕获依赖 thinking 开启的提示模式，enable_thinking=False 时有害服从率仅 2.5%。作者定位其为安全研究产物而非安全对齐模型，数字为单模型案例研究。
推荐理由：原文给出逐组件消融方法与消融前后的拒绝率、KL 散度对照数据，可据此判断这次去对齐实际改变了什么、损失了多少能力。
BoldingBuilds 发布 Meta Muse Spark Open（816B 总参数 / 42B 激活）的无审查 abliterated 版本，直接在 Unsloth UD-IQ1_S GGUF 上原位编辑，全程不做 BF16 反量化。拒绝率从原版 85.06% 降到 1.30%（StrongREJECT 留出集），ForbiddenQuestions 上从 60.00% 降到 0.00%，XSTest 过度拒绝保持 0%，MATH-30 为 25/30 对原版 26/30。方法为对 62 层中第 10-53 块做读写侧投影（λ=1.0，每块单独估计拒绝方向，共 61 个方向），编辑 309 个张量、256 个路由专家未动，λ=0 时输出与输入字节一致作为自检门槛。
推荐理由：原文给出拒绝率前后对照与逐块方向估计方法，读者可据此判断这个去对齐版本实际去掉了多少、代价多大。
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，以原生 FP8 权重提供，支持 1M token 上下文、视觉与工具调用。HarmBench-320 实测显示 CRACK 版在 effort=off 和 max 下均 100% 通过，而基座模型分别为 42.81% 和 1.56%；MMLU-14k 整体下降 4.22 pp，剔除伦理类科目后约 -1.1 pp。模型卡还给出 SGLang 部署配置、KV 内存占用估算（890 B/token）、4×H200 上的吞吐数据（单流 101 tok/s，DSpark 后 113 tok/s）及多项启动注意事项。
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》
distributedcognition 在 Hugging Face 发布 jialinyyzz/humanizer（gemma-4 12B 微调的 AI 文风改写模型）的 abliterated 变体，用投影式 writer 级消融在 32 层移除拒绝方向，alpha 0.8。实测基座模型在 104 个有害改写提示上拒绝率仅 2/104，消融后拒绝率不变，MMLU-2280 仅降 0.04pp，GSM8K 持平；refusal_directions.pt 支持任意强度秒级重新消融，附 GGUF 量化可在 llama.cpp、Ollama 等运行，Apache 2.0。
推荐理由：原文给出完整的消融方法、拒绝率与 MMLU 前后对比，并诚实指出基座模型本就几乎不拒绝，读者可据此判断去对齐的实际意义。
distributedcognition 在 Hugging Face 发布 thinkingmachines/Inkling（975B 总参数/41B 激活，多模态 MoE）的 abliterated 版本，用 norm-preserving biprojected 消融在权重层面移除拒绝方向，提供 main（scale 2.5）和 scale-3.0 两个分支。
推荐理由：原文给出完整的消融方法、拒绝率与 KL 前后对比数据，读者可以据此判断这个 975B 模型去对齐后付出的能力代价。
AtomicChat 将 NVIDIA Nemotron 3.5 Bolt 74B-A9B 的拒绝行为从权重中投影移除，发布 Atomic Dynamic GGUF 量化版本。在留出的 JailbreakBench 提示上拒绝率从 97.5% 降到 0%，俄语红队提示从 70% 降到 0%，开启思考时 30 条全部不再拒绝；MMLU 从 81.35% 到 81.75%（McNemar p=0.29），工具调用和 30k 长上下文检索不受影响。
推荐理由：原文给出拒绝率前后对比、MMLU 差异和 KLD 数据，读者可据此判断这次去拒绝编辑的代价与效果。
OS-Software 基于 LiquidAI/LFM2.5-24B-A2B 发布去对齐版本，用自研 Heretic fork 只改动 layers 18、22、26 的 self_attn.out_proj 权重并烘焙进 BF16。实测 100 条日语有害提示词的拒绝率从原版 94-99/100 降到 0-1/100，QAD Q4_0 的 MMLU 为 55.35%（较原版 -0.62），并提供 Q4_0 到 Q8_0 多档 GGUF；模型仍会先思考再回答，输出偏长，建议 8k 以上输出预算，仅供研究实验用途。
