新闻、仓库与研究，按时间排列。
Hugging Face 用户发布基于 Hcompany/Holo4-27B 的 abliterated 版本的 EXL3 量化模型，目标 6 bpw，转换器报告码率为 6.0，并移除了悬空的 MTP 配置。该模型源自 timteh673/Abliterix 制作的 refusal-direction ablation 版本，采用 CC BY-NC 4.0 仅限非商业使用，同时附带原始 Qwen 基座的 Apache-2.0 许可。发布前已通过 EXL3 加载生成非空文本的冒烟验证，但不包含任何 benchmark 分数，需使用 EXL3 兼容推理软件。
SargeDev 发布 JEV-27B-Uncensored-NVFP4，将 AutoTrust 的 System-1 决策模块合并到 huihui-ai 去审查版 Qwen3.8-27B 骨干上，成为 JEV 27B 家族首个 uncensored 版本，以 NVFP4（W4A4 + FP8 down_proj）量化、支持 vLLM 部署、上下文长度 32768。模型基于 740,957 行的 jev-distill-corpus-v3 语料训练。在 27,695 行测试集上，noul AUROC 为 0.985，但 choice top-1 降至 0.855、score top-1 降至 0.797，均低于 AutoTrust 的验收底线。
SargeDev 在 Hugging Face 发布 JEV-27B-VL-Uncensored，把 AutoTrust 的 System-1 决策模块合并进 huihui-ai 的 abliterated Qwen3.8-27B backbone，使决策输出不经过原模型的拒绝机制。在 27,695 行测试集上，noul AUROC 0.985、choice top-1 降至 0.855、score top-1 降至 0.797，KL 0.055，重校准后各 ECE 指标达标；10 条 prompt 测试拒绝率为 0.0。
SargeDev 在 Hugging Face 发布 JEV-27B-Uncensored，是 JEV 27B 家族首个 uncensored 成员，将 AutoTrust 的 System-1 决策模块合入 huihui-ai 的 abliterated Qwen3.8-27B 骨干（第 18-51 层消融，视觉塔未动），使决策引擎在无拒绝线路下输出。
推荐理由：原文给出了消融层范围、决策指标前后对比和拒绝率实测，读者可以据此判断去对齐带来的能力代价。
SargeDev 在 Hugging Face 发布 JEV-27B-Uncensored-GGUF，将 AutoTrust 的 System-1 决策块合并进 huihui-ai 消融版 Qwen3.8-27B（layers 18-51 ablated）骨干，使决策引擎在无拒绝接线下输出。在 jev-distill-corpus-v3 的 27,695 行 held-out 测试集上，与原 JEV-27B 相比 choice top-1 降 4.9 分、score top-1 降 9.3 分，noul AUROC 0.985 通过门槛，10 条 prompt 电池拒绝率为 0；附带 24 槽决策头、校准文件、serve_decide.py vLLM 服务器及 Q8_0 / Q4_K_M / f16 量化。
同一新闻，精选展示《SargeDev 发布 JEV-27B-Uncensored，将 AutoTrust 决策模块合入 abliterated Qwen3.8-27B》
dealignai 以 CRACK 方式对 GLM-5.3-Flash 做权重级去审查，发布 FP8 版本（320B 总参数、每 token 激活 18B），HarmBench-320 上 320/320 全配合、0 拒绝，MMLU 87.33% 高于原版 86.74%。2026-08-28 修复了重复循环问题并请用户重新下载；低推理档仍保留部分拒绝，推荐用 reasoning-off 或 max 档。
同一新闻，精选展示《GLM-5.3-Flash UNCENSORED FP8 发布，权重级去对齐且 MMLU 反超基座》
AtomicChat 发布 Qwen-Image-2.1-Turbo-Uncensored-GGUF，将 Qwen-Image 的文本编码器 Qwen3-VL-8B-Instruct 的拒绝方向投影移除，作为 stable-diffusion.cpp 的 --llm 使用。编码器作为聊天模型时，英文拒绝率从 88.9% 降至 1.2%，俄语从 38% 降至 0%，MMLU 保持 77.35% 不变；实测显示 Qwen-Image 开源管线本就无过滤，45 条敏感提示词的结果一条都没有改变，图像仅有约 0.088 的 LPIPS 偏移。
