新闻、仓库与研究，按时间排列。
maternion 在 Hugging Face 发布基于 openbmb/MiniCPM-V-4.7-1B 的去对齐 GGUF 量化版，用 heretic 的方向消融流程从权重中移除拒绝方向。404 次试验后拒绝率为 21/100，KL 散度 0.0122，作者称数值上接近基座模型、保留推理、工具调用与视觉能力。提供 Q4_K_M 到 F16 共 4 档量化（641 MB 至 1.9 GB）及视觉投影 mmproj-F16.gguf，可在 llama.cpp、Ollama、LM Studio 等 GGUF 兼容运行时运行，Ollama 注册表同步发布。
推荐理由：原文给出了拒绝率 21/100 和 KL 散度 0.0122 的实测数据，可据此判断该去对齐版本的去拒答程度与能力保留情况。
AkaumiKaede 发布基于 Qwen/Qwen3.5-2B 的去对齐版本 Qwen3.5-2B-Uncensored-Abliterix-SOM，使用 Abliterix v1.12.2 的 SOM 方法制作。实测 408 条提示词拒绝数为 0/408，原模型为 394/408，KL 散度 0.2096。作者称未用公开提示词集，而是自建覆盖 R18、反人类、真实犯罪等领域的原创提示词集，并分享方法：先跑 120 批完整试验，选出 3 个最优方案作为 TOML 预注入消融参数，让 TPE 优化器在前 3 轮按设定参数消融后再寻找更优参数，多轮重复得到最佳去对齐效果。
推荐理由：作者给出 SOM 方法的消融参数、0/408 拒绝率与 KL 散度对照数据，并公开 TOML 配置和提示词集供复现。
Avicennasis 发布了 MiniCPM-V-4.7-35B-A3B 的拒绝消融版 MLX 4-bit 量化，基于 openbmb 的 Apache-2.0 基座，约 23 GB、5 个分片，是首个 abliterated MiniCPM-V-4.7 的 MLX 版本。仅改动语言模型，视觉部分保留 bf16；自测红队中双用途拒绝从 8/18 降至 0/18、敏感类从 15/16 降至 0/16，工具调用 248/280 基本无损，与基座的 KL 散度为 0.101，无统计显著回归。峰值显存约 24 GiB，32 GB 以上 Apple Silicon 可跑。
推荐理由：作者用统一红队协议给出消融前后的拒绝率和能力回归数据，本地用户可据此判断这个 MLX 4-bit 版本的可信度。
AtomicChat 将 inclusionAI 的 Ling 3.1 flash 中的拒绝行为从权重中投影移除，烘焙成 GGUF 版本发布在 Hugging Face。验证集上英文拒绝率从 98.1% 降到 2.9%，俄语从 68% 降到 0%，无害提示几乎不受影响；方法是对写入残差流的全部 213 个矩阵施加 W' = W - 1.25·r·rᵀW 的方向编辑，遵循 Arditi et al. 2024 的单方向拒绝机制研究，采用 MIT 许可。
推荐理由：原文给出了拒绝方向消融的具体方法和英俄语拒绝率前后对比，并附随机方向对照，可自行判断改动效果。
xtools-at 发布 Qwen3.5-4B-Claude-3xMerge-Jackrong 的去对齐版本，使用 Heretic v2.0.0.dev0 消融并公开复现步骤。拒绝率从原版的 98/100 降至 4/100，KL 散度 0.0776，消融作用于第 13 至 21 层。原合并模型以线性加权平均融合 Jackrong 的三个 Qwen3.5-4B 微调，权重分别为 1.0、0.8 和 0.6，侧重推理、编程与 Agent 工作流，Apache-2.0 许可。
推荐理由：模型卡给出了 Heretic 消融参数和去对齐前后的拒绝率对比，拒绝数从 98/100 降到 4/100，结果可复现。
Muyuxiao 在 trohrbaugh/Qwen3.8-27B-heretic-ara 基础上追加两次全权重 ARA 消融，发布 RVN 版 Qwen3.8-27B 的 GGUF 权重。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 模板；模型保留 262K 上下文与 Apache-2.0 许可，面向 18+ 研究、创作与角色扮演用途，并给出从 8 GB 到 64 GB 显存的量化选型建议。
Jakevin 基于 LiquidAI/LFM2.5-24B-A2B 发布去审查的 MLX 三值量化模型，用逐层双投影方向移除拒绝行为，体积约 10.3 GB，评估时峰值内存约 13.6 GB。实验显示质量下降明显：10 个有害提示全部拒绝行为被移除（0/10 拒绝），但多数一般问题在 8K token 内无法完成且出现事实幻觉，不建议一般用途使用。模型遵循 LFM Open License v1.0，标准 mlx-lm（0.32.0 测试）可直接加载。
