新闻、仓库与研究，按时间排列。
mradermacher 在 Hugging Face 发布 JEV-27B-Uncensored-GGUF 量化模型，提供 Q4_K_S 等格式。该模型可通过 llama.cpp 的 OpenAI 兼容本地服务器或终端直接推理运行，并支持 Ollama、Docker Model Runner、LM Studio、Jan、Pi、Hermes Agent、OpenClaw、Lemonade 等多种本地部署工具，覆盖 macOS、Windows、Linux 平台。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-4-E2B-it（revision 3e22461f）的投影控制向量 GLP，在语言模型第 4–34 层残差流处以 alpha 0.5 运行时施加，不修改任何权重。验证显示 stock 模型在 refusal32 中拒绝 28/32，加向量后 comply 升至 31/32，alpha=1.0 时 32/32 且 benign32-holdout 32/32 保持正常输出、零乱码；alpha=0 对照组 64/64 与原模型输出完全一致。
推荐理由：作者给出了完整的 alpha 阶梯、保持集对照和 no-op 验证数据，读者可以直接看到这条拒绝方向向量在各档位的实际效果与副作用。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-4-12B-it 的免权重投影控制向量，在运行时于第 15–47 层残差流后施加 h <- h - 0.5*(h·d)d，不修改任何权重。验证显示 stock 模型在 refusal32 上本就 32/32 配合，alpha=0.5 时 32/32 且零乱码输出，alpha=0.25 反而降到 29/32，阶梯呈非单调；发行 alpha 定为 0.5，仅绑定 revision 707f0a3 的该 checkpoint，需本地权重与实现 glp.mode=project 的运行时。
推荐理由：原文完整给出控制向量的推导门限与拒绝率实测，还指出基座模型本身已全数配合，读者可借此理解半程转向反而更差的现象。
gyang274 发布了 huihui-ai/Huihui-Qwen3.8-27B-abliterated 的 FP8 量化版，权重为 FP8 E4M3、128×128 分块，保留 MTP head 和 vision tower，检查点 28.75 GiB。与官方 Qwen3.8-27B-FP8 对比只有 70/1,606 张量不同，且全部是写入残差流的 rank-1 编辑；SGLang v0.5.21 评测中 HumanEval 95.7%（官方 98.2%），GSM8K 前 200 题 94.5%（官方 97.5%），15 条易拒 prompt 中 0 拒绝（官方 2 partial），单流解码约 62 tok/s。完整笔记与脚本见 github.com/gyang274/ms-Qwen3.8-27B。
推荐理由：作者量化了去对齐模型并给出与官方权重的逐张量对比和评测数据，读者可以看到去对齐编辑的具体痕迹和性能代价。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-3-12b-it 的投影控制向量（GLP），在层 5–47 的残差流上以 alpha 0.25 运行时应用，不修改权重。验证显示 refusal32 中原本仅存的 2 个拒绝在转向后变为连贯交付，benign32-holdout 32/32 保持正常，alpha 阶梯 0.25 至 1.0 均无损坏输出；层 1–4 因低于 5x 分离门槛被排除。该文件使用 glp.* GGUF 命名空间，仅限本地权重和实现投影的运行时，作者警告 alpha 值不可移植到其他模型或 revision。
推荐理由：作者给出了投影向量的推导门槛、alpha 阶梯和拒绝率前后对照，还写明各层取舍与局限，可复现性远高于一般的无对齐发布。
Matt Suiche 发布针对 google/gemma-3-27b-it 的 projective control vector（GLP），不改动权重，在语言模型 11–61 层的残差流上以 alpha 0.25 运行时投影，打包为 glp.* GGUF 文件。验证套件显示 stock 模型本就通过 refusal32 的 29/32，加向量后 31/32 comply，benign32-holdout 32/32 不受影响，三个 stock 拒绝的 prompts 全部变为连贯 on-topic 输出；1–10 层因低于置空对照 5x 门槛被排除，作者警告 alpha 不可跨模型移植。
推荐理由：原文给出了完整的 alpha 阶梯、拒绝率和 benign 对照数据，还解释了为何只覆盖 11 到 61 层，方法与证据都比较清楚。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-3-4b-it 的投影控制向量 GLP-28-L6-33-a0.25，在残差流第 6–33 层运行时施加投影（alpha 0.25），不修改权重。验证显示 stock 模型本已通过 32 个拒绝样本中的 30 个，steering 后 32/32 全部配合，良性留出集同样 32/32，无输出损坏；作者提醒 alpha 校准仅限该 checkpoint，不可移植到其他模型，且需本地权重和实现 glp.mode=project 的运行时。