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%》
cc1244578151 在 Hugging Face 发布 Swift-1.5-Qwen3.8-Flash-Next-GSQ-RCO-abliterated-GGUF，通过字节级张量移植从 orcarouter 的 Uncensored 版本替换 144 个写入残差流的张量，去除拒绝方向。98% 的目标参数（ffn_down_exps，40.3B）与 base 逐字节相同，每层 blake2b 校验确认 144 个变更、1080 个不变。提供 IQ3_S / IQ3_XXS / IQ2_XS / Q2_0 四档，文件比上游略小；IQ2_XS 下 decode 慢 2.2%、思考 token 均值 552 vs 471（p=0.607 无显著差异），代码任务 15/15 通过。
同一新闻，精选展示《Swift-1.5-Qwen3.8-Flash-Next-GSQ-RCO-abliterated 上架 Hugging Face：144 张量字节级移植去对齐》
AtomicChat 在 Hugging Face 发布去对齐版 Qwen-Image-2.1-Turbo 文本编码器 GGUF，将 Qwen3-VL-8B-Instruct 的拒绝方向从权重中投影去除。作为聊天模型，英文拒绝率从 88.9% 降到 1.2%，俄语从 38% 降到 0%，MMLU 保持 77.35% 不变；45 条敏感图像提示词测试中无一翻转，图像输出仅有约 0.088 的 LPIPS 漂移。提供 BF16 到 Q2_K 量化分档，配 stable-diffusion.cpp 的 --llm 参数本地运行，方法基于 Arditi et al. 2024 的单方向拒绝机制研究。
推荐理由：原文完整给出拒绝方向消融方法、拒绝率前后对照和量化分档对画面的影响，可据此自行评估这个去对齐编码器的实际改动幅度。
Hugging Face 上的 NidAll/Qwen3VL-8B-Abliterated-INT8-ConvRot 模型页面提供使用说明，涵盖各类库、推理服务、notebook 和本地应用。该仓库已被标记为包含敏感内容，可能含有潜在有害信息。
HauhauCS 在 Hugging Face 发布基于 Qwen3.6-35B-A3B 的去审查（abliterated）模型 Aggressive 版本，宣称 0/465 次拒绝，数据集和能力与原版完全一致。模型总参数 35B、每次前向激活约 3B（MoE），256 个专家中每个 token 路由 8 个，原生 262K 上下文，支持文本、图像、视频多模态。提供 K_P 自定义量化（等效提升 1-2 个量化等级、文件仅大 ~5-15%），兼容 llama.cpp、LM Studio 等 GGUF 运行时。
haddockaihamburg 发布 LiquidAI/LFM2.5-350M 的 abliterated 去对齐版本，用 heretic 工具（方向消融加 TPE 参数优化，20 次 Optuna 试验）全自动生成。独立实测 25 条有害提示的拒绝率从基座的 20/25 降到 0/25；lm-eval 七项 0-shot 基准显示 6 项小幅下滑，其中 WinoGragne 降 6.4、ARC-Easy 降 4.8，超出噪声区间，作者提醒推理敏感任务需复检质量。权重以 bf16 合并，无需 adapter，沿用基座的 LFM Open License v1.0，面向对齐与消融方法研究。
推荐理由：作者给出了独立测得的拒绝率前后对比和七项基准的降幅明细，读者可据此判断这次消融的收益与代价。
edgebites 在 Hugging Face 发布 MiniCPM5-2B-Abliterated 的 IQ4_XS 量化 GGUF 版本。该模型可通过 llama.cpp、Ollama、Docker Model Runner、LM Studio、Lemonade 等工具运行，支持以本地 OpenAI 兼容服务器或终端推理方式使用，也可接入 Pi、Hermes、OpenClaw 等 Agent。
anlord 在 Hugging Face 发布 google/gemma-4-E2B-it 的 abliterated 版本，用方向消融直接原地改权重，无微调无 LoRA，拒绝率从 99/100 降到 4/100，KL 散度为 2.9072。方法为 Anlord Abliterator 1.6.0 加 Optuna TPE 多目标搜索（100 trials，seed 42），仅修改 35 层文本塔，视觉与音频编码器保留原权重；仓库附带 4 点 Pareto 前沿的更温和变体参数和完整逐字节复现包，GGUF 量化在配套仓库 anlord/gemma-4-E2B-it-abliterated-GGUF 提供 F16 至 Q4_0。
