新闻、仓库与研究，按时间排列。
dealignai 发布了 DeepSeek-V4.1-Flash-1017 的无对齐 FP8 权重版本，仅做权重级消融，保留视觉、视频、工具调用、推理档位和原生 1M token 上下文，不含量化派生、聊天模板改动或 LoRA。HarmBench-320 在 reasoning_effort=max 下 320/320 全部 COMPLY、零拒绝；内部 MMLU（1140 题）从基线 87.63% 降到 83.77%，降 3.86 pp，人文学科降 7.31 pp。仓库为 gated 访问，MIT 许可，另提供 EXL3 2.9 bpw 版本。
同一新闻，精选展示《DeepSeek-V4.1-Flash-1017 无对齐 FP8 权重发布，HarmBench 320 题全部合规》
dima6312 在 Hugging Face 发布 Flint-40B-A2.5B-abliterated，移除了 RecursiveSI Flint 40B-A2.5B 的拒绝方向，面向漏洞分析、恶意软件分诊、检测工程、CTF 和红队工具等安全工作。消融用 abliterix 从 attention 输出与 shared-expert、routed-expert 投影中移除拒绝方向，Optuna 经 50 轮试验选择强度。
同一新闻，精选展示《dima6312 发布 Flint 40B-A2.5B 的 abliterated 无对齐 GGUF 版》
dima6312 在 Hugging Face 发布 RecursiveSI 的 Flint 40B-A2.5B 去除拒绝方向的 abliterated 版本，提供 BF16 safetensors 与 GGUF 权重。
推荐理由：原文给出消融方法与配对评测数据，MITRE 拒绝率从 0.15 降到 0.0 且各基准质量未显著下降，可据此判断去对齐代价。
npario 在 Hugging Face 发布 gemma-4-31B-it-qat-uncensored-heretic-UDmerge-GGUF，将 llmfan46 的 abliterated 张量合并到 Unsloth 无损 Q4_0 量化中，称可获得比朴素消融量化更好的准确率和拒绝率。提供两个变体，UDmerge-Q4_K_XL 将 attn_output.weight（blk.10 至 blk.35）量化为 Q4_0，UDmerge-Q4_K_XXL 量化为 Q8_0，后者拒绝率 20%，与 QAT BF16 持平，且基本不影响 TG 速度；实测 QAT Q4_0 拒绝率为 32%。
推荐理由：作者用统一的 PPL、KLD、拒绝率和 MMLU 数据对比了合并版与朴素消融量化的差异，Q8_0 变体把拒绝率压回 20%。
Hugging Face 上发布 Sage-A1.5 Heretic Abliterated 的 EXL3 4.0bpw 量化版本，由 exllamav3 1.6.4 的 convert.py 生成，decoder 约 4.05 bpw、lm_head 6 bit、MTP 4 bpw，视觉塔保持 bf16 未量化。目录约 19GB 含三个 safetensors shard，MTP 权重与预处理器配置从父模型 InternScience/Sage-A1.5 补齐，需 exllamav3 1.6.4 加载，可用 -mode qwen35 并开启 MTP draft。
distributedcognition 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 的 abliterated 版本，将 refusal directions 从同系 DeepSeek-V4.1-Flash-abliterated 迁移而来，以 scale 3.0 的保范双投影编辑作用于 attn.wo_b 和共享专家 ffn.shared_experts.w2（第 4-36 层）。评测显示 LLM 评审下真实拒绝率从基座的 99/100 降到 0/100（53 条完全配合、47 条带免责声明），无害提示 KL 散度 0.093，GSM8K 抽测 18/20 对比基座 19/20。
推荐理由：原文给出拒绝率前后对比、KL 散度和 GSM8K 抽测数据，并说明关键词检测与 LLM 评审的差异，读者可据此评估去对齐程度。
