新闻、仓库与研究，按时间排列。
MIT Media Lab 等机构在 EMNLP 2026 发布 HugAgent 基准，评估大语言模型能否仅凭本人访谈话语模拟具体个体的推理与信念更新，含信念状态推断（BSI）和信念动态更新（BDU）两个任务。基准基于 54 名参与者、3 个争议领域共 1,742 个条目，已以 gated、CC BY-NC 4.0 协议发布在 Hugging Face（social-atoms/hugagent）。结果显示模型较能恢复个体信念（最佳模型比人类上限低 7 至 9 分），但预测个体如何改变立场明显偏弱，最佳模型 68.6% 对人类的 85.7%，且该差距在所有被测模型家族中都存在。
推荐理由：基准测出模型能推断个体信念却难以预测其转变，榜单和评测脚本都开放，结果可直接复跑。
3MPER0RR 在 Hugging Face 发布 Qwen3-06B 的 abliterated 版量化模型，采用 Q8_0 GGUF 格式。该模型可在 Transformers、llama.cpp、vLLM、SGLang、Ollama、LM Studio、Docker Model Runner 等多种工具中加载，llama.cpp 与 vLLM、SGLang 均支持启动 OpenAI 兼容 API 服务。
Hugging Face 新增 dotyerts 发布的 MiMo-V2.6-Flash-RL-UNCENSORED-oQ8e-mtp 量化模型。该模型使用 oQ（oMLX v0.7.0）混合精度量化，为 8 bit、group size 64，格式为 MLX safetensors。
Subnet46 在 Hugging Face 发布 GLM-5.3-Flash-Uncensored-FP8，对 Z.ai 的 GLM-5.3-Flash（320B/18B-active MoE）做 abliteration 去除拒绝方向，并直接写入官方 block-FP8 权重分片，共修改 12,479 个残差写入矩阵，可在已有部署中作为 zai-org/GLM-5.3-Flash 的直接替换。在 JailbreakBench 测试集上有害拒绝率从 0.891 降到 0.094，良性过拒从 0.094 降到 0；MMLU、MMLU-Pro、GSM8K、CMMLU 变化均在 ±1.5 pp 内。
推荐理由：原文给出了完整的消融方法、各阶段拒绝率前后对比与能力保留数据，还报告了部分内容类别无法被单一方向消融的发现。
3MPER0RR 在 Hugging Face 上发布 Qwen3-06B-3MPER0RR-abliterated 模型。该模型可通过 Transformers 的 pipeline 或 AutoModelForCausalLM 直接加载，也支持 vLLM、SGLang 和 Docker Model Runner 部署，后两者均提供 OpenAI 兼容 API 调用，并可通过 `docker model run hf.co/3MPER0RR/Qwen3-06B-3MPER0RR-abliterated` 运行。
John2202 在 Hugging Face 发布 Qwen3-1.7B-abliterated 的 Q4_K_M GGUF 量化版本，由 mlabonne/Qwen3-1.7B-abliterated 通过 llama.cpp 转换而来。用户可通过 llama-cli 或 llama-server 命令直接加载使用，服务器模式默认 -c 2048 上下文。模型也可在 llama.cpp 仓库中按源码编译方式（支持 LLAMA_CUDA 等 GPU 加速编译选项）直接调用。
GitHub 上的 hotel-rag-assistant 项目用 RAG 让本地模型根据酒店 PDF 文档回答客人问题，检索不到就拒答，全程本地运行、无需 API key。默认配置为 Qwen2.5-1.5B-Instruct 加 2 句窗口切片，在 34 个测试问题上答对 24/26（92%），并拒绝全部 8 个离题问题，CPU 上每次回答约 18 秒。项目提供 Streamlit 界面、hotel-rag CLI、内置评测，纯检索 MRR 达 0.981。