推荐理由：作者给出了完整的拒绝率对照、alpha 阶梯和空转门控数据，读者可以据此评估这个去对齐方向向量的实际效果与局限。
Huihui-ai 发布基于 Qwen/Qwen3.8-27B 的去审查（abliterated）GGUF 版本 Huihui-Qwen3.8-27B-abliterated，通过 abliteration 技术移除模型拒答行为。多个衍生系列仅对 0 起始索引的第 22 到 52 层做消融，并采用 Q2_K_L 至 Q8_0_L 等混合量化以提升响应质量；MTP 与视觉部分未修改。可通过最新版 ollama 或 llama.cpp 运行（-c 262144），官方提示安全过滤已大幅降低，建议仅用于研究测试环境。
erichartford/gemma-3-1b-it-abliterated-mlx-8Bit 现已在 Hugging Face 上提供，该模型由 mlabonne/gemma-3-1b-it-abliterated 转换为 MLX 格式，使用 mlx-lm 0.22.1，并以 8Bit 量化。用户可通过 pip 安装 mlx-lm，用 load 与 generate 接口加载模型并生成回复。
Matt Suiche 在 Hugging Face 发布针对 google/gemma-3-1b-it 的投影控制向量（GLP）文件，运行时在残差流后层按 h <- h - alpha * (h . d) d 施加，作用于第 4、5 和 8–25 层，alpha 0.25，不修改任何权重。验证显示 stock 模型 refusal32 本就通过 29/32，steering 后 32/32 全部交付，benign32-holdout 保持 32/32，alpha 0.25/0.5/1.0 阶梯平坦且零损坏输出；alpha=0.0 对照组 64/64 与 stock 完全一致。
推荐理由：原文给出了投影向量的推导方法、alpha 阶梯与拒绝率对照数据，读者可以据此评估去对齐的实际幅度与适用边界。
AtomicChat 在 Hugging Face 发布 Qwen-Image-2.1-Turbo 的无对齐 GGUF 编码器，将文本编码器 Qwen3-VL-8B-Instruct 的拒绝方向投影移除，作为聊天模型时英文拒绝率从 88.9% 降到 1.2%，俄语从 38% 降到 0%，MMLU 保持 77.35% 不变。实测显示原版 Qwen-Image 流水线本就能绘制全部 45 条敏感提示词的结果，45 条提示词无一翻转，图像 LPIPS 偏移约 0.088。文件按 BF16 到 Q2_K 量化阶梯提供，配 AD 布局和重要性矩阵，可用 stable-diffusion.cpp 以 --llm 参数本地运行，方法沿用 Arditi et al. 的单方向消融。
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%》
Kre80r 在 Hugging Face 发布 ThinkingCap-Qwen3.8-27B-Uncensored-Heretic 的 AutoRound W4A16 量化版，采用对称 4-bit 权重、group size 128，体积从 54.7 GB 降至 18.7 GB，上下文长度 262,144 保持不变。量化在 2x RTX 3090 上约 8 小时完成，已在 vLLM 0.29.0 中通过加载和文本、图像、工具调用冒烟测试，但未做质量评测。该模型经 Heretic 去审查处理、安全对齐大幅削弱，仅限研究与实验用途，许可为 PolyForm Small Business 1.0。
Hugging Face 用户 Zyszztggd 发布基于 Qwen 3.8 27B 的多阶段微调模型，8 bit 量化 arc-c 达 699，4 bit 达 692，高于原版 Qwen 3.8 27B。该模型将 thinking tokens 减少至原来的 1/2 到最低 1/20，提供 5 种推理模式和 5 种 instruct 模式（可经 API 或对话中即时切换），instruct 模式零推理 token。模型以 GGUF 格式发布，含 regular 与 MTP Neo MAX 量化版本，为强去审查（uncensored）版本，基于 Unsloth 在消费级硬件上训练。
Hugging Face 上新模型 gorbatjovy/Swift1.5-Qwen3.8-Flash-Next-abliterated-EXL3-4.05bpw_h6_ng6-v2，是基于 ukisai/Swift1.5-Qwen3.8-Flash-Next 的 abliterated EXL3 4.05bpw 量化版本，供 veloGB10 使用。该模型为多模态图像文本到文本模型，文档提供 Transformers、vLLM、SGLang 及 Docker 的调用示例，均支持 OpenAI 兼容 API。
dealignai 以 CRACK 方式在权重层面去除 GLM-5.3-Flash FP8 版的拒绝行为，HarmBench-320 上 320/320 全部服从、0 拒绝，MMLU 87.33% 高于基座的 86.74%。模型为 320B 总参数、18B 激活的混合 MoE，支持 1M 上下文与视觉，H200 上原生 FP8 解码 163 tok/s（MTP 投机解码 211 tok/s，接受率 75.9%）。2026-08-28 更新修复了重复循环问题，需重新下载；reasoning-off 与 max 档完全去对齐，low 档保留部分拒绝；max 档需 max_tokens ≥ 6000 否则回复为空。