推荐理由：作者给出了各量化档位的拒绝率前后对比和 KL 散度、MMLU 数据，可以据此评估这个去对齐版本改动幅度与能力损失。
OS-Software 在 Hugging Face 发布 LiquidAI/LFM2.5-24B-A2B 的去对齐 GGUF 版本，使用 Heretic 的自定义 fork，仅改动第 18、22、26 层的 attention output projections。实测 100 条日语有害提示词的拒绝率从原版 94-99/100 降至 0-1/100，QAD Q4_0 的 MMLU 为 55.35%（原版 55.97%）。提供 Q4_0 到 Q8_0 多个量化档位，模型仍会先思考再回答，作者建议输出预算设 8k token 以上，仅供研究实验使用。
同一新闻，精选展示《OS-Software 发布 LFM2.5-24B-A2B-Uncensored-Heretic 去对齐版本》
candor-lab 用自研权重编辑工具 Candor 移除 Qwen3.5-9B 的拒绝行为，以 rank-1 编辑每层 attention 与 MLP 输出矩阵，发布单个 Q4_K_M GGUF 文件（5.78 GB）。实测 288 条 StrongREJECT 有害提示拒绝数从 279 降到 0，无害提示拒绝 5 降到 2，GSM8K 正确数与原模型差异在噪声内；与 heretic 最佳试验相比，有害提示中位思考 token 为 996 对 1648，数学超预算次数也更少。基于 Qwen/Qwen3.5-9B 原始 16 位权重，不含视觉编码器，Apache 2.0 协议，仅用 llama.cpp b11524 在思考开启下实测，LM Studio 和 Ollama 等未验证。
推荐理由：原文给出与原模型和 heretic 对照的拒绝率、KL 散度和 GSM8K 数据，可据此判断这次权重编辑的代价与效果。
AtomicChat 发布 Liquid LFM2.5-24B-A2B 的去对齐版本，仅编辑 blocks 14-39 的 52 个矩阵，英文拒绝率从 96.3% 降至 1.2%，俄语从 62% 降至 0%，思考模式下从 30/30 降至 0。MMLU 从 64.40% 到 65.55% 基本不变，提供 6 个 GGUF 量化版本和一个 24 MB LoRA 适配器（可用 --lora-scaled 加载，推荐 scale 1.75），方法基于 Arditi et al. 2024 的单方向拒绝机制研究。
HauhauCS 在 Hugging Face 发布 Qwen3.8-27B 的无对齐 Aggressive 变体 GGUF 量化，实测 0/465 次拒绝，直接作答且几乎无前导语。全系列保留原生 NextN 头并附带 FastMTP 32K 加速 sidecar，在 Q8_K_P 上文档 TG 最高达非 MTP 的 3.02x、推理 TG 1.93x，比标准内嵌 MTP 再快 35.2%/21.1%；提供 Q8_K_P 到 IQ2_M 多档量化与 BF16 视觉 projector，基于 Apache 2.0 许可，需 llama.cpp 补丁启用 FastMTP。
BoldingBuilds 在 Hugging Face 发布 NVIDIA Nemotron-3.5-Bolt-74B-A9B 的无对齐版本，直接在 24GB 2-bit GGUF 上做权重空间消融，未经过 BF16 重量化，保留了 NVIDIA 量化感知蒸馏产出的约 17GB IQ2_XXS 专家权重。编辑共改动 100 个张量，采用 Arditi et al. 2024 的均值差方向法，λ=0 时输出与原文件逐字节一致作为自检门槛。
推荐理由：原文给出完整的消融方法、拒绝率与能力对照数据，读者可以据此评估这个去对齐版本的实际效果与局限。
HauhauCS 基于 Qwen3.5-2B 发布无审查变体 Aggressive 版，约 0/465 次拒绝，号称零能力损失且不改动数据集。模型为 2B dense 参数、24 层混合架构（Gated DeltaNet 线性注意力 + 全 softmax 注意力 3:1），原生多模态，262K 上下文（YaRN 可扩展至 1M），提供 BF16 至 Q4_K_M 共 4 种 GGUF 量化，支持 llama.cpp、LM Studio 等运行时。