Open SLM Evaluations 发布，这是一个包含 106 个 SLM（150M 参数及以下）benchmark 成绩的数据集，附各模型链接、参数量与名称。评测独立完成，每个模型在 Runpod B200 上运行约 30 GPU 分钟，数据以 Apache 2.0 协议开源。
开发者更新了自托管多人文字 RPG 游戏 Anyworld，由 AI 担任地下城主，新增 Docker Compose 部署和零配置 Cloudflare Quick Tunnel，可直接打印公网 HTTPS 链接供玩家加入。本地推理基于 llama.cpp 与 NVIDIA GPU，从 Hugging Face 下载配置好的 GGUF 模型，提供 16 GB VRAM 系统的推荐设置，也可改用 OpenAI。游戏记录在容器重建后保留，作者称临时隧道 URL 偶发访问失败，欢迎反馈。
kmnstudio101 在 Hugging Face 发布 meta-models/Muse-Glimmer-30B 的去对齐版本，使用 Heretic v2.0.0.dev0+custom 消融制作，关键词从 100/100 降至 0/100，KL 散度为 0.0375。模型卡提示安全对齐已大幅削弱，仅供研究与实验使用，避免部署到公开或面向最终用户的服务。
推荐理由：原文列出了 Heretic 消融参数与关键词、KL 散度的前后对比，读者可以据此判断这个去对齐版本改动程度。
Reflection 发布开放权重模型 Beam 1.0，采用 MoE 架构，总参数 501.3B、激活 23.4B，支持 1M 上下文，以 Apache 2.0 许可提供 BF16、FP8、NVFP4 三种精度。官方称其推理 token 用量约省 3 倍，SWEBench Verified 达 81.6%，AIME 2026 达 97.7%，不禁止蒸馏和微调。
推荐理由：官方模型卡给出完整基准表和三种量化版本数据，读者可以据此对比 Beam 与其他开放权重模型在编码和推理任务上的表现。
kmnstudio101 发布 Muse-Glimmer-30B-Heretic-Abliterated-BF16 v2，使用 Heretic 工具经 500 次 Optuna 试验完成消融，拒绝率从 v1 的 29% 降至 6.5%，KL 散度为 0.076。消融流程包括跨 52 层计算拒绝方向、LoRA 适配器投影去除拒绝方向并合并回基础权重。BF16 版本约需 55 GB 显存，另有 Q4_K_M 约 16 GB、Q6_K 约 22 GB、Q8_0 约 28 GB 的 GGUF 量化版本，许可证为 Apache 2.0，基础模型为 Meta Muse Glimmer 30B。
推荐理由：原文给出 v1 到 v2 的拒绝率与 KL 散度对比数据和完整消融流程，读者可据此评估这个去对齐版本的效果与质量代价。
kmnstudio101 发布 meta-models/Muse-Glimmer-30B 的去消融版本，用 KL 约束（λ_KL=1.0）的 BoN 引导 LoRA SFT 将安全拒绝率从 100 降到 13/100，LoRA 仅占参数量 0.10%，随后折叠进基础权重。提供 bf16 两个 safetensors 分片（56 GB）及 Q8_0（28 GB）和 Q4_K_M（16 GB）GGUF 量化，各量化变体的 KL 均值分别为 0.1018 与 0.1444；基准评测按作者要求跳过，能力保留未重测。
推荐理由：作者公布了完整的KL指标、拒绝率与训练配置，并说明能力未重测，读者可以据此自行评估损失程度。
Hugging Face 用户发布社区合并检查点 qwen3.5-9b_abliterated_0x100refusal_vision_int8_convrot，将 lukey03/Qwen3.5-9B-abliterated 的语言权重与 huihui-ai 的 337 个视觉张量合并，共 1,264 个张量、约 9.83 GB，面向支持 INT8 ConvRot 量化的 ComfyUI。250 个语言矩阵相对 L2 量化误差平均 0.9713%。"0% Refusal" 仅为上游命名，并非实测拒绝率；该项目为 Apache-2.0 许可的实验性合并，非官方发布。