推荐理由：原文给出权重级去对齐的具体方法和 HarmBench-320、MMLU 前后对照数据，读者可据此判断消融效果与能力保留情况。
社区将 Blackfrost 的 Qwen3.8-27B-ABLITERATED（27B 参数）转换为 Inco AI 开源推理引擎 Splash 的 splash-packed-q4 格式，供 LM Studio 在 Apple silicon 上运行。包内含 4-bit affine 量化目标权重（组大小 64）、DFlash 2 投机解码草稿模型、BF16 视觉编码器和 tokenizer，磁盘约 16 GiB，原生上下文 262,144 tokens。转换仅做量化与重排，未改动权重；需 M3 或更新芯片、macOS 26.4+ 及至少 36 GB 统一内存。
AtomicChat 发布 Qwen-Image-2.1-Turbo 的 abliterated 文本编码器 GGUF，将 Qwen3-VL-8B-Instruct 的拒绝方向投影去除，作为聊天模型拒绝率从 88.9% 降至 1.2%（英文）和 38% 降至 0%（俄语），MMLU 保持 77.35% 不变。提供 BF16 到 Q2_K 量化阶梯，AD-Q4_K 的图像 LPIPS 偏移为 0.087（约为换 seed 偏移的六分之一）；实测 45 条敏感提示词中无一改变出图结果，因原版 Qwen-Image 开放权重管线本无过滤器。
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%》
基于的 timteh673/Holo4-27B-Abliterix 量化模型上架 Hugging Face，采用 EXL3 4bpw 量化，源自 Hcompany/Holo4-27B 的 BF16 全精度权重，拒绝方向消融由 timteh673 用 Abliterix 完成。仓库移除了悬空的 MTP 配置且不含 MTP 草稿模型，保留原生 tokenizer 和聊天模板，发布前已用 EXL3 加载并完成文本冒烟验证。该模型仅限 CC BY-NC 4.0 非商业使用，需使用兼容 EXL3 的推理软件。
pierpaolo 在 Hugging Face 发布了 Swift-1.5-Qwen3.8-27B-NVFP4-Uncensored-MTP 的 GGUF 构建，基于 UkisAI Swift 1.5 对 Qwen3.8-27B 的微调，把安全拒绝方向从权重中投影移除，并从带审查的上游版本合并 MTP 头以支持 llama.cpp 的 --spec-type draft-mtp 推测解码。
推荐理由：作者给出了拒绝方向的投影方法、消融后拒绝率前后对比和 MTP 接受率数据，读者可据此判断这个去对齐版本的去对齐程度和性能代价。
SargeDev 在 Hugging Face 发布 JEV-27B-VL-Uncensored-NVFP4，将 AutoTrust 的 System-1 决策模块合并进 huihui-ai 的 Huihui-Qwen3.8-27B-abliterated 底座（layers 18-51 ablated，视觉塔不动），再做 NVFP4 量化（文本塔 W4A4 + FP8 down_proj，视觉塔保留 bf16）。在 27,695 行测试集上，noul AUROC 从 0.9961 降至 0.992，choice 与 score top-1 分别下降 3.4 和 7.6 个百分点，未达原厂门槛；温度重校准后 ECE 全部达标，10 条提示词测试拒绝率为 0.0。
推荐理由：原文给出换用 abliterated 底座前后在 27,695 行测试集上的指标对照，能看清去对齐替换底座对决策能力与校准的实际代价。
SargeDev 发布 JEV-27B-VL-Uncensored 的 EXL3 量化版，将 AutoTrust System-1 决策模块合并进 huihui-ai 去审查版 Qwen3.8-27B 骨干，量化约 3.0 bpw 路由权重。在 jev-distill-corpus-v3 的 test_set_30k（27,695 行）评测中，noul AUROC 0.992 通过门槛，但 choice top-1 0.870 与 score top-1 0.814 未达门槛。EXL3 精度校准测试尚未完成，refit 温度未经此精度验证。
huihui-ai 发布 abliterated 版 Qwen3.8-Flash-Next，通过 abliteration 技术在不使用 TransformerLens 的情况下去除模型的拒绝回复行为。GGUF 文件来自 unsloth 系列，支持最新版 Strata 和 llama.cpp，可用 llama-cli 以 262144 上下文长度运行。该模型安全性过滤被大幅削弱，仅建议用于研究和受控测试环境，不适合生产或公开商业应用。