AtomicChat 发布 Ternary-Bonsai-2-2B-gguf 的 rank-1 投影 LoRA，通过移除 attn_output、ssm_out、ffn_down 中的拒绝方向实现去对齐，基础权重不变，以适配器形式发布。拒绝率从 87.5% 降到 0.0%，无害提示误拒为 0.0%，MMLU（n=300）从 31.7 变为 34.3；推荐 scale 1.0（1.5 开始退化），残差泄漏约 1e-4，作者标注为研究级产物，完整逐条日志在 -metrics 仓库。
推荐理由：原文给出拒绝率与 MMLU 前后对比数据，并说明残差泄漏等局限，读者可据此判断该去对齐适配器的实际代价。
AtomicChat 发布 rank-1 投影 LoRA，通过移除 Ternary-Bonsai-2-4B-gguf 残留写入路径（attn_output、ssm_out、ffn_down）中的拒绝方向实现去对齐，基础权重不变，以适配器形式发布。实测显示有害拒绝率从 99.0% 降到 0.0%，无害提示误拒率从 1.0% 降到 0.0%，MMLU（n=300）从 68.7 到 69.0；推荐 scale 1.0（1.5 开始退化），残留泄漏约 1e-4，作者标注为研究级产物，完整逐条日志在 -metrics 仓库。
notfakerv 在 Hugging Face 发布 abliterated 版 LFM2.5-24B-A2B 的 GGUF 量化文件，含 Q4_K_M（14.53 GB）、Q8_0（25.49 GB）和实验性 NVFP4（14.02 GB）三种，均来自同一 BF16 编辑后 checkpoint，未做额外训练。该版本采用 AtomicChat 公开的 late-block 方向性编辑（blocks 14-39，强度 1.75），16 条拒答提示词上关键词拒答从 16 降至 1，但 IFEval 32 例中从 27 降至 25。沿用原 LFM Open License v1.0，含 1000 万美元年营收商业限制。
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 DeepSeek-V4.1-Flash-UNCENSORED-FP8，以原生 FP8 权重提供 drop-in checkpoint，无自定义 model.py、无运行时 hook、无 steering vectors。
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》
xtools-at 基于 Qwen3.5-2B-MultiDistill-Megamix-6xMerge，用 Heretic v2.0.0.dev0 制作出去审查（decensored）版本并开源在 Hugging Face。该模型为 2B 参数的六模型线性加权合并，拒绝率从原版的 96/100 降至 1/100，KL 散度为 0.0295，支持推理、数学、编程与图文交互，并提供复现说明。
xtools-at 在 Hugging Face 发布 Qwen3.5-4B-MultiDistill-Megamix-8xMerge 的去对齐版本，使用 Heretic v2.0.0.dev0 制作并提供复现说明。该模型本身是三个 Qwen3.5-4B 检查点的线性加权合并，权重分别为 1.0、0.8、0.6，涉及推理蒸馏、Claude 衍生数据与 Heretic 变体。去对齐后拒绝率从原模型的 95/100 降至 3/100，KL 散度为 0.0883；作者未提供合并后模型的基准成绩，建议部署前与基座及三个源检查点对比评测。许可证为 Apache-2.0。
推荐理由：原文给出 Heretic 消融参数与拒绝率前后对比，从 95/100 降到 3/100，可复现方法也写清了。
DOLGX 基于 abliteration 技术发布了 Qwen/QwQ-32B-Preview 的去审查版本 QwQ-32B-Preview-abliterated，可在不使用 TransformerLens 的情况下去除模型拒答行为。该实现为概念验证性质，用户可通过 Ollama 直接运行 huihui_ai/qwq-abliterated 使用。