bearzi 发布 mrfakename 制作的去审查版 DeepSeek-V4.1-Flash-1017-abliterated 的 MLX 量化模型，采用 oQ4e 级别量化，总权重 402.4 GiB，通过方向性消融移除拒答行为。在 512 GB 统一内存的 M3 Ultra 上测试：4k 上下文贪心解码 36.5 tok/s，4096 token 预填充 419 tok/s，Engram 表可留在 SSD 以节省内存。与原模型逐张量比对仅 124 个去审查编辑张量有差异。
Hugging Face 用户 MishraNepali 发布 Lily-Cybersecurity-7B-Uncensored 的 GGUF Q5_K_M 重新量化版本，体积从 13.5GB 降至 4.07GB，可在 16GB 内存的 CPU 上运行，也可在 Google Colab 使用。该模型源自 segolilylabs/Lily-Cybersecurity-7B-v0.2（Apache 2.0 协议），中间版本由 NiroshanDH 量化并做 abliteration 处理，推荐上下文窗口 4096 tokens，量化版可能出现模型幻觉。
Hugging Face 上线 mradermacher 制作的 Spark-X2.6-4B-Tema_Q-Abliterated-i1 GGUF 量化模型。该模型参数规模为 1.77M，页面未提供下载量统计，仓库卡片缺少 YAML 元数据，硬件兼容性信息需登录后查看。
TristanUK 在 Hugging Face 发布 abliterated 版 Qwen2.5 7B 的 GGUF 量化模型（Q4_K_M），提供去审查变体供本地推理使用。该模型可通过 llama.cpp 直接运行，支持 llama serve 启动 OpenAI 兼容本地服务器或命令行推理，也提供 Ollama（ollama run）、Docker Model Runner、Lemonade 等拉取运行方式。此外可接入 Pi、Hermes Agent、OpenClaw 等本地 Agent 工具，作为默认模型使用。
tegsvenson 发布 Qwen3.8-Flash-Next-Uncensored 的 Q5_K_S 重打包 GGUF，将 96 个 hyper-connection inject 张量改为 F32 存储，使其可被 Splash 1.4.0 加载，其余 1,128 个张量与 orcarouter 原版逐字节一致，体积仅增加 12.42 MiB。该版本移除安全对齐（abliterated），在 M4 Max 128 GB 的 MacBook Pro 上经 oMLX 0.7.2 测试，可加载完整 262,144 token 上下文，冒烟测试输出速度 98.4 tok/s。
Hugging Face 上架了基于 huihui 解除限制版 GLM 4.5 Air 制作的 50% REAP 剪枝模型，由 concedo 上传，格式为 GGUF、BF16。相比此前失败尝试，校准数据集被泛化（仍保留 60%/40% 创意偏置），激活记录长度提升到 8192（此前 3072），并用稀疏观察器避免物化整个 [128, dim, tok] 块。模型目前未经测试，可能无法加载或输出乱码。
AtomicChat 发布 inclusionAI/Ling-3.0-flash-Sante（127B bailingmoe3 医疗模型）的 abliterated GGUF 量化版，用投影 rank-1 LoRA 移除单一拒绝方向并烘焙进权重。在 W* 点实测：英文有害指令拒绝率 0.0%，俄语误拒率 3.0%（较基线降 1.2 pp），MMLU 基本不变，对基线 BF16 的 KL 为 0.060，工具调用 20/20 有效。注意开启思考模式时拒绝率仍约 40%，建议关闭思考模式使用；提供 IQ4_XS（约 78 GB）与 IQ3_S（约 61 GB）两种量化，MIT 许可。
推荐理由：原文给出消融方法与拒绝率、MMLU、KL 等前后对照数据，还提示思考模式下拒绝率仍高，读者可据此判断实际效果。