auto7x 在 Hugging Face 上发布了 OrcaRouter-Qwen3.8-Flash-Next-Uncensored-ModelOpt-NVFP4-GGUF 模型仓库。该仓库提供 GGUF 格式的无审查（Uncensored）NVFP4 量化模型，目前 README 页面内容为空，作者未补充模型说明。
用户 shawnw3i 在 Hugging Face 发布 Qwopus3.8-27B-Flash-V2-abliterated-exl3-6bpw 模型，采用 Safetensors 格式，模型大小为 11B params，张量类型为 BF16 · F16 · I16。该模型没有模型卡，也未部署任何 Inference Provider。
Liquid AI 在 Hugging Face 发布开源决策模型 d1-3B 与实验性 d1-omni-600M，模型不做 token 生成而在单次前向传播中给出答案。d1-3B 在 Decision Index 0.2.1 得分 48.57，为 10B 以下最佳，基于 LFM2.5-VL-3B 训练，支持文本与图像输入，在 Jetson AGX Thor 上单问题推理仅需 16 ms，RTX 4090 上 8 ms；在七个公开数据集上均分 82.9，高于 Decider 4B。d1-omni-600M 基于 LFM2.5-Encoder-350M 并加入视觉与音频编码器，均分 78.4 超过参数量四倍于它的 Decider 2B（77.1），目前为早期研究版本。
推荐理由：决策模型不做生成而是单次前向输出答案，原文给出的边缘设备毫秒级延迟数据展示了这一路线的实际可行性。
OS-Software 在 Hugging Face 发布基于 Heretic 消融的去审查版 llm-jp-4.1-33b-thinking，针对目标层 34–49 设置自定义参数。在 Q4_K_M 量化下，有害提示拒绝数从原版的 88/100 降至 0/100，首 token KL 散度 0.0118，MMLU 74.05%（原版 74.37%），HumanEval pass@1 93.29%（原版 94.51%）。作者声明该模型安全对齐已大幅削减，仅供安全研究与红队测试等实验用途。
同一新闻，精选展示《OS-Software 发布 llm-jp-4.1-33b-thinking 的 Heretic 去审查 GGUF 版》
OS-Software 发布了 llm-jp/llm-jp-4.1-33b-thinking 的去对齐 GGUF 版本，使用 Heretic 的自定义 fork 消融参数制作。在 Q4_K_M 量化下，拒绝率从原模型的 88/100 降到 0/100，KL 散度 0.0118，MMLU 74.05% 与 HumanEval pass@1 93.29% 相比原模型分别下降 0.32 和 1.22 个百分点。作者标注该模型仅用于安全研究与红队测试等用途，输出需独立验证。
推荐理由：原文给出了 Heretic 消融参数和拒绝率、KL、基准的前后对比，读者可以据此判断这个去对齐版本的能力损失程度。
dealignai 发布 GLM-5.3-Flash 的 CRACK 去对齐 FP8 权重，通过直接修改张量移除拒绝行为，320B 总参数、18B 激活，HarmBench-320 在 reasoning-OFF 和 MAX 档 100% 服从、拒绝率 0%，MMLU 87.33% 高于基座 86.74%。作者说明低推理档保留部分拒绝，weight 修复版需重新下载；附 vLLM 部署参数，H200 上解码 163 tok/s、MTP 投机解码 211 tok/s，并给出 reasoning_effort 只接受 low 和 high、max 档需 max_tokens 6000 以上、视频 fps 须低于片源帧率等实测注意事项。
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》
基于 Qwen3.5-4B 的社区对话/角色扮演微调模型在 Hugging Face 发布，提供 ~3.5 GB 的 Q6_K GGUF 量化文件，支持 llama.cpp、LM Studio 和 Ollama。模型用 Unsloth QLoRA（rank 16、alpha 32）在 AMD RX 6700 XT 上训练，数据集约 11,400 行对话，最终 train loss 约 0.92，上下文最长 2048 token。另有 ~672 MB 的 F16 视觉投影文件，仅图像输入时需要。
