新闻、仓库与研究，按时间排列。
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。
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。
huihui-ai 基于 Qwen/Qwen-AgentWorld-35B-A3B 通过 abliteration 技术制作了去审查版本 Huihui-Qwen-AgentWorld-35B-A3B-abliterated，无需 TransformerLens 即可移除模型拒绝行为。该模型安全过滤大幅削弱，可能生成敏感或不当内容，官方建议仅用于研究、测试或受控环境，避免直接投入生产或面向公众的商业应用。
sky3c 在 Hugging Face 发布基于 Qwen3.8-27B 的多阶段微调 GGUF 版本，用 Heretic v1.2.0 的 ARA 方法去审查，8 bit 拒绝率从 99/100 降到 0/100，KL 散度 0.0535。模型将思考 token 减至原版的 1/2 到 1/10，8 bit ARC-C 735、ARC-E 882，4 bit ARC-C 719，作者称在全部 7 项基准上超过原版 Qwen3.8-27B。提供常规与 MTP 两种 GGUF 量化，Q4_K_S 下常规版约 75 t/s、MTP 版可超 90 t/s（5090 实测），支持 256k 上下文与视觉（需另下 mmproj 文件），工具调用建议 Q4_K_M 以上量化。
同一新闻，精选展示《TopherAU 发布 Qwen3.8-27B TURBO 去审查 GGUF 微调版，ARC-C 达 735》
hrm-labs 在 Hugging Face 上发布 Meta-Llama-3.1-8B-Instruct 的 abliterated 去审查版本，提供 GGUF 格式。该模型基于 Llama 3.1 8B Instruct，通过 abliteration 技术制作，并使用了 Llama 3.1 70B Instruct 的 lorablated 处理，原始代码与技术来自 @FailSpy。
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。
moeshawky 发布 distributedcognition/humanizer-abliterated（11.96B 参数，Gemma4UnifiedForConditionalGeneration 架构）的 FP8-DYNAMIC 量化版，体积 13.02 GB，为 BF16 原版的 54.4%，仅对 328 个语言模型 linear 层做 E4M3 权重与动态激活量化，嵌入、lm_head 及视觉/音频模块保持 BF16。该版本经结构验证可运行，可在 vLLM、SGLang 或 Transformers 中直接加载，但未做 benchmark，无 perplexity 或吞吐数据。许可证为 apache-2.0，需遵守上游基础模型的附加条款。
xxris 在 Hugging Face 上发布 abliterated 版 DeepSeek-R1-Distill-Qwen-32B 模型。该模型可通过 Transformers、vLLM、SGLang、MLX LM 加载，支持 OpenAI 兼容 API，也可用 Docker Model Runner 运行。
varun-balani 在 Hugging Face 发布 Qwen2.5-32B-Instruct 的 abliterated 版本，用 Heretic 的 ARA 修饰器去除拒绝方向。mlabonne/harmful_behaviors 拒绝率从 98/100 降到 10/100，相对基座模型 KL 散度 0.22；该结果从 24 次试验的优化中选出，提供 bf16 全量权重及 Q4_K_M（约 20 GB）和 Q8_0（约 35 GB）GGUF 量化版本，Q4_K_M 可在约 36 GB 内存的本地环境用 Ollama、LM Studio 或 llama.cpp 运行。
推荐理由：原文给出拒绝率前后对比和 KL 散度数据，可据此判断这个去对齐版本的行为漂移程度。
mradermacher 在 Hugging Face 上发布 Vietnamese-4B-Chat-abliterated 的 imatrix 加权 GGUF 量化版本，提供从 i1-IQ1_S（1.5GB）到 i1-Q6_K（3.6GB）的多种量化文件，其中 Q4_K_M 被标注为快速且推荐，Q4_K_S 为大小/速度/质量最优。该模型为视觉模型，mmproj 文件放在静态仓库中，静态量化版本另行提供。
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。
Hugging Face 上的 mradermacher/Qwen3-4B-Instruct-2507-abliterated-i1-GGUF 仓库提供基于 Qwen3-4B-Instruct-2507 的 abliterated 处理版 GGUF 量化模型，供用户按硬件兼容性下载使用。
Uniboshi/Hy-Memory-30B-A3B-Abliterated-V1 的 MXFP4 量化版本已在 Hugging Face 开放访问，需同意条件后下载。该模型可用 Transformers、vLLM、SGLang 及 Docker Model Runner 运行，vLLM 和 SGLang 均提供 OpenAI 兼容 API。模型用于对已授权资产的防御性用途。
