dealignai 发布 DeepSeek-V4.1-Flash 无对齐版，多个团队推出 GGUF 量化版本

1. 22:45
   Hugging Face · 新模型：uncensored

   Solstice-AI 发布 DeepSeek-V4.1-Flash-1017-UNCENSORED 的 MXFP4 GGUF 转换版

   Solstice-AI 与 spiritfather 将 dealignai 的 DeepSeek-V4.1-Flash-1017-UNCENSORED（基于 552B MoE、1M 上下文的 DeepSeek-V4.1-Flash-1017 去审查版本）从 FP8 safetensors 转换为 ds4 引擎可用的 MXFP4 GGUF，共 1,046 个张量、9 个分片、约 467 GiB。转换仅改格式：路由专家无损重打包为 MXFP4，注意力与共享专家为 Q8_0，经 ds4 校验器全部通过。模型需用 ds4（非 llama.cpp）运行，支持 SSD 流式加载，256 GB Apple Silicon 机器可跑，热身后解码约 9–14 tok/s，MIT 许可。

2. 22:45
   Hugging Face · 新模型：uncensored

   Solstice-AI 发布 DeepSeek-V4.1-Flash-1017-UNCENSORED 的 MXFP4 GGUF 转换版

   Solstice-AI 与 spiritfather 将 dealignai 的 DeepSeek-V4.1-Flash-1017-UNCENSORED 权重（基于 DeepSeek-V4.1-Flash-1017 的 552B MoE、1M 上下文模型做 abliteration 去审查）从 FP8 safetensors 转换为运行 ds4 引擎的 MXFP4 GGUF，共 9 个分片、467.2 GiB、1,046 个张量。routed experts 保持原生 FP4 无损重打包，validator 全部通过且 layer-0 experts 与 antirez 的 stock 1017 MXFP4 版逐字节一致。

3. 14:25
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重，HarmBench 拒绝率 100% 且 MMLU 降 4.22pp

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活）的权重级 abliterated 无对齐版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，采用原生 FP8 权重加 FP4 路由专家，支持 1M token 上下文、视觉与工具调用，无需自定义 model.py 或运行时钩子，可像 base 模型一样直接加载。

4. 10:40
   Hugging Face · 新模型：uncensored

   DeepSeek-V4.1-Flash-1017 去审查版 MXFP4 GGUF 发布，可本地运行

   Solstice-AI 在 Hugging Face 发布 dealignai 去审查版 DeepSeek-V4.1-Flash-1017 的 MXFP4 GGUF 转换，基于 552B MoE、1M 上下文的基座模型，仅做格式转换、路由专家权重未改动。全部 1,046 个张量通过 ds4 校验，文件共 467.2 GiB、分 9 个分片上传，需用 antirez 的 ds4 引擎（非 llama.cpp）运行；256 GB Apple Silicon 机器经 SSD 流式加载可跑，预热后解码约 9–14 tok/s，采用 MIT 许可证。

1. 07:35
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 的无对齐消融版 FP8 权重

   dealignai 基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone、8B/16B 激活）发布了权重级消融的无对齐 FP8 版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，无需自定义 model.py 或运行时钩子。HarmBench-320 实测显示 base 模型 effort=off 时 ASR 为 42.81%、effort=max 时仅 1.56%，消融版在两档下均 100% 回答且零拒绝；MMLU-14k 从 86.96% 降至 82.74%（剔除伦理类后约 -1.1 pp）。

1. 13:01
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 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。

1. 04:35
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 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，以标准 checkpoint 形式加载，无需自定义 model.py 或运行时钩子。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 时拒绝率反而升至 42.8%→1.6% 的 ASR 变化；MMLU-14k 全量从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类条目后约 -1.1 pp，在 3 pp 知识保留目标内。

2. 00:55
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 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 DeepSeek-V4.1-Flash-UNCENSORED-FP8，采用原生 FP8 权重、支持 1M token 上下文、视觉与工具调用，无需自定义 model.py 或运行时钩子，可直接按 base 模型加载。

1. 01:38
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重版

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B active）的权重级消融版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，以原生 FP8 权重提供，无自定义 model.py 或运行时钩子。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 下拒绝率反而升至 1.56% 响应；MMLU-14k 全集准确率从 86.96% 降至 82.74%，剔除伦理类条目后约 -1.1 pp。