candor-lab 在 Hugging Face 发布 Qwen3.8-27B 的去对齐版本 Qwen3.8-27B-Candor-Uncensored-GGUF，用其自研权重编辑工具 Candor 移除原版的拒答方向，以单一 Q4_K_M GGUF（16.81 GB）形式在 llama.cpp 上实测。方法是对 26-63 层注意力输出矩阵和 22-56 层 MLP 输出矩阵做 rank-3 修改（共 73 个矩阵），经 600 次搜索试验筛选。实测显示：288 个 StrongREJECT 有害提示下原版拒答 281 次，该模型仅 1 次（8B 判官口径）；300 个无害提示拒答 2 次、GSM8K 答对 1287 题，与原版差异不超噪声；KL 散度 0.038。
推荐理由：原文给出了消融方法的层级改动细节和与原版、huihui-ai 版的拒绝率与 KL 散度对照数据，可据此评估这个去对齐版本的实际取舍。
Hugging Face 上架了基于 huihui 去限制版 GLM 4.5 Air 制作的 50% REAP 剪枝模型，由 concedo 上传。相比此前尝试，校准数据集被泛化（仍保留 60%/40% 创作偏向）并按源数据重新封装，激活记录长度从 3072 提升到 8192，并采用稀疏 observer 避免物化整个 [128, dim, tok] 块。该模型目前未经测试，可能无法加载、产生乱码或无法量化。
Hugging Face 上由 concedo 上传的 GLM 4.5 Air abliterated 版本（huihui 去限制版）的 37.5% REAP 剪枝模型。相比此前失败的尝试，校准数据集被泛化（保留 60% creative bias）并按源基准重新打包，激活记录长度从 3072 提高到 8192，并使用稀疏 observer 避免物化整个 [128, dim, tok] 块。模型目前未经测试，可能无法加载或输出乱码。
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，供 stable-diffusion.cpp 以 --llm 参数本地运行。作为聊天模型，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；图像侧在 45 条敏感提示上无一翻转，因原管线本就无内容过滤。提供 BF16 到 Q2_K 共 7 档量化，AD-Q4_K 为 4 bit 推荐，附完整制作方法与局限说明。
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%》
Hugging Face 上架了 Spark-X2.6-4B-Tema_Q 的 abliterated 版静态量化 GGUF 模型，由 mradermacher 发布。该模型目前未部署到任何 Inference Provider，下载量也未被统计，用户如需推理托管可向平台申请支持。
Hugging Face 上可用 nchapman 发布的 Huihui-Qwen3.6-35B-A3B-abliterated-W4A16-GPTQ，这是一个 abliterated 版的千问（Qwen3.6）多模态模型 W4A16 GPTQ 量化版本。页面给出用 Transformers、vLLM、SGLang 加载或部署的代码示例，三者均支持 OpenAI 兼容 API，也可通过 Docker Model Runner 运行。
mradermacher 在 Hugging Face 发布 LFM2.5-24B-A2B-abliterated 的 i1-GGUF 量化模型，提供按大小排序的多种量化版本及 0.2GB 的 imatrix 文件供自行制作量化。静态量化版本另行提供，使用方法可参考 TheBloke 的 README 说明。
Justanotherdayhereintheworld 发布 google/gemma-3-4b-it 的 abliterated 无审查版本 v2，采用新的消融技术，声称对拒绝行为的处理精度提升。通过对比有害与无害样本的残差流计算拒绝方向并对 o_proj 等模块的隐状态做正交化减除，并附 QAT 量化与 GGUF 版本链接。作者给出建议生成参数 temperature=1.0、top_k=64、top_p=0.95，用词典方法结合 NousResearch/Minos-v1 的混合评测计算接受率，目标是接受率超过 90% 且保持输出连贯。