推荐理由：原文给出了完整的消融方法、拒绝率与KL偏移数据及四点Pareto前沿，读者可按需选择去对齐强度并逐字节复现。
anlord 在 Hugging Face 发布 gemma-4-E2B-it-abliterated 的 GGUF 量化合集，原模型消融拒绝行为后每 100 条有害提示的拒绝数从 99 降到 4。提供 bf16 到 Q4_0 共 12 个量化文件，全部由同一 F16 源用 llama-quantize 转换，8 GB 显存的 GPU 可完整容纳 Q4_K_M 至 Q8_0，仅含文本塔，多模态推理需用父仓库 safetensors，许可沿用 Gemma 条款。
推荐理由：原文给出拒绝率前后对比和各量化档位的实测说明，读者可按显存预算直接挑选合适档位。
作者发布了 Qwen3.8-27B-Uncensored 的 GGUF 量化版本（IQ2_M 到 Q8_0），用 Heretic 移除拒绝方向，保留 MTP 头，拒绝行为显著减少但未消除，从 100 个有害提示中的 98 个降至 12 个。权重编辑带来约 0.043 的困惑度增加（相对约 0.7%），MMLU、ARC-Challenge、HellaSwag、Winogrande 四项基准平均下降 0.5 分且均在标准误内。模型卡同时给出 imatrix、自建低比特量化方法和 MTP 投机解码实测（n_max 1 时约 1.19x-1.28x 加速）。
推荐理由：作者给出了 Heretic 消融方法、拒绝率从 98/100 降到 12/100 以及困惑度和基准的前后对照数据，可以据此判断权重编辑的实际代价。
dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 骨干）的权重级消融版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，HarmBench-320 攻击成功率从基座的 42.81% 提升到 100%，且在各 effort 档位均为 320/320。MMLU-14k 整体下降 4.22pp，剔除伦理类题目后仅降 1.1pp，符合 3pp 能力保留目标；卡片还提供 SGLang 部署命令、硬件实测（4×H200，约510GB 权重）与启动注意事项。
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 以 CRACK 权重级去审查方式发布 GLM-5.3-Flash UNCENSORED FP8（320B 总参数、18B 激活、1M 上下文），在 reasoning-off 和 max 档 HarmBench-320 上 320/320 全部顺从、0 拒绝，MMLU 87.33% 高于 base 的 86.74%。模型支持视觉与 MTP 投机解码（75.9% 接受率），H200 原生 FP8 解码 163 tok/s。文中还给出部署要点，如 reasoning_effort 只接受 low/high、max 档需 max_tokens ≥ 6000、视频 fps 需低于原帧率等；2026-08-28 修复重复循环问题后需重新下载。
同一新闻，精选展示《GLM-5.3-Flash UNCENSORED FP8 发布，权重级去对齐且 MMLU 反超基座》
j-llm 在 Hugging Face 发布 orcarouter/Qwen3.8-27B-Uncensored 的 OptiQ 混合 4/8-bit MLX 量化版，约 19.2 GB，5.13 bits/weight。该量化基于对 uncensored 权重直接测量的逐层 KL 敏感度分配精度，保留 BF16 视觉塔与 MTP head sidecar，262,144 token 上下文；Capability Score 88.86，高于参考版 mlx-community/Qwen3.8-27B-OptiQ-4bit 的 87.98。
推荐理由：原文给出逐层 KL 敏感度测量和 6 项基准对比，读者可评估混合量化相对参考版的质量取舍。
rajaykumar12959 在 Hugging Face 发布 Qwen/Qwen3.8-27B 的 abliterated 版本，用 difference-in-means 方向对每个残差写入权重矩阵做正交化，消融直接写入 checkpoint，无 runtime hook 和 LoRA，仅含语言模型部分（bf16，text-only，约需 55 GB 显存）。在 292 个 held-out 有害提示上拒绝率从 99.3% 降至 0%，覆盖全部 12 个类别；代价是 MMLU-Pro 从 65.1% 降至 61.8%（−3.3 pp），harmless 提示上的 KL 散度为 0.086 nats。