1. 01:26
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重版

   dealignai 团队发布 DeepSeek-V4.1-Flash 的权重级 abliterated 无对齐版本，基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活），原生 FP8 权重、1M token 上下文，保留视觉、推理与工具能力。HarmBench-320 实测 CRACK 版在 effort=off/max 下均 100% 响应、零拒绝，MMLU-14k 整体从 86.96% 降至 82.74%，剔除伦理类后约 -1.1 pp。模型卡附 SGLang dsv4.1 分支与 vLLM 的部署路径、并发与显存经验数据，以及 ninja、--ep-size、reasoning parser 等启动坑位说明。

1. 12:12
   Hugging Face · 新模型：abliterated

   dealignai 发布 DeepSeek-V4.1-Flash-1017-ABLITERATED-FP8 镜像仓库

   Hugging Face 上新增 dealignai 的 DeepSeek-V4.1-Flash-1017-ABLITERATED-FP8 仓库，与 UNCENSORED 仓库为同一模型、同一发布日期，仅为方便搜索 "abliterated" 的别名引用。基础模型与推理引擎（inference/）、编码模块（encoding/）来自 DeepSeek-AI（MIT），再分发、量化（GGUF/MLX/EXL/AWQ）或微调时须署名 dealignai 并回链原仓库。

1. 08:10
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 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，以原生 FP8 权重提供，支持 1M token 上下文、视觉与工具调用。HarmBench-320 实测显示 CRACK 版在 effort=off 和 max 下均 100% 通过，而基座模型分别为 42.81% 和 1.56%；MMLU-14k 整体下降 4.22 pp，剔除伦理类科目后约 -1.1 pp。模型卡还给出 SGLang 部署配置、KV 内存占用估算（890 B/token）、4×H200 上的吞吐数据（单流 101 tok/s，DSpark 后 113 tok/s）及多项启动注意事项。

1. 23:16
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 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 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。

2. 03:59
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 去对齐 FP8 版本并附完整评测数据

   dealignai 团队发布 DeepSeek-V4.1-Flash 的 abliterated 无对齐版本（基于 deepseek-ai/DeepSeek-V4.1-Flash，552B 底座、原生 FP8、1M token 上下文），以权重级手术式修改移除拒绝回路，无需自定义 model.py 或运行时钩子，可像 base 模型直接加载。HarmBench-320 上 CRACK 版在 effort=off 和 max 下均 100% 应答、零 HARD_REF/SOFT_RED/HEDGE，而 base 在 effort=max 反而更易拒绝（仅 1.56% 应答）；MMLU-14k 整体下降 4.22pp（86.96%→82.74%），剔除伦理类后仅 -1.1pp。

1. 16:01
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重，HarmBench 拒绝率 100%

   dealignai 团队发布 DeepSeek-V4.1-Flash-UNCENSORED-FP8，在 552B 基座上做权重级 abliterated 去对齐，专家、稀疏注意力、视觉塔等组件保持逐字节不变，原生 FP8 量化、1M token 上下文。HarmBench-320 上 CRACK 版在 effort=off 和 max 下均 100% 应答且无 HARD_REF/SOFT_RED/HEDGE，MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp；单流解码 101 tok/s，无推测时 4×H200 可承载约 510GB 权重，正文附 SGLang dsv4.1 分支的完整部署命令与 ep-size、ninja、reasoning parser 等启动坑位说明。

2. 03:09
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重

   dealignai 发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone，8B/16B 激活）的权重级消融版本，以原生 FP8 格式提供 1M token 上下文、视觉与工具调用，采用自研消融方法，不依赖 runtime hooks 或 steering vectors。HarmBench-320 上 CRACK 版在 effort=off 和 max 下拒绝率均为 100%（对比基线 42.81% 和 1.56%），且 HARD_REF/SOFT_RED/HEDGE 均为零；MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp，在 3 pp 知识保留目标内。

1. 16:19
   Hugging Face · 新模型：uncensored精选

   dealignai 放出 DeepSeek-V4.1-Flash 无对齐 FP8 权重

   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、保留视觉与工具能力，以标准 checkpoint 形式直接加载。HarmBench-320 上 CRACK 版在 effort=off 和 max 下 ASR 均为 100.00%，而基座分别为 42.81% 和 1.56%；MMLU-14k 全集精度从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类题目后约 -1.1 pp。

1. 17:32
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重版

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B backbone、8B/16B 每 token 激活）的权重级 abliterated 无对齐版本，以原生 FP8 权重提供，1M token 上下文，保留视觉、工具调用与推理能力，不带自定义 model.py 或运行时钩子。HarmBench-320 实测显示 base 模型在 effort=off 时拒绝率 42.81%、effort=max 时仅 1.56%，CRACK 版在两档下均 100% 顺从且无 HARD_REF/SOFT_RED/HEDGE；MMLU-14k 全集准确率从 86.96% 降至 82.74%（-4.22 pp），剔除伦理类科目后约 -1.1 pp。