Jakevin 在 Hugging Face 发布基于 LiquidAI/LFM2.5-24B-A2B 的 abliterated 去审查模型，对第 14–39 层移除拒绝方向，并做 MLX 4-bit 仿射量化，磁盘占用约 13 GB，Apple Silicon 本地加载峰值内存约 13.6 GB，采用 LFM Open License v1.0。10 条有害提示配对测试中，官方 LiquidAI MLX 4-bit 版 10/10 拒答，该模型 0/10 拒答、7/10 服从。仓库还提供同一去审查权重的 ternary 量化版本，但存在质量下降，一般使用建议选此 4-bit 版。
candor-lab 在 Hugging Face 发布 Llama 3.2 3B Instruct 的去对齐版本，通过 Candor 权重编辑工具对注意力和 MLP 输出矩阵做 rank-1 修改，移除模型拒绝指令的方向。实测显示该文件对 288 个有害提示词只拒绝 6 个，而普通 Q4_K_M 量化版拒绝 161 个；团队指出该权重此前经过 4-bit 量化，再次量化会损失 30-45% 的编辑效果，因此将 49 个被编辑矩阵保留在 Q8_0。测量基于 StrongREJECT、Alpaca 提示词与 GSM8K，在 llama.cpp llama-server 中以实际发布文件进行，结果与 heretic 的最佳试验无统计显著差异。
推荐理由：发布方实测了量化后文件的拒绝率与 KL 散度，指出先量化后去对齐会让编辑效果损失三到四成。
swdq 在 Hugging Face 发布 openbmb/MiniCPM-V-4.7-35B-A3B 的 abliterated 去对齐版本，用 abliterix（含 MoE expert down_proj 的 LoRA steering）合并为 bf16 权重，未量化。在 100 条有害评测提示上拒绝率从基座的 100/100 降到 5/100，无害提示 KL 散度为 0.101；仅改动语言模型，视觉塔未动且未测试图像输入，拒绝计数基于关键词检测而非 LLM 评审。
推荐理由：作者给出了基于关键词检测的拒绝率前后对比和 KL 散度数据，可据此判断这个去对齐版本实际削弱了多少安全对齐。
dealignai 团队发布 DeepSeek-V4.1-Flash-UNCENSORED-FP8，在 552B 基座上做权重级 abliterated 去对齐，专家、稀疏注意力、视觉塔等组件保持逐字节不变，原生 FP8 量化、1M token 上下文。HarmBench-320 上 CRACK 版在 effort=off 和 max 下均 100% 应答且无 HARD_REF/SOFT_RED/HEDGE，MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp；单流解码 101 tok/s，无推测时 4×H200 可承载约 510GB 权重，正文附 SGLang dsv4.1 分支的完整部署命令与 ep-size、ninja、reasoning parser 等启动坑位说明。
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》
dealignai 发布 GLM-5.3-FP8 的权重级去对齐版本 GLM-5.3-UNCENSORED-FP8，直接修改 bf16 residual-writer 张量，不使用微调、LoRA 或运行时钩子，可在原版 vLLM 上以原生 FP8 速度运行。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 降到 0，非版权 240 行为的 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。
Hanselor 发布 Qwen3.8-Flash-Next 的 abliterated Strata GGUF 套件，打包 ISTA-DASLab 的 Q2_0、IQ2_XS、IQ3_XXS、IQ3_S 四种 GSQ-RCO 量化权重，并新增一个 480 KB 的拒绝方向文件，由 Strata 在运行时投影去除拒绝行为，权重本身保持原样。单张 RTX 3090 实测显示该向量开启后 10 条提示拒绝从 9-10 降到 0，IQ3_S 的 KL 到 BF16 为 0.0738，IQ2_XS 在 131K 提示下解码约 80 tokens/s；agent 编码任务 5/5 通过。作者提醒移除拒绝会移除安全行为，输出由使用者自行负责。
推荐理由：作者给出了拒绝率、KL 与解码速度的实测数据，可以据此判断运行时去拒绝方向对量化模型的实际改动有多大。
AtomicChat 基于 Liquid AI 的 LFM2.5-24B-A2B 发布去除拒绝行为的去对齐版本，英文拒绝率从 96.3% 降至 1.2%，俄语从 62% 降至 0%。方法为沿单一方向编辑 blocks 14-39 的 52 个矩阵，MMLU 基本不变（64.40%→65.55%），提供 6 个 GGUF 量化版和一个 24 MB LoRA 适配器，可对现有量化权重用 --lora-scaled 加载。