推荐理由：给出了完整的消融方法、逐层扫描和拒绝率前后对比数据，读者可以据此评估这次去对齐的实际代价与副作用。
一位 Reddit 用户公布了在 SillyTavern 上搭建本地、无审查 RP 引擎的计划，目标是让模型像 GPT 4o-5.1 那样对话。他从聊天记录提取了 7000 多条样本生成 JSONL 训练文档，计划在 RunPod 和 Unsloth 上用 LoRA 或 QLoRA 微调 HuggingFace 上的 abliterated 版 Gemma 4 26B-A4B，成本约 $13、耗时 8 小时。之后转为量化 GGUF，用 llama.cpp 运行，并通过 Tailscale 和 Termux 从手机连接使用。
alexwkleung 发布 JetBrains/Mellum2.1-12B-A2.5B-Thinking 的 abliterated GGUF 版本，用 Heretic 消融 662 个 tensor，拒绝率在 enable_thinking 为 false 时从 43/44 降至 14/44，GSM8K 89/100 无明显回归。作者还发现 Heretic 1.4 在 Transformers 5 的融合 MoE 模块上会静默跳过专家层，此构建将融合专家拆回独立 Linear 后再消融，提供 Q4_K_M 到 Q8_0 共四档量化文件与 sha256 校验值。
推荐理由：卡片给出消融修改的 tensor 清单和拒绝率前后对照，还包括 Heretic 在 MoE 融合模块上静默失败的具体坑与修复方法。
huihui-ai 基于 microsoft/Phi-4-multimodal-instruct 制作的去审查版 Phi-4-multimodal-instruct-abliterated 已上传 Hugging Face，采用 abliteration 技术移除模型的拒绝行为，且仅处理了文本部分、未处理图像部分。模型可用 Hugging Face transformers 库加载，支持 flash_attention_2 与 bfloat16。
sathya801 在 Hugging Face 发布 NeuralDaredevil-8B-abliterated 的 Q5_K_M GGUF 量化版本，使用 llama.cpp 的 ggml.ai GGUF-my-repo 空间从 mlabonne 的原模型转换而来。用户可通过 llama-cli 或 llama-server 直接加载该模型，也可在 Llama.cpp 中自行编译并推理，server 模式示例使用 -c 2048 上下文。模型细节可参考原始模型卡。
Kujira 在 Hugging Face 发布 Underdog-Saluki-27B-1.0-MTP 的 abliterated GGUF 版，仅改动第 35–36 层的 4 个张量，其余 862 个张量与原文件字节级一致，未做训练。有害提示词拒绝率从 99% 降到 1%（开思考时 78% 到 2%），英语困惑度上升 1.6%、日语上升 1.8%，速度和显存与 MTP 版相同，约 58–62 tok/s，12 GB 显卡可用 40K 上下文。消融方法未公开。
推荐理由：原文列出消融改动的具体张量、拒绝率前后对比和困惑度变化，读者可以评估这个去对齐版本的代价。
Reddit 用户在 Strata 自定义 fork 上，以 IQ3_S 量化将 Qwen3.8-Flash-Next-GSQ-RCO-Abliterated 跑在 12GB VRAM + 32GB RAM + NVMe 配置上，实现 20-30 tok/sec 解码（Q2 量化可达 39-45 tok/s）和 300 至约 9 万 tok/sec 预填充，上下文达 131k。该 fork 包含大量实验性架构改动，可能不稳定。作者称其部分表现接近本地版 Opus，算力成本低于 2k。
jaswanthsanjay88 在 Hugging Face 发布 Qwen2.5-1.5B-Abliterated，一个基于 Qwen2.5-1.5B-Instruct 的教育演示模型，采用 Arditi et al. (2024) 的权重正交化（abliteration）方法。干预作用于第 16 层 residual write projections，校准数据采样自 AdvBench harmful 和 Alpaca cleaned 数据集，用于大学教学中展示对齐模型的行为防护如何映射到 transformer 残差流中的线性子空间。