na0fu3y 发布 Qwen3.8-Flash-Next-Uncensored 的 mlx-serve iQ-MLX 4.7bpw 量化版，基于 orcarouter 的 abliterated bf16 权重，路由专家为 4-bit、其余多为 8-bit，含 MTP 头和视觉塔，移除安全对齐后可响应原模型拒绝的请求。下载体积 100 GB，无 --ple-gpu 时常驻约 75 GB；在 M3 Ultra 上 decode 速度约 124.3-124.8 tok/s，13 个边缘提示词中仅 1 个被拒绝（对照组为 11 个）。许可证为 Qwen Community License 1.0。
electroglyph 用 Heretic v2.0.0.dev0 的任意秩消融（ARA）方法发布了 LiquidAI/LFM2.5-24B-A2B 的去对齐版本。拒绝率从原版的 99/100 降到 4/100，KL 散度为 0.0650，PIQA acc_norm 为 0.7497（原版 0.7443）；该版本从 50 个候选中选出，仅对第 14 到 27 层做处理。
推荐理由：原模型拒绝率高达99/100，去对齐后降到4/100，同时给出KL散度和PIQA分数，可核对能力损失程度。
lilcheaty 发布了 RecursiveSI/flint 的 abliterated BF16 衍生版本，按 Arditi et al. 2024 的拒绝方向方法从第 20 层估计方向并编辑了 12,131 个张量，采用 Apache 2.0 许可。Q3_K_M 量化版在 20 条保留提示上显式拒绝从 20/20 降到 0/20，20 条编码提示双方均 0 拒绝且 40/40 完成回答，作者提醒该小规模对比不代表通用安全或能力基准。运行需 llama.cpp PR #30928 等补丁，GGUF 转换版在 lilcheaty/flint-abliterated-GGUF。
推荐理由：作者给出了拒绝方向的估计方法与 20 条保留提示上的拒绝率前后对比，还说明了编辑未覆盖的局限。
lilcheaty 基于 RecursiveSI/flint 发布权重编辑的去对齐版本 flint-abliterated-GGUF，沿用 Apache 2.0 协议，从 128 条 AdvBench 有害提示与 128 条 Alpaca 无害提示估计拒绝方向并改写权重。实测显示 20 条保留提示上显式拒绝从 20/20 降到 0/20，20 条编码提示双方均 0 拒绝且 40/40 完成回答；作者说明该对比规模小、不构成通用安全或能力基准，运行需应用 llama.cpp PR #30928 的补丁版本。
同一新闻，精选展示《lilcheaty 发布 RecursiveSI/flint 的 abliterated 去对齐权重版》
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，原生 FP8 量化、1M token 上下文，保留视觉、推理与工具调用能力。HarmBench-320 实测 CRACK 版在 effort=off 和 max 下均 100% 响应、零 HARD_REF/SOFT_RED/HEDGE，而基座在 effort=max 拒绝率反而升至 42.8%→1.6% 通过；MMLU-14k 全集准确率从 86.96% 降至 82.74%，剔除伦理类科目后仅 -1.1 pp。
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》
Huihui-ai 发布 openbmb/MiniCPM5-2B 的无审查版本 Huihui-MiniCPM5-2B-abliterated，采用 abliteration 技术移除 LLM 的拒答行为，且不依赖 TransformerLens。该版本 abliterated 第 6-37、40 层（0-based），属概念验证实现，用于探测各层对消融的影响；由于模型太小，性能仍不足。模型可通过 Hugging Face transformers 库加载使用。
cinnybun02 在 Hugging Face 发布 Spark-X2.6-4B-Abliterated 的 Q5_K_M GGUF（2.77 GiB），用 llama.cpp 的 gguf_new_metadata.py 仅改元数据，将 Sharp-Spark v1.0.0 模板内置为 tokenizer.chat_template，权重与源文件逐字节一致。该模型为 XHToken 的 4.1B dense thinking model，经 Heretic 去除 53 个张量中的 refusal 方向；spark2_5 架构下 131k 上下文时 KV cache 量化后约 1.9-2.5 GiB。