2. 14:49
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐 FP8 权重版

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 底座、每 token 激活 8B/16B）的权重级 abliterated 无对齐版本，以原生 FP8 权重提供，支持 1M token 上下文、视觉与工具调用。HarmBench-320 实测显示 CRACK 版在 effort=off 和 max 下拒绝率均为 100% 通过（base 分别为 42.81% 和 1.56%），MMLU-14k 整体准确率从 86.96% 降至 82.74%，剔除伦理类科目后约 -1.1 pp；模型卡还给出 SGLang 部署命令、KV 内存占用、4×H200 实测吞吐（单流 101-113 tok/s）及多项启动注意事项。

3. 12:29
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 权重级去对齐 FP8 版，HarmBench 攻击成功率 100%

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 底座、1M 上下文、原生 FP8）的权重级 abliterated 版本，称移除拒绝回路同时保留 MoE、Engram 记忆、CSA2 稀疏注意力和视觉塔等组件为逐字节一致。HarmBench-320 实测显示 CRACK 版在 effort=off 与 max 下 ASR 均为 100%（基座分别为 42.81% 和 1.56%），MMLU-14k 整体下降 4.22 pp，剔除伦理类题目后约 -1.1 pp。模型卡还给出 SGLang（dsv4.1 分支）部署细节、4×H200 实测吞吐（单流 101-113 tok/s）与并发-上下文内存权衡，vLLM 支持截至发文尚未合并。

1. 22:58
   Hugging Face · 新模型：uncensored精选

   DeepSeek-V4.1-Flash-UNCENSORED-FP8 发布：权重级消融版附拒绝率与 MMLU 对比

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash 的权重级消融版本，HarmBench-320 上攻击成功率从基座的 42.81%（effort=off）提升到 100%，且在两种 effort 档位下均无拒绝回退。MMLU-14k 整体下降 4.22pp（86.96%→82.74%），剔除伦理类学科后差距收窄至约 -1.1pp；模型为原生 FP8 权重、1M 上下文、552B 骨干（8B/16B 激活），卡面附 SGLang 部署路径与 4×H200 实测配置。

2. 18:50
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 无对齐消融版权重

   dealignai 团队基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 稠密骨干、8B/16B 激活）发布权重级消融的无对齐 FP8 检查点，采用专有 weight-level abliteration，无自定义 model.py、无运行时钩子。HarmBench-320 实测攻击成功率从 base 的 42.81%（effort=off）升至 100%，且各能力组件字节级保留；MMLU-14k 从 86.96% 降至 82.74%，剔除伦理类题目后损失约 -1.1 pp。卡片还给出 SGLang/vLLM 部署路径与踩坑说明，模型需 4×H200 及以上 NVLink 环境。

3. 17:17
   Hugging Face · 新模型：uncensored精选

   DeepSeek-V4.1-Flash 无对齐版 GGUF 量化发布，支持 CPU 推理 1M 上下文

   Adolphsson 发布 DeepSeek-V4.1-Flash-UNCENSORED 的 GGUF 量化版本，基于 dealignai 对 deepseek-ai/DeepSeek-V4.1-Flash（552B MoE，1M 上下文）的权重级 abliteration 结果转换。提供 Q8_0（508 GB）、Q4_K_M（449 GB）、Q3_K_M（374 GB）三种量化及 BF16 视觉 projector，Q4/Q3 为从 Q8 两步 requant，敏感层用 Q5/Q6/Q8；模型推理电路已按 OrcaSAQ 风格做敏感度感知量化，完整 1M 上下文（KV 约 890 bytes/token）。

1. 12:15
   Hugging Face · 新模型：uncensored精选

   dealignai 发布 DeepSeek-V4.1-Flash 权重级消融无对齐版

   dealignai 团队发布基于 deepseek-ai/DeepSeek-V4.1-Flash（552B 骨干）的权重级消融版本 DeepSeek-V4.1-Flash-UNCENSORED-FP8，HarmBench-320 攻击成功率从基座的 42.81% 提升到 100%，且在各 effort 档位均为 320/320。MMLU-14k 整体下降 4.22pp，剔除伦理类题目后仅降 1.1pp，符合 3pp 能力保留目标；卡片还提供 SGLang 部署命令、硬件实测（4×H200，约510GB 权重）与启动注意事项。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。