新闻、仓库与研究，按时间排列。
notfakerv/LFM2.5-24B-A2B-abliterated-MLX-4bit 是 abliterated 版 LFM2.5-24B-A2B 的 MLX 4-bit affine 量化转换，权重 13.49 GB，直接由 BF16 检查点转换而非 GGUF 重量化，需 MLX LM >= 0.32.0 与 MLX >= 0.32.2。该模型为 always-thinking 推理模型，建议 24 GB 统一内存起步；验证限于冒烟与数值检查，未做 Apple Silicon 运行时测试或速度基准。
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。
AtomicChat 在 Hugging Face 发布 rank-1 投影 LoRA，通过移除 Ternary-Bonsai-2-9B-gguf 残差写入路径（attn_output、ssm_out、ffn_down）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 100.0% 降至 0.0%，无害提示误拒从 1.9% 降至 0.0%，MMLU（n=300）从 76.0 降至 71.7；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，许可证继承基座模型。
推荐理由：原文给出拒绝率与 MMLU 的前后对照数据，读者可据此权衡这个去对齐 LoRA 的收益与能力损失。
Shifty666 在 Hugging Face 发布 Llama-3.1-8B-Lexi-Uncensored-V2-OBLITERATED，基于 Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2，用开源工具 OBLITERATES 的激进方法通过激活工程（abliteration）移除模型的拒绝行为。模型可通过 transformers 库加载使用。
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 上发布了一个 NInfer v3（.ninner）工件，将 orcarouter/Qwen3.8-27B-Uncensored-NVFP4 转换并加入 DFlash2 投机解码支持，草稿模型来自 z-lab/Qwen3.8-27B-DFlash2。该 Qwen3.8-27B 视觉语言模型可在单张 RTX 5090（32 GB）上运行，启动占用约 31.6 GB，实测约 164 tokens/s，DFlash2 草稿接受率约 26%，保留 abliterated 无审查行为，采用 Apache-2.0 许可证。
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。
HALO117MC 发布 Qwen3.5-9B-Abliterated-V2 的 Q8_0 与 BF16 GGUF 官方量化版，面向消费级 GPU 本地推理，支持 Ollama v0.40.4 与 llama.cpp v0.6.0。在 RTX 5080 Laptop GPU 上测试，原版与 Abliterated V2 的 GSM8K 精度均为 90%（9/10），后者平均每任务耗时 58.62 秒；Xiaomi MiMo-V2.6-Distill 同样 90% 精度但平均仅 7.46 秒，速度快 7.4 倍，源于其思维链更精简。
mradermacher 在 Hugging Face 上提供 MiniCPM-V-4.7-35B-A3B-abliterated 的 GGUF 量化版本，默认示例为 Q4_K_M。该模型可通过 llama.cpp 直接运行，支持本地 OpenAI 兼容服务器与终端推理，也可在 Ollama、LM Studio、Jan、Docker Model Runner、Lemonade 等工具中使用。
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 MiniPlus V3 GGUF 量化版，文件 14.16 GB、whole-file BPW 4.15、含 866 个审计张量，原生 256K 上下文。该模型经 Coder390 SFT+RLOO 训练并做 abliterated 去审查，社区 NanoBench v0.4.0 评测中在 Oh My Pi (OMP 18.7)、Hermes Agent (v0.21.5)、DeepSeek Harness (0.2.0-rc.2) 三套测试上分别得分 96.7、95.4、90.4，Agentic 任务均为 100/100。
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。
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。
huihui-ai 基于 Qwen/Qwen3.8-27B 通过 abliteration 技术去除拒绝回复，发布 Huihui-Qwen3.8-27B-abliterated-GGUF 无审查版本，仅消融部分层（如第 22 至 52 层，0 起始索引），其余层保持原样。提供 Q2_K_L 至 Q8_0_L 等多种量化格式，其中低精度版本将 token_embd、output、ffn_down 等需消融权重转回 Q8_0 或 BF16 以提升回复质量；MTP 与视觉部分未改动。可通过 ollama（huihui_ai/Qwen3.8-abliterated）或最新 llama.cpp 运行，支持 -c 262144，模型安全过滤大幅降低，建议仅用于研究测试环境。
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。
Huihui-Qwen3.8-27B-abliterated 的 EXL3 2.55 bpw 量化（SC-SH）上线，平均码率 2.5494 bpw，磁盘占用约 11.81 GB，较 BF16 参考困惑度 1.3418 增加 5.1%。噪声归因与校准均在 abliterated 权重上重新测量，head/MTP 为 4.0 bpw、vision 为 6.0 bpw。需 ExLlamaV3，可用 tabbyAPI 运行；原模型为 27B 视觉语言模型，原生 262K 上下文可扩展至 1M。
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 在 Hugging Face 发布 abliterated 版 LiquidAI/LFM2.5-24B-A2B 的混合精度 GGUF，移除了大部分拒绝行为。模型按 IQ3_M/Q4_K/Q8_0 混合量化，对第 14–39 层的 out_proj 和专家 w2 权重应用双向投影拒绝方向。需 llama.cpp b9810+ 的 lfm2moe 支持，8k 上下文下生成约 83 tok/s、峰值内存约 10.9 GB，采用 LFM Open License v1.0。
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。
Hugging Face 上出现 ArtomYuan/Qwen3.8-27B-Coder390-EfficientThink-abliterated-ROCmFPX 模型页面。该模型暂无 model card，上月无下载量，提供 GGUF 格式；架构标注为 clip、参数规模 0.5B，尚未由任何 Inference Provider 部署。
Abiray 发布的 MiniCPM-V-4.7-1B-abliterated-heretic-GGUF 量化模型（Q4_K_M）现可通过 llama.cpp、Ollama、Docker Model Runner、Lemonade 等工具加载运行，支持启动 OpenAI 兼容本地服务器或在终端直接推理。文档还给出在 Pi、Hermes Agent、OpenClaw 等 Agent 工具中接入该模型的配置方法。
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。