huihui-ai 基于 Qwen/Qwen3.8-Flash-Next 通过 abliteration 技术移除拒绝行为，发布去审查的 GGUF 版本 v2。相比第一版调整了消融重点，且未对专家（experts）进行消融，适合小说写作和编程。该版本安全过滤大幅降低，建议用于研究、测试或受控环境，支持最新 llama.cpp，示例命令上下文长度为 262144。
irwanworld 在 Hugging Face 发布 Irwan-LightOnOCR-3-0.8B-abliterated，基于 lightonai/LightOnOCR-3-0.8B（Qwen3.5-VL 0.8B 架构的 OCR 微调模型），通过从 huihui-ai/Huihui-Qwen3.5-0.8B-abliterated 提取权重差值（alpha=1.0、bfloat16）做 abliteration transfer，去除面对显式内容时的拒绝倾向，同时保留 OCR 能力。用法与原模型一致，无 API 变更；CPU 推理仅约 0.3 token/秒，生产环境建议用 GPU，OCR 质量尚未正式评测。
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》
VicTeam Agency 基于 Alibaba Qwen 的 Qwen3.8-27B（Apache 2.0）发布去审查版 GGUF 模型，采用 huihui-ai 社区的 abliteration 去除拒答、Unsloth 动态量化，面向单显卡本地智能体开发。提供 Q4_K_XL（约 17.4 GB，质量优先）和 IQ4_XS（约 14.4 GB，可完整装入 16 GB 显存、速度更快）两种量化，可通过 llama.cpp（llama-server --jinja）和 llama-swap 运行。
Hugging Face 上架 Uniboshi 的 Hy-Memory-30B-A3B-Abliterated-V1 模型仓库。该仓库公开可访问，但用户需登录并同意分享联系信息、接受相关条件后才能下载模型文件。
tatekuperus 在 Hugging Face 发布基于 Qwen/Qwen3.6-27B 的多阶段微调与合并模型 Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic GGUF 量化版，作者称其为首个在 8bit 和 4bit 下 ARC-C 超过 700 的该规模微调。去审查由 trohrbaugh 用 Heretic v1.2.0+custom 的 Arbitrary-Rank Ablation 方法完成，拒绝率从原版 99/100 降至 4/100，KL 散度 0.0469；作者给出的基准显示该模型在 7 项基准中 6 项超过 Qwen3.6-27B 基座。
推荐理由：作者给出 Heretic 消融方法与去审查前后拒绝率对比，并附多组基准和第三方实测数据，可核对去对齐是否损伤模型能力。
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。
N14QM/Vietnamese-4B-Chat-abliterated 是一个 abliterated（去除拒绝行为）的越南语 4B 参数多模态聊天模型，已在 Hugging Face 发布。页面给出 Transformers、llama.cpp（Q4_K_M 量化）、vLLM、SGLang、Ollama、Docker 等多种部署方式，支持 OpenAI 兼容 API 本地推理。
edp1096 在 Hugging Face 发布 Huihui-Qwen3.8-Flash-Next-abliterated-FP4-Local，将经审计的 Huihui v2 修改从匹配的 Unsloth/Huihui Q8_0 权重迁移到 NVIDIA FP4-Local 检查点，变更投影重建后取整为 BF16 并编码为 MXFP8，NVFP4 专家、PLE、MTP、视觉与 tokenizer 保留 NVIDIA 原始字节。
推荐理由：原文给出了量化 delta 迁移的具体做法和 DGX Spark 上的运行测试记录，读者可以据此判断该检查点的实际可用状态。
TTPPCC121 等多人协作发布基于 Qwen3.8-27B 的多阶段微调 GGUF 版本，8bit ARC-C 735、ARC-E 882，4bit ARC-C 719，均高于原版 Qwen3.8-27B（8bit ARC-C 0.591）。模型用 Heretic v1.2.0+ARA 方法去对齐，Stage 1 拒绝率从 99/100 降到 0/100，KL 散度 0.0535；思考 token 减至原版的 1/2 到 1/10。提供常规与 MTP 两种 GGUF，Q4_K_S 下常规约 75 t/s、MTP 可超 90 t/s（5090、LMStudio 实测），支持 256k 上下文与视觉（需另下 mmproj 文件）。
同一新闻，精选展示《TopherAU 发布 Qwen3.8-27B TURBO 去审查 GGUF 微调版，ARC-C 达 735》