jedzqer 在 GitHub 发布面向安卓的漫画翻译 App：本地完成气泡检测与 OCR，结合 OpenAI 兼容接口翻译，并在原图上覆盖可拖动的翻译气泡，支持悬浮窗屏幕翻译、CBZ/ZIP/PDF 导入、glossary. 译名表与后台翻译通知。模型侧使用 YOLO26s-seg 双标签分割做气泡检测，配合 PaddleOCR PP-OCRv6/PP-OCRv5 系列识别日、英、韩、中等多种源语言，构建需 JDK 17.0.17+ 与 Kotlin 2.0.0+。
作者 Hadi 对 XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B（MIT 许可）做拒绝消融，在 Hugging Face 发布 Flexingmeow/MiMo-V2.6-Distill-Qwen-9B-Abliterated（D 激进变体），拒绝率从 78.1% 降到 9.4%，数学推理准确率保持 100%，困惑度变化小于 0.03 NLL。因 qwen3_5 混合注意力架构不被现有工具支持，作者自写了基于 transformers 的管线，全程 CPU 完成。关键发现是拒绝方向必须从生成的回复区提取，在提示词末 token 提取的方向消融后无效（KL ≈ 1e-7，拒绝率不变）；作者也提示评测集较小且微调可能重新引入拒绝。
推荐理由：原文给出完整消融方法、拒绝率前后数据和评估局限，还提出推理模型需在生成区提取拒绝方向的可迁移结论。
NVIDIA 基于 Nemotron 3，通过 SFT、RL 和反馈驱动推理分别构建了达到 IMO 2026 和 IOI 2026 金牌水平的系统。IOI 2026 上 Nemotron-3-Ultra-CC 得 535.4/600，高于 361.12 的金牌线和 498.27 的人类最高分；IMO 系统用 SFT 与 RL 检查点加 generate-verify-refine 流程得 30/42，超过 29 分金牌线，全程仅用自然语言，无形式化证明器或外部工具。SFT/RL 检查点、训练数据集、含 200 道竞赛题的 Nemotron-IMO-Bench 及 NeMo-Skills 推理管线已在 Hugging Face 开放。
推荐理由：原文完整给出了两个项目的训练数据规模、各阶段分数和可复用的四步特化配方，权重、数据和推理管线都已开放。
TII 在阿布扎比推出 1.6B 参数语音识别模型 Falcon-ASR，重点支持阿联酋方言，同时支持英语、法语、西班牙语和葡萄牙语。模型在六个阿拉伯语测试集上平均 WER 为 20.92%，优于所对照榜单最佳已发布结果 23.17%；内部阿联酋评测中 WER 22.73%、CER 10.19%，为对比系统中最低。模型支持词级时间戳，现已可在 Hugging Face Demo 试用，API 与原生应用已列入计划。
ATML PA2（LLM Post-Training）课程作业的学生 starter 仓库上线，涵盖 DPO、PPO、GRPO、安全校准与 RLVR vs RLAIF 五个任务。课程资产（固定数据集、诊断缓存和续训 checkpoint）通过 GitHub Release 以 pinned revision 0b350481fb03f5525a35bcdec4131bd4fe487f98 分发；环境固定 Transformers 4.57.1、TRL 0.27.2、PEFT 0.17.1。Tasks 1-3 各含一个刻意算法缺陷待学生修正，PPO/GRPO 从提供的 midpoint checkpoint 续训，RLVR 和 RLAIF 使用冻结策略仅做评估，续训生成上限默认 512 tokens。
一份从 LLM 和 Transformer 理论转向动手实践的学习路线图，目标在 9 月底前掌握微调与训练。内容按 8 个阶段推进，覆盖 Tokenization、Embeddings、向量数据库（ChromaDB、FAISS、Qdrant）、RAG、Hugging Face 数据管道，以及 LoRA / QLoRA / PEFT 实操微调。硬件策略建议本地用 0.5B–1B 小模型起步，7B 用 QLoRA，算力不足时改用 Google Colab 或 Kaggle GPU。
