新闻、仓库与研究，按时间排列。
AtomicChat 将 NVIDIA Nemotron 3.5 Bolt 74B-A9B 的拒绝行为从权重中投影移除，发布 Atomic Dynamic GGUF 量化版本。在留出的 JailbreakBench 提示上拒绝率从 97.5% 降到 0%，俄语红队提示从 70% 降到 0%，开启思考时 30 条全部不再拒绝；MMLU 从 81.35% 到 81.75%（McNemar p=0.29），工具调用和 30k 长上下文检索不受影响。
推荐理由：原文给出拒绝率前后对比、MMLU 差异和 KLD 数据，读者可据此判断这次去拒绝编辑的代价与效果。
多模态模型 bappi/gemma-4-E2B-uncensored-coder-fable5-composer2.5 在 Hugging Face 发布，支持 image-text-to-text 任务，可通过 Transformers 的 pipeline 或 AutoModelForMultimodalLM 加载。模型同时提供 vLLM、SGLang 部署方式及 OpenAI 兼容 API，并可用 Docker Model Runner 运行。
huihui-ai 发布 openbmb/MiniCPM5-1B 的 abliterated 去审查版本 Huihui-MiniCPM5-1B-abliterated，通过 abliteration 技术移除模型拒绝回答行为，无需 TransformerLens。模型安全过滤大幅降低，可能生成敏感或不当内容，官方建议仅用于研究、测试或受控环境，避免直接用于生产或面向公众的商业应用。
huihui-ai 发布 Qwen/Qwen3.8-27B 的 abliterated 去审查版本，通过 abliteration 技术移除模型拒绝回答的行为，仅消融部分层（如 22 至 52 层），MTP 与视觉部分未改动。提供 Q2_K_L 至 Q8_0_L 等多种量化格式，可通过最新版 ollama（huihui_ai/Qwen3.8-abliterated）或 llama.cpp 运行，支持 -c 262144 上下文。模型安全过滤大幅降低，建议用于研究测试而非生产环境。
OS-Software 基于 LiquidAI/LFM2.5-24B-A2B 发布去对齐版本，用自研 Heretic fork 只改动 layers 18、22、26 的 self_attn.out_proj 权重并烘焙进 BF16。实测 100 条日语有害提示词的拒绝率从原版 94-99/100 降到 0-1/100，QAD Q4_0 的 MMLU 为 55.35%（较原版 -0.62），并提供 Q4_0 到 Q8_0 多档 GGUF；模型仍会先思考再回答，输出偏长，建议 8k 以上输出预算，仅供研究实验用途。
推荐理由：作者给出了各量化档位的拒绝率前后对比和 KL 散度、MMLU 数据，可以据此评估这个去对齐版本改动幅度与能力损失。
OS-Software 在 Hugging Face 发布 LiquidAI/LFM2.5-24B-A2B 的去对齐 GGUF 版本，使用 Heretic 的自定义 fork，仅改动第 18、22、26 层的 attention output projections。实测 100 条日语有害提示词的拒绝率从原版 94-99/100 降至 0-1/100，QAD Q4_0 的 MMLU 为 55.35%（原版 55.97%）。提供 Q4_0 到 Q8_0 多个量化档位，模型仍会先思考再回答，作者建议输出预算设 8k token 以上，仅供研究实验使用。
同一新闻，精选展示《OS-Software 发布 LFM2.5-24B-A2B-Uncensored-Heretic 去对齐版本》
huihui-ai 基于 abliteration 技术发布 Qwen/Qwen3.8-Flash-Next 的去审查 GGUF 版本，移除模型拒绝回答行为，无需 TransformerLens。新增 Unsloth 系列与 Swift 系列 GGUF，均支持最新版 Strata 和 llama.cpp，可用 llama-cli 加载 UD-Q4_K_XL 量化文件并将上下文设为 262144。该模型安全过滤大幅降低，可能生成敏感或不当内容，建议仅用于研究、测试或受控环境。
candor-lab 用自研权重编辑工具 Candor 移除 Qwen3.5-9B 的拒绝行为，以 rank-1 编辑每层 attention 与 MLP 输出矩阵，发布单个 Q4_K_M GGUF 文件（5.78 GB）。实测 288 条 StrongREJECT 有害提示拒绝数从 279 降到 0，无害提示拒绝 5 降到 2，GSM8K 正确数与原模型差异在噪声内；与 heretic 最佳试验相比，有害提示中位思考 token 为 996 对 1648，数学超预算次数也更少。基于 Qwen/Qwen3.5-9B 原始 16 位权重，不含视觉编码器，Apache 2.0 协议，仅用 llama.cpp b11524 在思考开启下实测，LM Studio 和 Ollama 等未验证。
