新闻、仓库与研究，按时间排列。
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 在 Hugging Face 发布 LiquidAI/LFM2.5-24B-A2B 的去对齐 GGUF 量化版，用 Heretic ARA 去审查后拒绝率从 89/100 降到 0/100，BF16 权重上 KL 为 0.260。所有 attn_output 张量保持 Q8_0，去对齐修改集中在 blk.38.attn_output；IQ3_M 档可在 16 GB 显存单卡运行，模型回答前会先思考，需留较大输出预算。
推荐理由：作者给出了用 Heretic ARA 去对齐前后的拒绝率对比和 KL 数值，并说明各量化档的显存取舍。
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。
mradermacher 在 Hugging Face 上架 gemma-4-E4B-it-The-DECKARD-V2-Strong-HERETIC-UNCENSORED-Thinking 的 bf16 GGUF 量化模型，提供 Q4_K_S 等量化格式。该模型可通过 llama.cpp、Ollama、Docker Model Runner、LM Studio、Jan 等工具本地运行，支持启动 OpenAI 兼容服务器或在终端直接推理，也可接入 Pi、Hermes、OpenClaw 等 Agent 工具。
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。
yushen100 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 moss_xvstyle 生成图像。该模型支持 bf16 精度在 CUDA 上运行，并提供 Google Colab、Kaggle、Draw Things、DiffusionBee 等使用入口。
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。
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》
HauhauCS 发布 Qwen3.8-27B 的 Aggressive 去对齐 GGUF 量化版，实测 465 次测试中 0 次拒绝，保留文本、推理、Agent 及图像视频能力。附带 FastMTP 32K 加速 sidecar，在 Q8_K_P 下文档生成速度达非 MTP 的 3.02 倍、推理生成 1.93 倍，比内嵌 MTP 再快 35.2% 和 21.1%；数据基于 RTX PRO 6000 Blackwell 96 GB、204800 上下文测得。需 llama.cpp 打补丁运行，视觉输入需单独 BF16 projector，沿用 Apache 2.0 许可。
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。
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》
Hugging Face 用户 mradermacher 上传了 Ministral-3-3B-Reasoning-UNCENSORED-heretic 的 i1-GGUF 量化模型仓库。该模型参数规模为 1.49M，仓库页面暂缺 YAML 元数据，下载量数据尚未显示。
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。
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。
Hugging Face 上线 chfm/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。该模型同时支持 Google Colab、Kaggle 等笔记本环境以及 Draw Things、DiffusionBee 等本地应用。
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》
dealignai 在 Hugging Face 发布 Ornith-1.5-122B 的去对齐 NVFP4 量化版，基于 Qwen3.5 系混合 GatedDeltaNet + 全注意力 MoE 架构，122B 总参数 / 10B 激活，磁盘占用约 71 GB，MIT 许可。HarmBench-320 实测 96.6% 服从率，MMLU-5k 相比 NVFP4 base 下降 1.69pp，为三个去对齐量化版本中回归最小者；保留原生 MTP 头与视觉能力，支持 vLLM 推测解码，针对 NVIDIA Blackwell SM100（B200/GB200）优化，SM120 消费级卡上吞吐明显更慢。
推荐理由：原文给出 HarmBench 拒绝率与 MMLU 前后对比，读者可据此判断这个去对齐版本去掉了多少、损失了多少。
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，以标准 checkpoint 形式加载，无需自定义 model.py 或运行时钩子。HarmBench-320 实测 CRACK 版在 effort=off 和 max 下均 100% 响应、零 HARD_REF/SOFT_RED/HEDGE，而基座在 effort=max 时拒绝率反而升至 42.8%→1.6% 的 ASR 变化；MMLU-14k 全量从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类条目后约 -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》
