mradermacher 发布 Rice-Cracker-Qwen3.5-0.8B-Abliterated-Base 的 GGUF 量化版本
mradermacher 在 Hugging Face 上发布了 Rice-Cracker-Qwen3.5-0.8B-Abliterated-Base 的 GGUF static quants 量化版本。该模型目前未被任何 Inference Provider 部署，下载量未被追踪。
#base模型
新闻、仓库与研究，按时间排列。
Hugging Face · 新模型：abliteratedAI 评分1818
Hugging Face · 新模型：abliterated精选AI 评分6565 Matt Suiche 发布 gemma-4-31B-it 的 GLP 投影转向向量（alpha 0.5）
Matt Suiche 发布针对 google/gemma-4-31B-it 的投影控制转向向量 GLP-54-L6-59，以 h <- h - alpha*(h·d)d 作用于第 6-59 层残差流，不修改权重。验证显示基座模型在 refusal32 上本就 32/32 全部配合，alpha=0.5 时无害集与拒绝集均保持 32/32 且零乱码，而 alpha=0.25 和 1.0 各出现 1-2 例拒绝，阶梯呈非单调。向量与具体 revision 绑定，仅适用于实现 projective 读取的本地运行时，作者警告不要把 alpha 0.5 移植到其他模型。
推荐理由：作者给出了alpha阶梯验证和逐条阅读补全结果，还发现基座本已全数配合、阶梯非单调，对理解去对齐方法的实际边界有参考价值。
GitHub · 去对齐工具与仓库精选AI 评分6464 MedAdapt Lab 发布五项实验报告：小模型继续训练 Qwen3 Base 读 2026 年 ADHD 论文的记忆与遗忘
MedAdapt Lab 完成了 ADHD-01 至 ADHD-05 五项实验，在单台 Apple M2 Max 上用手写 MLX 训练循环和 LoRA 继续训练 Qwen3 Base 模型，数据为 269 篇模型发布后出现的 CC 许可 ADHD 论文及 400 个虚构试验。主要发现包括：约 1.65 遍训练后，已训练论文题目准确率比未训练论文多提升 3.8-5.0 个百分点；1.7B 模型在 3.3 遍时额外增益达 +8.7；真实论文训练使通用文本困惑度上升 7%-123%；虚构事实在约 4-8 遍后从 25% 几率突升到 44%-51%；同 exposure 下四份不同文本比一份重复四遍高 +4.5 到 +7.6 分；无 replay 的窄域新事实训练使通用困惑度升 37-94 倍。
推荐理由：原文用训练前冻结的考题和对照实验，量化了小模型读新论文能记住多少、忘掉多少，方法可复现可迁移。
arXiv · cs.CL精选AI 评分6767 arXiv 论文：base 模型可借起始 token 线索触发推理，Olmo-3-7B MATH-500 从 42% 升至 78%
arXiv 论文（arXiv:2610.06851）研究训练数据如何在 base 模型回复的起始 token 与后续推理行为之间建立关联，发现固定特定起始 token 线索即可让 base 模型在数学和编码上接近其 RL 训练版本。
推荐理由：论文用因果数据干预把推理行为追溯到训练数据，并给出固定起始 token 即可逼近 RL 版本性能的具体数字。
Hugging Face · 新模型：uncensoredAI 评分3535 
Qwen-Image-2.1 Uncensored GGUF 量化版本发布
jam2778 在 Hugging Face 发布 Qwen/Qwen-Image-2.1 的 Uncensored GGUF 量化，基于原始上游权重，提供 BF16、Q8_0、Q6_K、Q4_K_M 等多档文件，Q4_K_M（4.60 GB）为推荐版本，无内置安全审查，可直接生成成人及 NSFW 图像。