推荐理由：原文给出与原模型和 heretic 对照的拒绝率、KL 散度和 GSM8K 数据，可据此判断这次权重编辑的代价与效果。
AtomicChat 发布 Liquid LFM2.5-24B-A2B 的去对齐版本，仅编辑 blocks 14-39 的 52 个矩阵，英文拒绝率从 96.3% 降至 1.2%，俄语从 62% 降至 0%，思考模式下从 30/30 降至 0。MMLU 从 64.40% 到 65.55% 基本不变，提供 6 个 GGUF 量化版本和一个 24 MB LoRA 适配器（可用 --lora-scaled 加载，推荐 scale 1.75），方法基于 Arditi et al. 2024 的单方向拒绝机制研究。
glivorem 用 Heretic 工具对 Qwen3-4B-Instruct-2507 做 abliteration 处理，通过方向消融直接编辑权重移除模型的拒绝行为，未做新数据微调，知识与通用能力接近原版。模型为 4B 参数非思考 instruct 模型，262k 原生上下文，BF16 safetensors 格式，Apache 2.0 许可，可在 vLLM 和 Transformers 中使用，无内置安全护栏。
huihui-ai 发布 Qwen/Qwen3.8-27B 的 abliterated 去审查 GGUF 版本，通过 abliteration 技术移除模型拒答行为，仅对部分层（如 22 至 52 层）做消融，MTP 与视觉部分未改动。提供 Q2_K_L 至 Q8_0_L 等多种量化格式，支持最新版 ollama（huihui_ai/Qwen3.8-abliterated）和 llama.cpp（-c 262144），适合研究测试用途。
HauhauCS 在 Hugging Face 发布 Qwen3.8-27B 的无对齐 Aggressive 变体 GGUF 量化，实测 0/465 次拒绝，直接作答且几乎无前导语。全系列保留原生 NextN 头并附带 FastMTP 32K 加速 sidecar，在 Q8_K_P 上文档 TG 最高达非 MTP 的 3.02x、推理 TG 1.93x，比标准内嵌 MTP 再快 35.2%/21.1%；提供 Q8_K_P 到 IQ2_M 多档量化与 BF16 视觉 projector，基于 Apache 2.0 许可，需 llama.cpp 补丁启用 FastMTP。
eccentricorbit 基于 Qwen/Qwen3-4B-Instruct-2507 用 Heretic 制作了 abliterated 版本，通过 directional ablation 直接修改权重移除模型的拒绝行为，未做新数据微调，知识与通用能力接近原版。模型为 4B 参数、262k 原生上下文的非思考 instruct 模型，BF16 safetensors 格式，Apache 2.0 许可，可在 vLLM 和 Transformers 中使用，无内置安全护栏。
BoldingBuilds 在 Hugging Face 发布 NVIDIA Nemotron-3.5-Bolt-74B-A9B 的无对齐版本，直接在 24GB 2-bit GGUF 上做权重空间消融，未经过 BF16 重量化，保留了 NVIDIA 量化感知蒸馏产出的约 17GB IQ2_XXS 专家权重。编辑共改动 100 个张量，采用 Arditi et al. 2024 的均值差方向法，λ=0 时输出与原文件逐字节一致作为自检门槛。
推荐理由：原文给出完整的消融方法、拒绝率与能力对照数据，读者可以据此评估这个去对齐版本的实际效果与局限。
HauhauCS 基于 Qwen3.5-2B 发布无审查变体 Aggressive 版，约 0/465 次拒绝，号称零能力损失且不改动数据集。模型为 2B dense 参数、24 层混合架构（Gated DeltaNet 线性注意力 + 全 softmax 注意力 3:1），原生多模态，262K 上下文（YaRN 可扩展至 1M），提供 BF16 至 Q4_K_M 共 4 种 GGUF 量化，支持 llama.cpp、LM Studio 等运行时。
AtomicChat 将 NVIDIA Nemotron 3.5 Super VL 120B-A12B 的拒绝行为从权重中移除，发布 Atomic Dynamic GGUF 量化版本。JailbreakBench 拒绝率从 95.1% 降到 0%，俄语红队提示从 76% 降到 2%，MMLU 保持 85.05% 到 85.10% 基本不变；方法基于 Arditi et al. 2024 的单一方向拒绝机制，对写入残差流的 128 个矩阵做投影编辑，提供 AD-Q4_K_S、AD-IQ3_XXS、AD-Q2_0_L 三档量化，上游 llama.cpp 可直接运行。