Hugging Face 上发布 Qwen3.5-9B-Abliterated-V2，提供 BF16 与 GGUF Q8_0 格式，abliterated 处理后零拒绝且保留深度推理，可在 RTX 5080（16 GB）上运行。GSM8K 对比测试显示，其与原版 Qwen3.5-9B 均达 90.0% 精度，而 Xiaomi MiMo-V2.6-Distill 以 150-400 tokens 的精简推理快 7.4 倍；原版此前失利源于输出被截断在 1,024 tokens，给予 16,384 tokens 后即全部解对。
Pragmatism0220 在 Hugging Face 发布单文件 GGUF 控制向量，提取 huihui-ai 对 Qwen3.8-Flash-Next 去对齐版本所移除的拒绝方向，可在基础模型任意 GGUF 量化上运行时加载并自行调节强度。该文件 483,520 B，含 47 层 F32 方向张量；实测显示 huihui 的发布只编辑 96 个写入残差流的矩阵，v2 以约 1.78 倍 v1 的强度使用同一方向，与 v2 量化权重的方向偏差 3.3×10⁻⁶ 低于测量噪声底。支持 llama.cpp 的 --control-vector 加载，-1.0 近似 v1、-1.78 近似 v2；仓库未包含拒绝率等行为评测。
推荐理由：把 huihui-ai 去对齐版本实际改动的拒绝方向抽成独立控制向量，附权重空间实测数据，可在任意 GGUF 量化上运行时调节强度。
OS-Software 用 Heretic 消融方法的自定义 fork 制作了 llm-jp/llm-jp-4.1-32b-a3b-thinking 的去对齐版本，并以 GGUF 格式发布。在 Q4_K_M 量化权重上实测，100 个日语有害提示词的拒绝率从原版的 100/100 降到 0/100，首 token KL 散度为 0.0205；MMLU 为 68.89%（原版 69.00%），HumanEval pass@1 为 89.63%（原版 90.85%）。作者提示该模型安全对齐被大幅削弱，仅建议用于研究与实验，输出应视为不可信并自行验证。
推荐理由：作者给出了消融参数、拒绝率从 100/100 降到 0/100 以及 MMLU 和 HumanEval 的前后对比，可据此评估去对齐的代价。
alexwkleung 用 Heretic 对 LiquidAI/LFM2.5-24B-A2B 做方向性消融，改动 926 个权重张量以降低拒绝行为，并转成 GGUF 量化发布。在 44 题独立有害集上，开启思考模式下 stock 版 44/44 拒绝，去对齐版约 34 顺从、9 偏转、1 干净拒绝；GSM8K 配对测试 n=100 两者均 98/100，KL 0.169。作者还发布 5 个量化文件与自算 imatrix，并提醒 LFM Open License 对年收入超 1000 万美元实体限制商用。
推荐理由：作者用独立 44 题有害集和 GSM8K 配对实测验证去对齐效果与推理无损，还给出拒绝率与 KL 的多档取舍点。
Hugging Face 用户发布 openbmb/MiniCPM-V-4.7-35B-A3B abliterated 版本的 EXL3 3.5bpw 量化权重，视觉塔与 merger 保留原始 bf16。该 abliterated 版本在 100 条有害提示上拒绝率从 100/100 降至 5/100，KL 散度 0.101。vLLM nightly 0.32.0rc1 配合 DSpark 推测解码，代码约 86 tok/s、数学约 102 tok/s，无 DSpark 为 25.5 tok/s。
OS-Software 用 Heretic Abliteration 的自定义 fork 对 llm-jp/llm-jp-4.1-32b-a3b-thinking 做去对齐处理并放出权重。在 Q4_K_M 量化下，100条日语有害提示词的拒绝数从100/100降到0/100，首token KL散度0.0205；MMLU 68.89%（原版69.00%），HumanEval pass@1 89.63%（原版90.85%）。作者提示该模型安全对齐被大幅削弱，仅建议用于安全研究、对齐研究和红队测试等实验用途，输出应视为不可信并自行验证。
同一新闻，精选展示《OS-Software 发布 llm-jp-4.1-32b-a3b-thinking 的去对齐 GGUF 版本》
TokForge 发布 Prism ML 三值模型 Bonsai 2 27B 的 abliterated v2 GGUF 副本，基于 Qwen3.8-27B，采用 PQ2_0 2-bit 打包（每权重 2.13 bits）并带 MTP 头，文件 7,657,489,696 字节，TokForge 未做任何修改。该版本移除了拒绝回答行为，需 TokForge 1.3.9 及以上版本和 16 GB 以上 RAM 手机运行；MTP 头仅在 CPU 路径且实测有收益时启用。