推荐理由：原文给出完整的拒绝率前后对比、MMLU 变化和编辑方法细节，读者可以据此判断这个去对齐版本去掉多少、损伤多少。
cc1244578151 在 Hugging Face 发布 UkisAI Swift-1.5-Qwen3.8-Flash-Next（Qwen3.8-Flash-Next 的推理高效量化衍生版）的 abliterated 版本，通过对已量化 GGUF 做 GGUF 字节级张量移植，替换写回残差流的 144 个张量（约 41.1B 参数，占 125B 主模型的 33%），移除拒绝方向，donor 权重来自 orcarouter 的去对齐版本。发布 IQ3_S / IQ3_XXS / IQ2_XS / Q2_0 四档量化，每档与上游差距不超过 0.2%，并给出逐张量 blake2b 校验（144 变更 / 1080 不变 / 0 例外）。
推荐理由：原文给出了逐张量 blake2b 校验、BF16 对比和推理效率前后数据，读者可以据此判断这种字节级移植的去对齐质量。
jongstra 在 Hugging Face 发布 Qwen3.8-27B-Abliterated-MLX 的 6bit FP16 社区转换版，面向 Apple Silicon 上 oMLX 的 FP16 prefill 路径，并从 metajazz 仓库移植了 29 个 tensor 的 MTP draft head。在 Mac Studio M2 Ultra 上实测，开启 MTP 后代码解码从 26.4 tok/s 升至 31.6 tok/s（+20%），推理任务 +25%，draft 接受率约 92%。该模型经 abliterated 处理以抑制拒答，采用 Apache 2.0 许可。
thelogicalgate 发布 NVIDIA Nemotron 3.5 Lightning 30B-A3B 的去对齐 MLX 4-bit 版本，保留原量化格式与 MTP sidecar，权重约 17.25 GiB。去对齐采用残差方向投影，从 8 个拒答提示与 8 个良性提示估计对比方向，移除第 20 层方向于 76 个残差写入矩阵；验证显示全部张量校验通过，16 条良性提示未检出拒答前缀，256-token 语言控制 NLL 上升 1.01%，拒答前缀概率比约 0.555 与 0.603。作者指出这是真实权重修改而非系统提示替代，模型仍可能拒答部分请求，且未生成完整有害回答评测。
推荐理由：模型卡给出消融方向、编辑层与拒绝概率比等验证数据，可据此评估这一去对齐版本的实际改动幅度。
Xx-Vexento-xX 基于 Heretic v2.0.0.dev0 发布了 meta-llama/Llama-3.2-3B-Instruct 的去对齐（decensored）版本。实测 100 条样本中拒绝数从原模型的 96 降到 9，KL 散度为 0.0430，并公开全部消融参数与复现说明。
推荐理由：模型卡给出了消融参数、KL 散度和 100 题拒绝率的与原模型对照数据，且声明可复现并附复现说明。
AtomicChat 将 OpenBMB MiniCPM-V 4.7 35B-A3B 的一个拒绝方向从原权重中投影消除，提供三种内置 GGUF 量化版本和一个 106 MB LoRA 适配器。在 held-out 提示上，英文拒绝率从 96.3% 降至 0%，俄语从 70% 降至 0%，MMLU 仅变化 0.25 分；20.1 GB 版本与原模型 top-1 一致率 94.5%。方法基于 Arditi et al. 2024 的单方向拒绝机制研究。
推荐理由：发布附上完整的消融方法与held-out测试数据，拒绝率、MMLU、KLD等前后对比都可复核，适合想自己动手去对齐的人参考。
xdfhg 在 Hugging Face 发布基于 Qwen3.8-27B 的网络安全领域去拒绝模型 Qwen3.8-27B-Uncensored-Cyber，采用 recipe-v2 单向拒绝消融加 β=1.0 范数保持投影，仅对第 4 层起更深层处理，保留视觉塔与 MTP 投机解码头。bf16 评测显示 100 个 held-out 网络攻击提示全部开放（上一版为 93/100），confab 从 1.0 降至 0.867，事实准确率 1.0 优于上一版 0.933，GSM8K 持平且零退化，并提供 -W4A16-AWQ、NVFP4 及 llama.cpp GGUF 量化版本。
推荐理由：原文给出 v2 配方与前后两版的拒绝率、事实准确率对照数据，可据此评估这版去拒绝在开放度与能力保留之间的取舍。
dealignai 发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活）的权重级消融版本，以原生 FP8 格式提供 1M token 上下文、视觉与工具调用，采用自研消融方法，不依赖 runtime hooks 或 steering vectors。HarmBench-320 上 CRACK 版在 effort=off 和 max 下拒绝率均为 100%（对比基线 42.81% 和 1.56%），且 HARD_REF/SOFT_RED/HEDGE 均为零；MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp，在 3 pp 知识保留目标内。