alesha-pro 发布 GLM-5.3-Flash-abliterated-Maya-M-GGUF，基于 Project Maya 的 Maya-M 量化，附带 2.2 MB 拒绝方向向量和 Maya 引擎补丁，可在推理时逐层移除拒绝。在 4x RTX 3090 上开启向量后 256K 上下文解码 56 tokens/s；178 条 AdvBench 与 JailbreakBench 请求中仅 2 条仍拒绝（自杀与自残相关），未开启向量的 EXL3 2.05 bpw 量化上原模型拒绝 144/146，开启后 438 条回答 0 拒绝。
推荐理由：作者给出拒绝向量构造方法与178条请求的拒绝率前后对比，并附KLD数据，读者可自行判断去对齐幅度。
satellitedown 在 Hugging Face 发布 Qwen3.8-Flash-Next 的 abliterated fngine 单 GPU 推理包，迁移 huihui-ai 的消融结果，48 层单拒绝方向拟合最小余弦 0.9999985。在 RTX 5090 上对 32 个轻度提示词，未消融版拒答 8 个、该包 0 个，数学、Python 与知识测试两版得分相同，速度无可测差异。pack 约 89 GiB，要求 sm_120a GPU、约 60 GB 主机内存，提供 OpenAI 兼容接口与 256K 上下文。
推荐理由：给出了 abliteration 的迁移方法、消融方向拟合与拒绝率前后对照，可复核的去对齐发布。
作者发布 GLM-5.3-Flash 的 EXL3 混合量化（gate/up 2 bit、expert down 3 bit，约 2.4bpw，98.1 GB），并附 2.2 MB 的逐块去拒向量，运行时从 4 条残差流中减去各 3 个方向来移除拒绝。在 4x RTX 3090 上可跑 256K 上下文（77% 专家驻留 VRAM），256K 下 178 个 AdvBench/JailbreakBench 回答 0 拒绝，原版 2.05bpw 量化在无思考模式下 146 请求拒绝 144 个；带向量后速度为 52.4 tokens/s 对比无向量 53.7。KLD 0.0959，需配合作者自己的 exllamav3 fork 使用，许可证 MIT。
推荐理由：作者给出逐块去拒方向的构造方法、拒绝率前后对照和KLD量化数据，可自行复现并检验量化与去对齐的实际代价。
作者 alesha-pro 发布 GLM-5.3-Flash 的去拒绝版本，复用 turboderp 的 EXL3 2.05bpw 量化权重，仅新增一个 2.2 MB 的逐块向量文件（44 个块各 3 个方向）并在自研 exllamav3 fork 中运行时减除。在 4x RTX 3090 上以 256K 上下文、视觉、工具调用和 MTP 达 75 tokens/s；438 条 AdvBench 与 JailbreakBench 请求中，加向量后拒绝数从 222 降至 0（严格二分类判定为 1/438），代价是 KLD 从 0.1219 升至 0.1318。作者同时提供 2.4bpw-mix 与 GGUF 版本，并列出仅有单一硬件、无人工标注等限制。
推荐理由：原文给出逐块去拒绝向量的构造方法、438 条请求的拒绝率前后对比和 KLD 代价，可复现也可据此评估损失。
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。
dealignai 发布 GLM-5.3-UNCENSORED-FP8，对基于 zai-org/GLM-5.3（753B）的 FP8 量化版做权重级去对齐，声称仅修改 bf16 residual writer 张量、非 LoRA 或运行时钩子。HB-320 评测中非版权行为的 TRUE_COMPLY 达 91.7%（off），v2 修复了 v1 约 2% 的推理循环问题并使 GARBAGE 降为 0，代价是整体 TRUE_COMPLY 约降 4pp；MMLU 87.43% 较基线 +1.85pp。文中还给出 vLLM 部署参数与 reasoning_effort 只认 low/high 等注意事项。
推荐理由：原文给出完整拒绝率与 MMLU 对比数据，还附带 vLLM 部署注意事项，读者可据此评估这个去对齐版本的实际表现。
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》
Nova-Zero 在 Hugging Face 发布 Gemma-4-E4B-it-Uncensored-GGUF 无审查 GGUF 量化模型，提供 Q5_K_M 量化版本。该模型可通过 llama.cpp、Ollama、Docker、LM Studio、Jan 等多种方式本地运行，支持启动 OpenAI 兼容本地服务器和终端直接推理，也可在 Pi、Hermes、OpenClaw 等 Agent 工具中配置使用。
HauhauCS 在 Hugging Face 发布基于 Qwen3.8-27B 的 Aggressive 无对齐 GGUF 量化系列，测得 0/465 次拒绝，主打直接作答、无拒绝行为。每个文本 GGUF 保留原生 NextN/MTP 头，配套 FastMTP 32K 草稿侧车在 Q8_K_P 下实现文档 TG 3.02x、推理 TG 1.93x（对比关闭 MTP），并提供 llama.cpp 补丁、部署命令、Ed25519 签名清单与 RTX PRO 6000 Blackwell 及 RTX 6000 Ada 的实测速度表。
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。