dealignai 以 CRACK 方法在权重层面移除 GLM-5.3 (753B) 的拒绝行为，发布 NVFP4 量化版，主打进攻性安全场景。HarmBench 实测 high/max 推理档 156 条提示 0 拒绝，off 档拒绝率 7.3%；MMLU 84.11%，较 base 下降 1.47pp。无 SFT/DPO/LoRA，可用原版 vLLM 加载，NVFP4 在 GB10 上 KV 池达 35 GiB/rank，TP8 下实用 512K 上下文。
IsValorum 发布 huihui-ai/Huihui-Qwen3.8-27B-Coder390-EfficientThink-abliterated 的 VAL-APEX-I NanoPlus V3 GGUF 量化版，文件 12.18 GB、whole-file BPW 3.57、含 866 个审计张量，原生 256K 上下文。该模型基于 Coder390 微调（多模型 SFT 加 RLOO），采用 EfficientThink 对齐，并经 Huihui-AI 在第 2 至 52 层完成 abliterated 去审查。
Xananthium 在 Hugging Face 发布 REDCELL-26B-A4B-OSINT-Cyber-Abliterated-Pilot-W6A8-Vision，对 terrorswift 的 REDCELL（Gemma 4 26B-A4B 微调）做 abliterated 权重编辑并导出 W6A8 量化。16 条保留集拒绝标记从 16/16 降到 4/16，能力探针保持 19/20，工具调用、工具失败后改道和简单图像识别均通过；使用 Heretic 的保幅值正交消融加 rank-3 修正，编辑覆盖 30 个注意力输出投影、30 个稠密 MLP down 投影和 3,840 个专家 down 投影，路由器和视觉模块保持 BF16。
推荐理由：作者给出了消融前后的拒绝率对照、能力探针和 KL 数值，还标注了未测项，读者可自行核对这个 W6A8 版本的实际取舍。
xtools-at 在 Hugging Face 发布 Qwen3.5-4B-MultiDistill-3xMerge 的去对齐版本，使用 Heretic v2.0.0.dev0 的 ARA 方法消融。实测拒绝率从原版 98/100 降至 3/100，KL 散度 0.0200，消融参数与复现步骤已在 reproduce 目录公开。该模型本身是三个推理蒸馏微调（Claude Opus 4.6 风格蒸馏、Empero Qwen3.8 教师蒸馏、DeepSeek-V4-Pro 数学 STEM 蒸馏）的线性加权合并，合并版尚无独立基准成绩。
推荐理由：模型卡给出 ARA 消融参数与拒绝率前后对比，100 题中从 98 次拒答降到 3 次，可复现步骤也一并公开。
dealignai 团队发布 DeepSeek-V4.1-Flash 的 abliterated 无对齐版本（基于 deepseek-ai/DeepSeek-V4.1-Flash，552B 底座、原生 FP8、1M token 上下文），以权重级手术式修改移除拒绝回路，无需自定义 model.py 或运行时钩子，可像 base 模型直接加载。HarmBench-320 上 CRACK 版在 effort=off 和 max 下均 100% 应答、零 HARD_REF/SOFT_RED/HEDGE，而 base 在 effort=max 反而更易拒绝（仅 1.56% 应答）；MMLU-14k 整体下降 4.22pp（86.96%→82.74%），剔除伦理类后仅 -1.1pp。
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》
HauhauCS 基于 google/gemma-4-e4b-it 发布的 Aggressive 版去审查模型已在 Hugging Face 提供 GGUF 下载，测试中 0/465 次拒绝。模型为 4B 参数、42 层、131K 上下文、原生多模态（文本、图像、视频、音频），全部量化使用 imatrix 生成；K_P 量化比基础量化文件大 5-15%，质量提升约 1-2 个量化级别，兼容 llama.cpp、LM Studio 等 GGUF 运行时，视觉/音频需搭配 mmproj 文件。