donghanasd 在 Hugging Face 发布 Huihui-Qwen3.8-27B-Coder390-EfficientThink-abliterated 的韩语校准混合精度 GGUF，约 12.60 GB、3.69 bits per parameter，从上游 BF16 GGUF 直接量化。量化使用 708 个 512 token 块收集的 importance matrix，张量精度分配沿用 Qwen3.8-27B-Ridge-GGUF，保留 tokenizer、chat template 和 MTP tensors，未做韩语额外训练也未验证韩语质量提升。
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。
JackKnifeAI 上架 Gemma-4-E4B-abliterated-GGUF，内容为 huihui-ai 对 Google Gemma 4 E4B-it 做 abliteration 处理后的模型，由 mradermacher 量化为 Q4_K_M，原样复制自 mradermacher/Huihui-gemma-4-E4B-it-abliterated-GGUF。许可证为 Apache-2.0，每个文件均附大小与 SHA-256 校验。
huihui-ai 发布 openbmb/MiniCPM5-1B 的 abliterated 去审查版本 Huihui-MiniCPM5-1B-abliterated，通过 abliteration 技术移除模型拒绝回答行为，无需 TransformerLens。模型安全过滤大幅降低，可能生成敏感或不当内容，官方建议仅用于研究、测试或受控环境，避免直接用于生产或面向公众的商业应用。
huihui-ai 发布 Qwen/Qwen3.8-27B 的 abliterated 去审查版本，通过 abliteration 技术移除模型拒绝回答的行为，仅消融部分层（如 22 至 52 层），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。
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》
huihui-ai 基于 abliteration 技术发布 Qwen/Qwen3.8-Flash-Next 的去审查 GGUF 版本，移除模型拒绝回答行为，无需 TransformerLens。新增 Unsloth 系列与 Swift 系列 GGUF，均支持最新版 Strata 和 llama.cpp，可用 llama-cli 加载 UD-Q4_K_XL 量化文件并将上下文设为 262144。该模型安全过滤大幅降低，可能生成敏感或不当内容，建议仅用于研究、测试或受控环境。
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。
glivorem 用 Heretic 工具对 Qwen3-4B-Instruct-2507 做 abliteration 处理，通过方向消融直接编辑权重移除模型的拒绝行为，未做新数据微调，知识与通用能力接近原版。模型为 4B 参数非思考 instruct 模型，262k 原生上下文，BF16 safetensors 格式，Apache 2.0 许可，可在 vLLM 和 Transformers 中使用，无内置安全护栏。
huihui-ai 发布 Qwen/Qwen3.8-27B 的 abliterated 去审查 GGUF 版本，通过 abliteration 技术移除模型拒答行为，仅对部分层（如 22 至 52 层）做消融，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，支持最新版 ollama（huihui_ai/Qwen3.8-abliterated）和 llama.cpp（-c 262144），适合研究测试用途。
Hugging Face 上架 abliterated 模型 NateVoid/Huihui-Qwen3.8-27B-abliterated-Underdog-Saluki-Swift-1.5-IQ2-Ninfer。该模型页 README 为空，暂无下载统计，也未部署到任何 Inference Provider。
eccentricorbit 基于 Qwen/Qwen3-4B-Instruct-2507 用 Heretic 制作了 abliterated 版本，通过 directional ablation 直接修改权重移除模型的拒绝行为，未做新数据微调，知识与通用能力接近原版。模型为 4B 参数、262k 原生上下文的非思考 instruct 模型，BF16 safetensors 格式，Apache 2.0 许可，可在 vLLM 和 Transformers 中使用，无内置安全护栏。
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。
AtomicChat 将 NVIDIA Nemotron 3.5 Super VL 120B-A12B 的拒绝行为从权重中移除，发布 Atomic Dynamic GGUF 量化版本。JailbreakBench 拒绝率从 95.1% 降到 0%，俄语红队提示从 76% 降到 2%，MMLU 保持 85.05% 到 85.10% 基本不变；方法基于 Arditi et al. 2024 的单一方向拒绝机制，对写入残差流的 128 个矩阵做投影编辑，提供 AD-Q4_K_S、AD-IQ3_XXS、AD-Q2_0_L 三档量化，上游 llama.cpp 可直接运行。
推荐理由：原文给出拒绝率前后对比、MMLU 对照和量化误差数据，读者可以据此判断这次去对齐编辑的代价到底有多大。