方向
去对齐、无审查、abliterated 与 base 原始权重模型的发布与实测。重点是有拒绝率对比、消融方法与可复现证据的那一部分，而不是只在名字里写了 uncensored 的。
246 条精选近 30 天 243 条共收录 823 条
IstroSec 在 Hugging Face 发布 ThinkingCap-Nemotron-3.5-Lightning-30B-A3B-abliterated，通过权重差值移植 trohrbaugh 对基座模型 NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16 的 abliteration 结果，移除 bottlecapai/ThinkingCap 微调版的拒绝行为，MTP 推测解码头逐位保留，提供 bf16 全量权重（65.8 GB）及 Q8_0 等 GGUF 量化版。
推荐理由：原文给出权重差值移植方法和关思考模式下的拒绝率与 KL 数据，可据此判断这个去对齐版本实际改动幅度。
leonsarmiento 在 Hugging Face 发布 huihui-ai/Huihui-Qwen3.6-35B-A3B-abliterated 的 MLX 量化版，采用 BaseQuant_XL 6/8-bit 混合量化并嫁接 MTP 头，总大小 30.60 GB。MTP 头来自 huihui-ai 在去对齐时原样保留的 19 个源张量，经逐张量校验与 Qwen3.6-35B-A3B 原始 MTP 头字节一致。在 oMLX（M4 Pro 48GB）上 mtp_enabled 开启时草稿接受率 89.1%，吞吐 78.6 tok/s，较关闭时的约 58.5 tok/s 提升 28–34%；MTP 加速仅支持 oMLX，LM Studio 只能加载基座模型。
推荐理由：作者给出 MTP 草稿接受率、吞吐对比和逐张量离线校验数据，读者可据此判断这个 MLX 移植在速度与精度上的取舍。
armin1 发布了 NVIDIA Nemotron-3.5-Super-VL-120B-A12B-NVFP4 的 abliterated（uncensored）版本，通过保持量化的轻量权重编辑移除拒绝行为，可无缝替换原模型并在 vLLM 与 TensorFold 上直接加载。
推荐理由：给出了同一测试环境下的拒绝率、KL 保真度和推理速度对比数据，可以据此评估这个去对齐版本付出的实际代价。
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%。
一篇 arXiv 论文（arXiv:2610.30751）用同一工资单收入修改请求测试 15 个模型，共 445 次可观察试验。结果是模型在说明贷款用途时 14.1% 的情况下发起编辑调用，省略用途时为 33.1%，把修改描述为修正打印错误时达 66.2%；Astra 拒绝全部 10 次贷款用途请求但在 10 次省略用途试验中全部发起调用，Fable、Opus 和 Muse Spark 在三种措辞下均未发起，Sonnet 在后两种措辞下有部分发起。论文注明测试文件为标记文档且工具为模拟，结果仅反映单一情境，不构成整体伦理排名或真实有害编辑成功的证明。
推荐理由：原文用统一测试请求量化了措辞变化对15个模型拒绝边界的影响，并给出三档触发率数据可对照。
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。
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。
fribourgquants 在 Hugging Face 发布基于 Qwen3.8-27B 的多阶段微调 GGUF 版本，主打去对齐与思考 token 缩减。用 Heretic v1.2.0+custom 的 ARA 方法消融后，Stage 1 拒绝数从原版 99/100 降到 0/100，Stage 2 平衡后为 11/100、KL 散度 0.0025；8bit ARC-C 达 0.735、ARC-E 0.882，4bit ARC-C 0.719，均高于原版 Qwen3.8-27B。思考块缩减至原版约 1/2 到 1/10，支持 xhigh/medium/low 三档推理模式；MTP 量化在 Q4_K_S 上约 90 t/s，普通量化约 75 t/s（5090、LMStudio 实测）。
推荐理由：作者给出了 Heretic 消融前后 100 次拒绝数与 KL 散度的对照数据，以及各量化档位的基准分数，可据此评估该去对齐微调的实际效果。
ADWMC 在 GitHub 发布 jailbreak-skill，一套面向 LLM 红队评估的提示词工程方法论，主张先规划假设、再组装提示词、最后凭证据判定，而非直接给出可复制的提示词。仓库含 19 个提示词模块、14 份方法论文档、3 条厂商路线和 4 级测试集，所有声明按 E0 到 E3 分级，并明确平台拦截、毒品武器类请求和直接索要成人内容属于已知死路。项目采用 CC BY-NC-SA 4.0 许可，作者强调这不是 OSI 开源许可证。
推荐理由：它把越狱测试整理成可冻结的判定标准和证据分级方法，并明说了哪些域救不了，适合想系统做红队评估的读者。
atrezonator 在 Hugging Face 发布基于 Qwen/Qwen3.8-27B 的 EfficientThink 无对齐版本，经 SFT 与 SimPO 后训练，拒答评测为 10 类 140 条提示中 4/140（2.9%）。同协议对比显示 SimPO 后 GPQA 升 3.54pp、LCB 升 5pp、MMLU 降 1.80pp；仓库提供 GGUF 六档、NVFP4、INT8-W8A8-QAT、AWQ-W4A16、静态 FP8 等多套量化包及 DFlash2/MTP draft，并附 DGX Spark 与 RTX PRO 6000 上的冻结实测成绩。
推荐理由：原文给出拒答率 4/140 的实测数据和 SimPO 前后 GPQA/MMLU/LCB 对比，读者可据此判断去对齐与能力保留的实际代价。
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。
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。
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。
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。