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 发布 Qwen3.5-9B 去审查激进版模型，在 465 个拒答测试中约 0 次拒答，宣称零能力损失、不改动数据集，但可能在回复末尾附带简短免责声明。模型为 9B dense 参数、262K 原生上下文（YaRN 可扩展至 1M）、原生多模态，提供 BF16（17 GB）至 Q4_K_M（5.3 GB）多档 GGUF，支持 llama.cpp、LM Studio 等运行时。
huihui-ai 基于 deepseek-ai/DeepSeek-V4-Flash-0731 用 abliteration 技术制作了无审查 GGUF 版本，支持 llama.cpp 和 ds4，提供 Q2、Q4 等量化及 262144 上下文示例命令。Q4 采用了比 Q2 更强的 abliteration 强度，拒绝率更低；专家模块未被消融。模型适合研究测试用途，安全过滤大幅削弱，不建议直接用于生产环境。
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、保留视觉与工具能力，以标准 checkpoint 形式直接加载。HarmBench-320 上 CRACK 版在 effort=off 和 max 下 ASR 均为 100.00%，而基座分别为 42.81% 和 1.56%；MMLU-14k 全集精度从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类题目后约 -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》
MorinoNushi 发布 GLM-5.3-Flash（320B 总参/18B 激活 MoE，MIT 协议）的去对齐 LoRA 适配器 V3，用 heretic-gguf 对量化 GGUF 权重做 Optuna 优化的方向性消融。有害提示拒绝率从 V2 的 35/140 降至 14/140（10.00%），KL 0.2380 也低于 V2 的 0.3030；适配器约 86 MB，无需改动或重新量化约 160 GB 基座权重，可直接在主线 llama.cpp 上以 --lora 方式加载，不再需要 fork 或补丁。
推荐理由：原文给出消融方法、拒绝率与 KL 前后对比数据，读者可以据此判断 V3 相对 V2 实际去掉了多少拒绝行为。
DavidAU 团队基于 Qwen/Qwen3.8-27B 发布多阶段微调去对齐版本，用 Heretic v1.2.0 ARA 方法消融后拒绝率从 99/100 降至 0/100，并经两阶段调优。模型自称在 8bit 达 ARC-C 735、ARC-E 882，较原版 Qwen3.8 27B 高 144 分，思考 token 减至原来的 1/2 到 1/10；仓库提供含 NEO imatrix 的常规与 MTP 两种 GGUF 量化（MTP 在 5090 上 Q4_K_S 约 90 t/s），需另行下载 mmproj 文件启用视觉，建议 q4km 以上量化以保障工具调用。
推荐理由：作者给出 Heretic 消融前后 KL 散度与拒绝率对比和各量化档基准分，可以判断这个去对齐版本的具体改动幅度。
DavidAU 系发布基于 Qwen3.8 27B 的 ULTRA HERETIC 无审查版本，主打更强去对齐。原版 Qwen3.8 拒绝率为 86/100，709-L 版为 68/100（KL divergence 0.0025），ULTRA HERETIC 版降至 6/100（KL divergence 0.0397）。该模型含 5 种 thinking 模式和 5 种 instruct 模式，可即时切换，thinking token 用量降至原版的 1/2 至 1/5（最低 1/20）；正文附 nightmedia 的 arc/c、arc/e、boolq 等 7 项基准对比数据，GGUF 版计划 2026 年 9 月 15-18 日左右发布，源权重随后放出。
推荐理由：原文给出 Heretic 去对齐前后的拒绝率对比与 KL divergence 数据，可据此判断这个去对齐版本实际去掉了多少安全对齐。
JonathanColetti 发布 Qwen3.8-27B 的去对齐 GGUF 量化版本，用 Heretic 移除拒绝方向并保留 MTP 头，100 条有害提示上的拒绝数从基线的 98 降至 12，MMLU 等 4 项基准平均降 0.5 分。提供 IQ2_M 到 Q8_0 共 6 档量化及 noMTP 变体，imatrix 与全套困惑度基线已公开，摘要说明拒绝行为是减少而非消除，接近原拒绝边界处稳定性较低，低比特量化会加剧该问题。