orcarouter 在 Hugging Face 发布 DeepSeek-V4.1-Flash-1017 去对齐（abliterated）版的 GGUF 量化权重，提供 Mix-256G（235.8 GB 内存占用）与 Mix-128G（114.0 GB）两种构建，基于 763B 参数 MoE 模型，含 197B 参数 Engram n-gram 表常驻 SSD。去对齐后 500 条有害提示拒绝率加权均值从 0.874 降至 0.074，过度拒绝从 0.069 降至 0.006，MMLU 保持 0.91 左右不变。
推荐理由：原文给出实测 KLD、拒绝率与 MMLU 前后对比，读者可据此判断这个去对齐版本到底去掉了多少、能力是否保留。
SC117 发布 Spark-X2.6-4B-abliterated 的 FIT-GGUF 量化仓库，基于 XHToken/Spark-X2.6-4B 本地做输入门控消融，100 条留出有害提示的拒绝数从 99 降到 7，3-token 全分布 KL 扰动 0.0477，比同拒绝门槛下无门控的 0.2134 低 78%。仓库含 5 个经 KL 门限验证的 FIT 档位加 BF16 参考文件，五档合计 12.84 GiB，比同门槛下最小原生预设小 0.60 GiB（4.5%），其中两档即原生预设；imatrix 由公开语料重建，评测切片未进入校准文本。
推荐理由：原文给出输入门控消融的拒绝率与 KL 前后对比，以及五档量化相对原生预设的实测差距，可据此评估取舍。
privastudio 在 Hugging Face 上重新分发 huihui-ai 制作的 Huihui-Qwen3.8-27B-abliterated 的 Q4_K GGUF 量化版（约 16.8 GB），打包为可在 PrivaEmanator 中本地加载的格式。该模型基于 Qwen3.8-27B，由 huihui-ai 移除了拒绝回答行为，附带 mmproj-BF16.gguf 视觉投影文件以支持图像输入，采用 Apache-2.0 许可证。
Ju-Chun Ko 在 arXiv 发表论文（arXiv:2610.29342），测试 abliteration（去审查）模型是否同时消除政治审查相关偏差。研究用 NVIDIA Nemotron 3.5 Bolt 74B-A9B 与 Qwen3.8-Flash-Next 及各自的社区 abliteration 版本，以繁体中文、简体中文和英文各回答 22 组陈述对和 27 个开放问题。结果显示脚本影响远大于 abliteration：原版 Bolt 在繁中 Index S 得分 +0.58、英文 +0.57、简中仅 +0.05，且以 0.91 的概率在简中肯定台湾属于 PRC、繁中仅 0.06；abliteration 最多改变 0.06。
推荐理由：论文用配对模型实测 abliteration 前后偏差，显示去审查不等于去立场偏差，并给出脚本切换与立场方向的量化证据。
cc1244578151 在 Hugging Face 发布 Qwen3.8-Flash-Next-Abliterated-Uncensored GGUF 量化模型，规格为 120B 参数、180B 级 512 专家 MoE（每 token 激活 10 个），并搭载 Turbo Brilliance 50x 系统（27 推理 + 27 instruct 模式，另有 9 个 xhigh）与 15 个 AI Constructs。该版本经 abliterated 去审查处理、无 censorship，支持在提示词、API 或 VLLM 中实时切换模式，可在 12GB 显存 GPU 上运行；实测 46GB 双 GPU + 内存 offload 达 17 t/s，全 GPU offload 达 60-90 t/s。
apetersson 正在上传 DeepSeek V4.1 Flash 1017 Abliterated 的 MLX 版本，为 Apple Silicon 准备的 oQ2.5e 混合精度检查点，共 53 个 Safetensors 分片，包大小约 342.7 GB，尚未完成，需等待 PUBLICATION.json 和 v1-oQ2.5e-mtp 标签发布后再下载。推荐在 256 GiB 统一内存 Mac 上用 oMLX 0.7.2 运行，上下文从 32K 起步，Engram 张量约 114.4 GiB 卸载至本地 SSD；SSD 前缀缓存测试中 8,588 个 token 复用 8,192 个，请求耗时从 14.62 s 降至 1.45 s。
