模型与平台
Hugging Face 的全部动态：新模型与数据集、权重开放、平台能力与开源生态的持续追踪。
130 条精选近 30 天 130 条共收录 593 条
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 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。
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。
alesha-pro 在 Hugging Face 发布 Qwen3.8-Flash-Next-abliterated-GSQ-RCO-Coder-Strata-GGUF，权重逐字节复制自 ISTA-DASLab 剪掉一半专家、以 3.5 bit 存储的 GSQ-RCO Coder 版本（下载 58.4 GB 对比 83.6 GB，ISTA 数据为原模型 91.3% 的 SWE-bench Verified 和 98.7% 的 LiveCodeBench v6）。作者的贡献是验证其此前发布的 480 KB 拒绝方向向量在剪枝模型上依然有效，并用 Niko1221 的 Strata 运行时以逐层投影方式去除拒绝。
推荐理由：作者实测了在剪枝版 Qwen3.8-Flash-Next 上运行时投影拒绝向量的实际效果，给出拒绝率和 KL 距离数据，方法可复用。
独立贡献者 princepppp 发布了 google/gemma-4-E2B-it 的去对齐版本 gemma-4-E2B-it-ultra-uncensored-heretic 的 GGUF 量化，使用 Heretic v1.2.0 的 Arbitrary-Rank Ablation 方法，消融 attn.o_proj 组件（层 17-24）。
推荐理由：作者给出了拒绝率、KL 散度和 MMLU 前后对比，可据此判断这个去对齐版本去掉了多少、损失了多少。
yuna1126 发布了基于 LiquidAI/LFM2.5-2.6B 的去审查版本，使用 Tema_Q-Abliterated v1.0.0（SCAPE 算法）从权重中消融拒绝方向。
推荐理由：原文给出了拒绝率、KL 散度和崩溃检查的实测数据，还说明该工具在纯 CPU 上即可完成去对齐搜索，可复现。
BoldingBuilds 发布 BAAI AREX-2（基于 Qwen3.8 的 27B agent 微调）的去对齐 GGUF 版本，将拒绝方向从 64 个权重张量（第 8-39 块）投影移除。
推荐理由：作者给出了拒绝率、工具调用和 KL 位移的实测数据，可以据此判断这次去对齐改动到底动了什么、代价多大。
gbuzhf 在 Hugging Face 发布 Occamy-1.0 Abliterated 的四个 Sangreal ICE 量化档位（14.51/18.47/22.52/24.53 GB），基于 SC117 的去对齐 BF16 权重，附带 Qwen-Sharp v22.5.0-arrow.3.1 聊天模板和视觉 mmproj 文件。
推荐理由：作者用同一会话的 KLD 实测把四个 ICE 档位与 SC117 同尺寸量化逐一对照，读者可按文件大小直接选档。
zuozijian 发布 JonathanColetti/Qwen3.8-27B-Uncensored 的 NVFP4 量化版，用 NVIDIA TensorRT Model Optimizer 0.43.0 制作。
推荐理由：原文给出分层量化取舍与双节点 DGX Spark 实测吞吐数据，部署参数和踩坑记录可直接复用。
jessedye90 发布 qwen3.8-flash-next-swift-uncensored，在 UkisAI Swift 1.5 对 Qwen3.8-Flash-Next 的 INT4 W4A16 微调权重内投影掉拒绝方向，文件布局、大小和推理速度与基座一致。
推荐理由：原文给出量化网格内消融的具体做法和 AdvBench、代码任务等前后实测对比，可据此评估去对齐的代价。
AzynTT 在 Hugging Face 发布 Kimi K3（2.8T 参数 / 104B 激活 / 896 experts top-16）的 abliterated GGUF 量化 IQ1_S-XS，共 539.7 GiB、34 分片，将拒绝方向从写入残差流的 279 个张量中正交化移除。
推荐理由：原文给出拒绝率、过度拒绝、答非所问三率实测和完整消融方法，还如实标注样本量不足的统计局限。