作者发布了 huihui-ai/Huihui-MiniCPM-V-4.6-abliterated 的 8-bit MLX 量化版 YCF-AI/MiniCPM-V-4.6-Huihui-abliterated-8bit-MLX，体积仅 2.3 GB，M1 Ultra 上解码约 140–180 tok/s。相比旧 mlx-community 8bit 版，换用去审查权重是为全栈一致去审查；Heretic 去审查版因空间描述退化被弃用。关键改动是把图像 token 的 downsample_mode 从 16x 改为 4x，使 30 行大页 OCR 达到 120/120 零漏行、35 项视觉套件 35/35，且速度无可测损失。
推荐理由：原文给出换用 Huihui 去审查版而保持 OCR 精度和速度的实测对照，还解释了 4x 下采样为何修复大页 OCR。
bilibili Index LLM Team 发布 Index-Translate 多语言翻译模型家族，基于 Qwen3.5，文本模型覆盖 150 种语言，提供 2B、9B 和 35B-A3B（preview）权重，已在 Hugging Face 和 ModelScope 开放。
推荐理由：原文给出了各尺寸模型的评测数字、量化版本和免费API入口，读者可以直接对比选型并上手部署。
marin-research-tools 仓库发布 Zero to Cited in Six Days 单体测量研究：虚构奇幻作家身份 Marin T. Kael 于 2026-05-11 上线，23 天内每日轮询 5 个联网 LLM、16 个标准化问题，产出约 16,000 个评分数据点，T+6 天出现首次有来源引用，T+4 天进入 Google Knowledge Graph。
Optimum Intel 是 HuggingFace Transformers、Diffusers、Sentence Transformers、timm 与 Intel OpenVINO 之间的接口，可对模型做量化、剪枝和知识蒸馏等压缩优化，导出为 OpenVINO IR 格式并运行推理。通过 pip install -U optimum-intel 即可安装，支持 Intel CPU、GPU 及专用 DL 推理加速器，也可使用 optimum-cli 导出如 TinyLlama_v1.1 等模型，或对 Whisper 等模型做 int8 静态量化。
KENIC-1 在 Hugging Face 发布 Qwen3.8-Flash-Next-GSQ-RCO-abliterated-GGUF，通过字节级张量转植把或carouter 无对齐权重的 144 个 write-to-residual-stream 张量替换进 ISTA-DASLab 的 GSQ-RCO 量化文件，覆盖全部 48 层，不重算任何 GSQ 学到的量化值。消融是严格 rank-1 线性编辑，单个方向在 48 层、两种注意力与 512 个路由专家间一致。IQ3_S 构建经逐张量 blake2b 校验：144 个目标全部改变、其余 1079 个张量逐字节不变；行为抽查中上游拒绝的绕过付费墙请求此版本会详细回答，但作者说明这只是抽查而非完整评测。
timfromhcs 在 Hugging Face 发布 google/gemma-4-E4B-it-qat-q4_0-unquantized 的 abliterated（去审查）GGUF 版本，通过 remove-refusals-with-transformers 方法移除模型拒答。可用最新版 Ollama 直接运行 huihui_ai/gemma-4-abliterated:E4B-qat，或用 llama.cpp 运行 Q4_K GGUF，支持 -ngl 99、-c 262144 上下文及 draft-mtp 推测解码。作者警告模型安全性过滤大幅降低，仅建议用于研究、测试或受控环境，后果由用户自负。