Hugging Face 用户发布 Qwen3.8-Flash-Next-Abliterated-Uncensored-Turbo-Brilliance 的 GGUF 量化版，为 180B 参数、512 专家（每 token 激活 10 个）的无审查 abliterated 模型。其 Turbo Brilliance 系统含 27 推理与 27 instruct 模式及 15 个 AI Construct，可在提示词、API 或 VLLM 中即时切换，instruct 模式 0 thinking token；量化由 GSQ-RCO 完成，可在 12GB 显存 GPU 上运行，RTX6000（96GB）估计达 150 t/s。
alexwkleung 用 Heretic 对 XHToken/Spark-X2.6-4B（dense 4.1B 思考模型）做定向消融，发布 abliterated GGUF 权重，并用 llama.cpp 量化出 Q4_K_M 到 Q8_0 多档。与官方 Q8_0 对照：拒绝率从 43/44 降到 0/44（thinking 开与关均如此），GSM8K n=100 为 88/100 对 91/100，McNemar p=0.45 未检出数学回归；代价是思考开启时平均约 5k tokens（stock 529），部分超出 8192 预算，无拒绝系统提示可将其减半。
推荐理由：原文给出与官方 Q8_0 逐位对照的拒绝率、GSM8K 和思考开销数据，可据此判断这个去对齐版本的实际代价。
thelogicalgate 基于 InternScience/Sage-A1.5 发布网络安全向拒绝消融（abliteration）版本，打包为 Apple Silicon 原生 MLX 8-bit 量化并保留原训练的 MoE 多 token 预测（MTP）草稿头。校准使用 mlabonne/harmful_behaviors 与 harmless_alpaca 各 128 条提示，在 8–31 层以强度 0.75 修改 72 个输出投影模块，路由权重与 QKV 投影未改动；12 条非工具冒烟提示中拒绝启发式检出基线 2 次、修改版 0 次，本地 Python 反序列化与 IDOR PoC 由基线拒绝变为可产出脚本。
推荐理由：原文给出了激活校准方向、修改层与拒绝率前后对比等实测细节，读者可据此判断这个去对齐版本的实际改动幅度。
Subnet46 在 Hugging Face 发布 zai-org/GLM-5.3-Flash 的 abliterated 版本，通过正交化移除拒绝方向并直接烘焙进官方 block-FP8 分片，可原位替换原权重。JailbreakBench 有害拒绝率从 0.891 降至 0.094，过度拒绝从 0.094 降至 0.000，MMLU 等四项能力基准变化在 ±1.5 pp 内；部分内容类别不受该方向中介仍接近原拒绝率，权重共 306 GiB，需 8×H100/H200 以张量并行运行。
推荐理由：原文给出拒绝率前后对比、能力保留数据和拒绝方向所在层的分析，可据此判断这次去对齐实际去掉了多少。
AbliteratedOutTheBox 是一个 llama.cpp 分支，能在加载模型的推理过程中实时执行 abliteration，无需微调、不产生额外文件，也不需要更多 VRAM。这省去了常规 abliteration 流程的繁琐操作。
DevelopingDad 在 Hugging Face 发布基于 NVIDIA Qwen3.8-Flash-Next-FP4-Local 的去对齐独立权重，将 trial 117 实验的拒绝方向干预直接烘焙进 checkpoint，无需运行时 adapter。实测显示烘焙版拒绝数为 0/100（开发集）与 3/100（保留集），与原 adapter 的 KL 差异约 0.037 nats；散文解码约慢 12%（34.8 vs 39.4 tok/s），代码速度基本持平，需 B12X vLLM 运行时，serve-spark.sh 支持 262,144-token 上下文与 MTP 投机解码。
推荐理由：原文给出了拒绝率与 KL 的实测对比和单机性能数据，读者可以据此判断这个去对齐版本的实际代价与效果。