Liquid AI 发布 3.1B 参数的多模态决策模型 d1-3B，基于 LFM2.5-VL-3B 后训练，对状态（文本、JSON 或图片）中的一组问题一次前向返回带置信度的类型化答案，零输出 token。Decision Index 0.2.1 得分 48.57，高于所有 4B 和 9B 模型及 Decider 35B-A3B（47.11）；RTX 4090 上单次决策 8 ms，AMD MI325X 上打包 64 个状态吞吐达 1,106/s。它不是聊天模型，适用于路由、分类、审核、reranking、LLM-as-a-judge 等场景。模型卡：https://huggingface.co/LiquidAI/d1-3B
推荐理由：官方给出了完整基准表和各硬件实测延迟，读者可以据此判断这个 3B 决策模型在自己的部署场景里是否划算。
pyannote 在 Hugging Face 发布说话人日志管线 speaker-diarization-community-1，改进说话人分配与计数，并新增独占式说话人日志输出，便于与转写时间戳对齐。
推荐理由：原文给出十多个学术基准上的说话人日志错误率对比，读者可据此量化该模型相对上一代的实际提升幅度。
OS-Software 发布 Prism ML 的 Ternary-Bonsai-2-27B 的去对齐版本 Ternary-Bonsai-2-27B-Uncensored-Heretic-v2-GGUF，通过在三元权重中烘焙 OT-Ridge LoRA 实现去对齐，是 v1 的继任版本。
推荐理由：作者给出了v1与v2的拒绝率和MMLU、HumanEval能力损失对比，可据此评估这版去对齐的改善程度与代价。
Ars14n 在 Hugging Face 发布 dealignai/GLM-5.3-UNCENSORED-FP8 的 EXL3 量化版（3.04 bpw，273 GiB），上游是对 zai-org/GLM-5.3 做权重编辑（非微调）的去对齐变体。
推荐理由：作者给出了量化前后的 KL 散度和 tau2-bench 对照数据，并指出 glm4_5 解析器会把字符串参数误转整数导致约七成工具调用失败。
TechPrototyper 在 rdtand 的 PrismaQuant 6-bit 量化构建内，将 BF16 去对齐供体的权重移植进 118 个张量并按原量化网格重编码，不重新量化。
推荐理由：原文给出拒绝率前后对比、逐项验证和已知回归，读者可据此判断这种不改量化布局的去对齐做法是否值得采用。
xCloudinfo（云碩科技）发布 Granite-4.2-30B-xVITA-zhTW-Uncensored，基于台湾繁中微调版 Granite-4.2-30B-xVITA-zhTW（底座 ibm-granite/granite-4.2-30b）。
推荐理由：原文给出拒绝方向消除方法与去审查前后的拒答率和能力对照数据，读者可据此评估这个繁中去审查版本的实际代价。
Alissonerdx 在 Hugging Face 发布 BFS（Best Face Swap）系列 LoRA，支持面部、头部和身体替换，覆盖 Qwen Image 2.1、Qwen Image Edit 2509/2511、Flux 2 Klein、Krea 2 和实验性 LTX-2 工作流。
推荐理由：BFS 面部与身体替换 LoRA 覆盖 Qwen Image、Flux 2 Klein 等多个基模型，且给出了各版本的输入顺序与强度等使用约定。
Infatoshi 在 Hugging Face 发布 dealignai/GLM-5.3-UNCENSORED-FP8 的 ExLlamaV3 EXL3 3.0bpw 量化版，总参数 753B，体积 273 GiB，含 MTP 层可用作推测草稿模型。
推荐理由：作者附上了与 FP8 源权重的 KL 散度、困惑度对比和 tau2-bench 实测，还指出 glm4_5 解析器会破坏字符串参数导致工具调用失败。
FermionResearch 在 Hugging Face 发布 Phonon-2，称其为 900 MB 以下英文识别最准确的开源模型，在 Open ASR Leaderboard 七个英文测试集上平均词错率 5.21%，164 MB 体积达到 2.5 GB 教师模型 parakeet-tdt-0.6b-v3 的精度，编码器每个权重以约 2.1 bit 存储。
推荐理由：原文给出七套英文测试集的平均词错率和多平台实时率数据，可以据此比较小体积语音识别模型之间的实际精度差距。