DevelopingDad 在 Hugging Face 发布基于 NVIDIA Qwen3.8-Flash-Next-FP4-Local 的去对齐实验权重 trial117，将 trial 117 实验的拒绝方向干预直接烘焙进 checkpoint，无需运行时 adapter。在两台 DGX Spark 的 TP=2 对照测试中，烘焙版开发集拒绝 0/100、保留集 3/100，与 adapter 的 KL 差异约 0.037 nats；原定的零拒绝目标和 0.20 KL 上限未达成。需 B12X vLLM 运行时，TP=1 冒烟测试通过 5 项基础检查，长上下文、多模态与工具调用能力未经验证。
同一新闻，精选展示《DevelopingDad 发布 Qwen3.8-Flash-Next-FP4-Local-Abliterated 去对齐权重》
Perturbador 在 Hugging Face 发布基于 Llama 3.2 3B 的无审查微调模型 llama-3.2-3b-uncensored-chat，已转换为 GGUF 格式并用 Unsloth 训练，速度提升 2x。模型提供 Llama-3.2-3B.Q4_K_M.gguf 文件，附 Ollama Modelfile 便于部署，可通过 llama-cli 运行，BOS token 行为已为 GGUF 兼容性调整。
AtomicChat 在 Hugging Face 发布 Ornith 1.5 122B 的去拒绝 GGUF 量化版，通过在 48 个 block 中移除残差流上的拒绝方向实现。英文拒绝率从 93.8% 降至 1.2%，俄语从 43% 降至 0%，MMLU 从 83.65% 到 83.90% 基本不变；提供 AD-IQ4_XS_S（71.2 GB）等多种 Atomic Dynamic 量化，方法遵循 Arditi et al. 2024 的单方向拒绝机制研究。
推荐理由：原文给出拒绝率前后对比、MMLU 复测和 KL 数据，读者可据此判断这个去对齐版本的实际代价。
Hugging Face 上发布 Qwen-Image-2.1 Uncensored 量化模型，基于 Qwen/Qwen-Image-2.1 原始权重，提供 GGUF、Safetensors 和 MLX 格式，其中 Q4_K_M GGUF 为 4.60 GB 且被推荐为体积与质量的最佳平衡，MLX 格式针对 Apple Silicon 优化。该版本无内置安全检查或内容过滤，可直接生成成人、NSFW 及敏感图像，需配合 ComfyUI 与 ComfyUI-GGUF 使用，文本编码器 qwen3vl_8b_int8_convrot 可卸载到系统内存以节省 9–17 GB 显存。
HxT9 在 Hugging Face 上架 Qwen3.8-Flash-Next-Uncensored 的 GGUF 量化版本，采用 Q4_K_M 与 Ngram-Q8_0 格式。该模型暂无模型卡，也未由任何 Inference Provider 部署，用户可登录添加硬件兼容信息。
BattleGhost 发布 dealignai/MiMo-V2.6-Flash-RL-UNCENSORED 的实验性 GGUF 量化版本，默认 IQ2_XXS、47 个专家 FFN down 投影用 IQ2_S，4 分片共 91.70 GB，MIT 许可。WikiText-2 测试中相对 MXFP4 参考困惑度升至 6.539（高 37.4%），优于全 IQ2_XXS 版本的 6.886。该版本面向 llama.cpp 本地推理，不新增安全训练或内容审核。
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，采用原生 FP8 权重、支持 1M token 上下文、视觉与工具调用，无需自定义 model.py 或运行时钩子，可直接按 base 模型加载。
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》
jcartu 基于 deepseek-ai/DeepSeek-V4.1-Flash-1017 发布 abliterated 版本，用 grimjim 保范数双投影方法在 4-36 层反转拒绝方向，仅改写 attn.wo_b 与共享专家 FFN w2 两类张量，打包为 Local Inference Lab 的无损 FP4-CSF 格式。实测拒绝数从 17 降到 1，MMLU 保持 88.95% 不变，KL 散度仅比运行间噪声高约 0.011；CSF 版需通过 LiL vLLM 镜像以 --load-format mxfp4_csf 加载，权重 MIT 许可，访问需向 Local Inference Lab 社区申请。
推荐理由：原文给出完整的消融方法、拒绝率前后对照和 MMLU、KL 散度等质量数据，读者可据此评估这个去对齐版本的实际代价。
xtools-at 基于 unsloth/Ministral-3-3B-Reasoning-2512 发布去对齐版本，使用 Heretic v2.0.0.dev0 的 Arbitrary-Rank Ablation 方法，对第 9 至 20 层做消融。实测 100 次中拒绝次数从原版的 91 次降到 1 次，KL 散度为 0.0170。原模型为 Ministral 3 家族最小的 3.4B 语言模型加 0.4B 视觉编码器，支持 256k 上下文窗口，BF16 下可装入 16GB 显存，量化后低于 8GB，采用 Apache 2.0 许可证。
推荐理由：原文给出 Heretic 消融参数与拒绝率前后对比，读者可据此判断这个去对齐版本实际去掉了多少。
zjj1993 发布面向智谱 GLM-5.3-Flash 的去中国政治审查 LoRA（rank 32，107M 参数，仅作用于 attention 与 shared experts），采用自蒸馏 SFT 加 DPO 两阶段训练，可精确合并进 nvidia/GLM-5.3-Flash-NVFP4 的 BF16 权重。
推荐理由：原文给出训练方法与前后对照数据，敏感话题审查率从65%降到1%，能力测试差异也在文中列明，可据此自行判断。