推荐理由：原文给出拒绝率前后对比、MMLU 对照和量化误差数据，读者可以据此判断这次去对齐编辑的代价到底有多大。
DollasAndSpence 发布 Qwen/Qwen-Image-2.1 的 Uncensored 量化版本，提供 GGUF、Safetensors 和 MLX 格式，支持 ComfyUI 本地图像生成。该版本无内置安全检查器，可直接生成成人及 NSFW 内容；推荐 GGUF 使用 Q4_K_M（4.60 GB），MLX 格式针对 Apple Silicon 优化，文本编码器可卸载至系统内存以节省 9–17 GB VRAM。
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。
shimbaaa 在 Hugging Face 上发布 Supra2-100M-Uncensored-Instruct，一个 100M 参数的指令模型，基于 SupraLabs/Supra2-100M-Base 经两阶段 LoRA 训练，训练上下文长度 512，采用 Apache-2.0 许可。模型被训练为以 Yes-Man 风格顺从用户提示，未做安全对齐，会认同错误前提；两阶段均混入 Dolly-15k 回放数据以减少灾难性遗忘。
Hugging Face 上发布了一个可直接运行的 .basalt 格式包，为无审查版 Qwen3.8-Flash-Next 的 Q4_K_M 量化构建，基于 125B 级 MoE 模型（qwen4exp 架构），文件大小 114.06 GiB，内置 Qwen tokenizer 与聊天模板，支持 --vision 图像输入。运行需 NVIDIA Blackwell GPU（compute capability 12.0）与 CUDA 13；在单张 RTX 5090 上 512k 上下文解码约 220 tok/s、prefill 约 5,900 tok/s。该仓库目前为私有测试状态，采用 Qwen Community License 1.0。
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。
Haiseni 在 Hugging Face 上推出 UncensoredLM-DeepSeek-R1-Distill-Qwen-14B 实验预览版，这是一款带推理能力的去审查模型，基于 DeepSeek-R1-Distill-Qwen-14B。模型采用固定的提示词模板（含 instruction、input、output 字段），作者称拒绝对齐边界清晰，并征集用户反馈以持续改进。
mradermacher 在 Hugging Face 发布 Qwen3.5-4B-MultiDistill-3xMerge-UNCENSORED-heretic 的 GGUF 静态量化版本，提供从 Q2_K（2.0GB）到 f16（8.5GB）的多档量化文件，其中 Q4_K_S/Q4_K_M 标注为快速推荐档，Q8_0 为最佳质量档，并附带 mmproj 多模态补充文件。weighted/imatrix 量化暂未提供，用户可通过 Community Discussion 提出请求。
Hugging Face 上线 mradermacher 制作的 Qwen3.5-2B-Uncensored-Abliterix-SOM-GGUF 静态量化模型。该模型下载量未被追踪，目前也没有任何 Inference Provider 部署，用户可申请提供商支持。
Reddit 用户发现 ARGOON 无需任何预设即可开箱即用地输出无审查内容，此前寻找去审查预设的做法并不必要。该用户还编写了一个 regex，为自己输入的文本添加逗号，使上下文在用户与模型之间保持一致；其通过 Google（Vertex）使用该模型。
Hugging Face 上架了 mradermacher 制作的 Qwen3.5-4B-Claude-3xMerge-Jackrong-UNCENSORED-heretic 的 i1-GGUF 量化版本。该模型基于 Qwen3.5-4B，为去审查（uncensored）合并模型，仓库页面未提供详细模型卡信息。
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。
DavidAU 的 Qwen3.8-Flash-Next-Turbo-Brilliance-50x 消融版（abliterated/uncensored）GGUF 量化正在测试，模型为 180B 参数、512 专家激活 10 的 MoE，量化升级为 GSQ-RCO。测试显示 IQ3_XXS（3.00 bpw、75.8 GB）达到 BF16 基线任务平均的 99.4%，Q2_0 仅 66.4 GB；速度测试中 46 GB 双 GPU 加内存卸载达 17 t/s，用户可申请访问并在量化发布时收到邮件通知。
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。