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》
dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone、8B/16B 每 token 激活）的权重级 abliterated 无对齐版本，以原生 FP8 权重提供，1M token 上下文，保留视觉、工具调用与推理能力，不带自定义 model.py 或运行时钩子。HarmBench-320 实测显示 base 模型在 effort=off 时拒绝率 42.81%、effort=max 时仅 1.56%，CRACK 版在两档下均 100% 顺从且无 HARD_REF/SOFT_RED/HEDGE；MMLU-14k 全集准确率从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类科目后约 -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》
AtomicChat 在 Hugging Face 发布 Qwen-Image-2.1-Turbo 的去对齐文本编码器 GGUF，将 Qwen3-VL-8B-Instruct 的拒绝方向投影移除，可作 stable-diffusion.cpp 的 --llm 使用。作为聊天模型，英文有害提示拒绝率从 88.9% 降到 1.2%，俄语从 38% 降到 0%，MMLU 保持 77.35% 不变。在 45 条敏感图像提示上与原版编码器无一翻转，提供 BF16 到 Q2_K 共 7 档量化，AD-Q4_K 画像偏移为普通 Q4_K_M 的一半。
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%》
作者发布 Swift 1.5 Qwen3.8-Flash-Next NVFP4 的去审查替换文件，将拒答方向以 1.5 倍强度从 151 个写入残差流的张量中投影掉，并提供每层专家从 512 个剪至 256 个的 pruned256 变体。逐文件给出 SHA-256 与验证报告，24,576 个专家重新量化后分量约 −0.498；实测在单卡 RTX PRO 6000（96 GB）上用 SGLang 可跑约每秒 1,000–1,200 生成 token，12 个中文政治敏感问题全部完整回答而原版大多拒答或给官方口径短答。未跑通用基准与 pruned256 变体；n-gram 嵌入分片约 102 GB 需从原仓库获取。
推荐理由：作者给出了逐层投影去除拒答方向的做法和完整验证数据，包括编辑前后分量、量化误差和12题政治敏感问题实测对比，可直接复现。
dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 底座、每 token 激活 8B/16B）的权重级 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 下拒绝率均为 100% 通过（base 分别为 42.81% 和 1.56%），MMLU-14k 整体准确率从 86.96% 降至 82.74%，剔除伦理类科目后约 -1.1 pp；模型卡还给出 SGLang 部署命令、KV 内存占用、4×H200 实测吞吐（单流 101-113 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》
dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 底座、1M 上下文、原生 FP8）的权重级 abliterated 版本，称移除拒绝回路同时保留 MoE、Engram 记忆、CSA2 稀疏注意力和视觉塔等组件为逐字节一致。HarmBench-320 实测显示 CRACK 版在 effort=off 与 max 下 ASR 均为 100%（基座分别为 42.81% 和 1.56%），MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp。模型卡还给出 SGLang（dsv4.1 分支）部署细节、4×H200 实测吞吐（单流 101-113 tok/s）与并发-上下文内存权衡，vLLM 支持截至发文尚未合并。
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》
dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash 的权重级消融版本，HarmBench-320 上攻击成功率从基座的 42.81%（effort=off）提升到 100%，且在两种 effort 档位下均无拒绝回退。MMLU-14k 整体下降 4.22pp（86.96%→82.74%），剔除伦理类学科后差距收窄至约 -1.1pp；模型为原生 FP8 权重、1M 上下文、552B 骨干（8B/16B 激活），卡面附 SGLang 部署路径与 4×H200 实测配置。