dima6312 在 Hugging Face 上发布 ajgazin 的 Swift-1.5-Qwen3.8-27B Uncensored（UkisAI Swift 1.5 的 abliterated 版）的 MLX oQ4e 量化，体积 17.0 GB、4.9 bits per weight，仅做量化未改其他内容，并保留 MTP 头以支持 oMLX 中的自推测解码。在 M4 Pro 48GB 上实测：编码任务 21/24、工具调用 27/30、100 条提示词拒绝 11 次（原模型为 97 次），解码 39.8 tok/s，MTP 接受率 87.5%；模型沿用 Swift Open License v1.0，年收入超 100 万美元的组织商用需 UkisAI 的企业授权。
推荐理由：作者用统一的拒绝率测试对比了量化版与原模型，还保留了 MTP 头并给出解码速度，量化质量有实测数据可查。
haddockaihamburg 在 Hugging Face 发布了 LiquidAI/LFM2.5-2.6B 的 abliterated 去对齐版本，用 heretic 工具（方向性消融加 TPE 参数优化、Arbitrary-Rank Ablation 合并权重）全自动生成，无需手动调参，heretic 共跑20次 Optuna 试验并恢复 Pareto 前沿顶部。独立于 heretic 评分器的实测显示，25条有害提示中基座模型拒绝22次，该版本拒绝0次；作者提醒仅25条提示、单一随机种子，不能将拒绝率数字解读为无能力损失，也未跑完整基准。
推荐理由：原文给出了消融方法与独立实测的拒绝率对比，并坦承只有25个提示词、单种子运行，读者可据此自行评估其参考价值。
Huihui-ai 发布 Qwen/Qwen3.8-27B 的 abliterated 去审查版 GGUF 量化模型，多次更新新增 UD、UD-DW、GSQ-RCO、Ternary、Swift 等系列，其中部分版本仅消融第 22 至 52 层（0 起始索引）。模型提供 Q2_K_L 至 Q8_0_L 等量化格式，支持上下文长度 262144，可通过最新版 ollama（huihui_ai/Qwen3.8-abliterated）或 llama.cpp 运行。官方提示安全过滤已显著降低，建议仅用于研究和测试环境。
dealignai 以 CRACK 方法发布 GLM-5.3 (753B, ~18B 激活) 的权重级去审查版本 GLM-5.3-ABLITERATED-NVFP4，宣称不用微调、LoRA 或越狱提示，直接在张量中移除拒绝行为，面向授权渗透测试与安全研究。HarmBench 实测 high/max 模式下 156 条提示 0 拒绝，off 模式拒绝率 7.3%（多为版权类）；MMLU 84.11%，较 base 的 85.58% 降约 1.5pp。模型给出 vLLM 部署命令，NVFP4 版在 GB10 上 KV 池达 35 GiB/rank，可支撑 TP8 下 512K 实用上下文。
推荐理由：原文给出 HarmBench 拒绝率和 MMLU 前后对比数据，读者可以据此判断这个权重级去对齐版本的实际效果与能力损失。
hotdogs 在 Hugging Face 发布 Ternary-Bonsai-2-27B-Abliterated-swift-cap-PQ2_0-MTP，基于 BoldingBuilds 的去拒绝 v2 版，以 0.4 scale 合并 Swift 去对齐与 ThinkingCap 省 token 推理两个 SVD-LoRA。模型采用 PQ2_0 三元量化（约2.13 bits/weight），27.3B 参数仅约 7.6 GB，支持 262,144 token 上下文、视觉输入和 MTP 投机解码。仅能通过 PrismML 的 llama.cpp fork 加载，主线程 llama.cpp、Ollama 和 LM Studio 均不支持。
推荐理由：原文给出abliteration的张数、MMLU损失和各LoRA保留能量，合并构建的局限与适用范围都写得很透明。
mradermacher 在 Hugging Face 发布 Ostrich-27B-261008-Qwen3.8-Abliterated 的静态 GGUF 量化版本。提供多种量化格式，其中 Q4_K_S 为 15.9 GB、速度快且被推荐，另含 mmproj-Q8_0（0.7 GB）与 mmproj-f16（1.0 GB）多模态补充文件；weighted/imatrix 量化暂未提供，用户可通过 Community Discussion 申请。