AEON-7 的 Gemma-4-12B-it-AEON-Abliterated K=4 GGUF 量化版本已上架 Hugging Face，基于 google/gemma-4-12B-it 的 abliteration 版本，采用 K=4 多方向范数保持双投影方法，可消除标准拒绝模式并降低 wikitext PPL 漂移。提供 Q3_K_M 到 Q8_0 共 5 档量化，其中 Q4_K_M 为 7.38 GB，可完整放入单张 T4/RTX 3060/4060。
作者为 PrismML 的 Ternary Bonsai 2 27B 重训了原针对 bf16 Qwen3.8-27B 的 z-lab DFlash 2 drafter，用 1.5M tokens 的 Bonsai 2 贪心输出微调，并在 Hugging Face 放出 safetensors 和 Q4_K_M GGUF 权重。单张 L4 贪心解码下 GSM8K 2.17x、MBPP 2.17x、MATH-500 2.20x、MT-Bench 1.39x，代码编辑叠加 ngram-mod 后达 3.15x；M4 Pro 上代码补全 1.5x；浏览器内 LocalMind 的 WGSL 移植在代码上 1.18x 且输出一致。作者注明数据来自一台 L4 和一台 M4 Pro，并给出三套运行时的配置文档。
推荐理由：作者重训了投机解码 drafter 并给出三套运行环境的实测加速数据，本地部署 Bonsai 2 的读者可以直接复用配置。
huihui-ai 发布 Huihui-gemma-4-12B-agentic-fable5-abliterated-GGUF，这是基于 yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF 的去审查（abliterated）版本，整个消融过程仅用 llama.cpp 完成，不依赖 Transformers。模型可通过 huggingface-cli 下载，示例命令以 Q8_0 量化运行并设置 8192 上下文。官方警告该模型安全过滤大幅减弱，建议仅用于研究和受控环境，风险由用户自行承担。
HauhauCS 在 Hugging Face 发布基于 Qwen/Qwen3.8-27B 的 Aggressive 无对齐 GGUF 量化版，实测 0/465 拒绝，定位为直接给答案、极少前置说明的变体。全部量化保留原生 MTP/NextN 头和 262,144-token 原生上下文（可扩展至 1,000,000），支持文本、图像和视频输入，需另下 BF16 projector。
vtuber-plan 开源了 Olah，一个自托管的轻量 Hugging Face 镜像服务，在用户下载时按文件块缓存资源，而非整站反向代理，支持 models、datasets、Spaces 镜像。后续下载直接读缓存以提速省带宽，管理员可通过 configs.toml 配置仓库的代理与缓存权限、缓存上限和 LRU/FIFO/LARGE_FIRST 清理策略，提供 pip、源码和 Docker（多架构镜像 xiahan2019/olah）三种安装方式，客户端设置 HF_ENDPOINT 即可使用，项目采用 MIT 许可证。
推荐理由：这是一个可自托管的 Hugging Face 镜像缓存工具，按文件块缓存与缓存策略配置的思路可迁移到团队内网加速下载。
GitHub 上的 complex-RAG-guide 仓库提供复杂 RAG（检索增强生成）管线的分步实现指南。教程覆盖数据收集、预处理、用 Hugging Face Transformers 训练、以 BLEU/ROUGE/F1 评估，并用 Flask 或 FastAPI 部署，采用 MIT 许可证开源。
Hugging Face 上发布了基于 Qwen/Qwen-Image-2.1 原始权重的 Uncensored GGUF 量化模型，提供 BF16（14.23 GB）到 Q4_0（4.15 GB）多种量化格式，推荐体积与画质平衡最佳的 Q4_K_M（4.60 GB）。模型无内置安全检查器或内容过滤，可直接生成成人、NSFW 及敏感图像，不会拒绝提示词或输出黑图。配套的 qwen3vl_8b 文本编码器与 VAE 文件可直接用于 ComfyUI 及 ComfyUI-GGUF，文本编码器可卸载到系统内存以节省 9–17 GB 显存。