推荐理由：卡面给出 HarmBench 拒绝率与 MMLU 逐学科前后对比，读者可以自行衡量这次权重级消融在能力保留上的真实代价。
CCSSNE 在 Hugging Face 发布基于官方 QAT 权重的 HauhauCS 去对齐版 Gemma4-31B，实测 0/465 拒绝，数据集和能力不变。提供 Q4_K_M 主模型（18.7 GB）、mmproj 视觉文件（1.2 GB）和来自 Unsloth 的 MTP 投机解码头（280 MB），经 llama.cpp 测试生成速度约快 53% 且输出一致；支持 256K 上下文与图像输入，兼容 llama.cpp、LM Studio、Jan、koboldcpp 等 GGUF 运行时。
推荐理由：原文给出拒绝率实测结果和 llama.cpp 部署命令，还说明 QAT 4-bit 量化选型理由，可作为去对齐模型的参考样本。
CCSSNE 在 Hugging Face 发布基于 Google DeepMind Gemma4 26B-A4B 官方 QAT 权重的去对齐 GGUF 版本，作者实测 0/465 拒绝，数据集与能力不变。推荐 Balanced 变体面向 agentic coding、推理与创作场景；附带 Unsloth 的 MTP 投机解码头，经作者在 llama.cpp 中测试生成速度约快 35% 且输出不变，支持 256K 上下文与 mmproj 视觉输入。
推荐理由：作者给出了拒绝率实测结果和消融思路，还附 MTP 投机解码速度对比，读者可自行评估这个去对齐版本的实际可用性。
dealignai 团队基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 稠密骨干、8B/16B 激活）发布权重级消融的无对齐 FP8 检查点，采用专有 weight-level abliteration，无自定义 model.py、无运行时钩子。HarmBench-320 实测攻击成功率从 base 的 42.81%（effort=off）升至 100%，且各能力组件字节级保留；MMLU-14k 从 86.96% 降至 82.74%，剔除伦理类题目后损失约 -1.1 pp。卡片还给出 SGLang/vLLM 部署路径与踩坑说明，模型需 4×H200 及以上 NVLink 环境。
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》
Adolphsson 发布 DeepSeek-V4.1-Flash-UNCENSORED 的 GGUF 量化版本，基于 dealignai 对 deepseek-ai/DeepSeek-V4.1-Flash（552B MoE，1M 上下文）的权重级 abliteration 结果转换。提供 Q8_0（508 GB）、Q4_K_M（449 GB）、Q3_K_M（374 GB）三种量化及 BF16 视觉 projector，Q4/Q3 为从 Q8 两步 requant，敏感层用 Q5/Q6/Q8；模型推理电路已按 OrcaSAQ 风格做敏感度感知量化，完整 1M 上下文（KV 约 890 bytes/token）。
推荐理由：不只放出去对齐权重，还给出逐量化的拒绝率与 NIAH 实测和 CPU 部署配方，读者可据此评估质量损失。
作者 Matt Suiche 在 Hugging Face 发布针对 google/gemma-4-E4B-it 的 projective control vector（GLP），不改权重，在残差流 post-layer 位置运行时投影，覆盖层 5 和 10–41，alpha 1.0。验证显示 stock 模型 refusal32 拒绝 31/32，steered 后 32/32 合规且良性集输出不变、无 garbled 补全；作者强调同家族四个模型的 alpha 分布为 {0.25, 0.5, 1.0}，需按 checkpoint 重跑阶梯，不能移植 alpha。
推荐理由：原文给出完整推导方法、alpha 阶梯和拒绝率前后对照，还解释了为何 alpha 不能跨模型移植，方法细节足够读者复现。
Matt Suiche 发布针对 google/gemma-4-31B-it 的投影控制转向向量 GLP-54-L6-59，以 h <- h - alpha*(h·d)d 作用于第 6-59 层残差流，不修改权重。验证显示基座模型在 refusal32 上本就 32/32 全部配合，alpha=0.5 时无害集与拒绝集均保持 32/32 且零乱码，而 alpha=0.25 和 1.0 各出现 1-2 例拒绝，阶梯呈非单调。向量与具体 revision 绑定，仅适用于实现 projective 读取的本地运行时，作者警告不要把 alpha 0.5 移植到其他模型。
推荐理由：作者给出了alpha阶梯验证和逐条阅读补全结果，还发现基座本已全数配合、阶梯非单调，对理解去对齐方法的实际边界有参考价值。