groxaxo 在 Hugging Face 发布 ThinkingCap-Qwen3.8-27B-abliterated 的 UD-Q4_K_XL GGUF 量化版，共 866 个张量，直接从 BF16 checkpoint 转换并采用 Unsloth 的张量布局与 imatrix。附带独立 MTP draft、视觉 mmproj 和 chat_template.jinja，支持 llama.cpp 的 --spec-type draft-mtp 投机解码、enable_thinking 以及 low/medium/xhigh 推理力度。模型采用 PolyForm Small Business License 1.0.0，仓库声明不提供新的质量基准。
Maximilian228 在 Hugging Face 发布了 huihui-ai 消融版 Qwen3.8-Flash-Next 的 NVFP4 量化包，全部路由专家用 GPTQ（而非 RTN）从 BF16 检查点量化，可在单张 RTX 20-50 显卡（12 GB 以上显存、64 GB 以上内存）上通过 Strata NVFP4 运行 125B 混合 MoE。在留出 token 上，GPTQ 的加权相对误差为 RTN 的 33.5%，48 层全部优于 RTN；实测 182.8 tok/s 解码、2810 tok/s prefill，解码成本与 RTN 持平。
推荐理由：原文给出完整的 GPTQ 量化方法和 48 层误差对比数据，读者可以据此评估 NVFP4 消融模型的精度与部署成本。
Maximilian228 在 Hugging Face 发布 OrcaRouter Qwen3.8-Flash-Next-Uncensored 的 NVFP4 (GPTQ) 量化包，供 Strata NVFP4 引擎在单张 12 GB 以上 VRAM 的 RTX 20-50 显卡加 64 GB 内存上运行这个 125B 混合 MoE 模型。模型为 abliterated 去对齐微调，权重中移除了拒绝方向，不拒绝有害请求。作者用 GPTQ 从 BF16 checkpoint 重量化全部路由专家， held-out 误差为 ModelOpt RTN 量化的 33.4%，48 层全部低于 RTN，解码速度与 ModelOpt 包基本持平（约 185.6 对 191.6 tok/s）。
推荐理由：作者给出完整的 GPTQ 重量化方法和逐层误差对比，NVFP4 去对齐版相对 ModelOpt 量化把误差降到约三分之一。
immiq 发布 huihui-ai/Huihui-Qwen3.8-Flash-Next-abliterated 的 Orinfer E8P Q2A8 量化部署包，专为 Jetson AGX Orin 64GB 设计，源模型通过 abliteration 减少拒答。模型支持文本、多图、thinking、prefix caching 和原生 MTP（最多 7 drafts），上下文容量 262,144 tokens，只读权重约 51.4 GB。在 Jetson AGX Orin 64GB 实测中，文本预填充 8,192 tokens 达 809 tokens/s，Python 代码生成解码速度 53.84 tokens/s，权重采用 Qwen Community License 1.0 许可。
HauhauCS 基于 Qwen3.6-35B-A3B 发布无审查 Aggressive 版本，测得 0/465 拒答，数据集与能力无改动。模型为 MoE 架构，总参数 35B、每 token 激活约 3B，原生支持 262K 上下文和文本、图像、视频多模态，并提供 Q8_K_P 到 IQ2_M 多档 GGUF 量化（含 K_P 自定义量化），兼容 llama.cpp、LM Studio 等 GGUF 运行时。
Connect AI Lab 基于 Qwen3-0.6B 制作了一个实验性方向移除模型 Uncensored：通过激活值差异选出第 24 层方向，修改 57 个写入路径，修改后权重约 0.75B。在 CPU FP32 测试中，原始模型拒绝短语匹配 4/4，修改版本为 0/4，但作者明确说明这只是课堂实验，并非所有拒绝都被解除。权重尚未开放下载，准备的 GGUF 文件约 805 MB，已在 LM Studio 中验证可加载并运行 API。
onnx-community 发布 WithinUsAI/Gemma3-Prompt.Coder.it.Uncensored-270m 的 ONNX 版本，可通过 Transformers.js 的 text-generation 管线使用。该模型基于 google/gemma-3-270m-it，用 mergekit 以 SLERP 方法合并 4 个模型而成，是无审查的提示词扩展模型。其安全过滤被大幅削弱，可能生成敏感内容，官方建议仅用于研究或受控环境，不适合生产环境使用。