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。
248 条精选近 30 天 245 条共收录 828 条
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。
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。
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 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。
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。
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。
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。
arXiv 论文提出基于道德基础理论（MFT）的多智能体越狱框架，将被拒的有害请求改写为符合某种道德基础的表述并辅以先例强化。在三个越狱数据集、五个开源与闭源模型上测试，单次尝试即有较高成功率，重复尝试后进一步提升；分析还发现现有安全基准所违反的道德基础分布不均，集中在模型已有偏见的维度上。
推荐理由：论文用道德重写框架在五个模型上实测越狱成功率，并指出安全基准在道德维度上的分布偏差。
Xananthium 在 Hugging Face 发布 REDCELL-26B-A4B-OSINT-Cyber-Abliterated-Pilot-W6A8-Vision，对 terrorswift 的 REDCELL（Gemma 4 26B-A4B 微调）做 abliterated 权重编辑并导出 W6A8 量化。16 条保留集拒绝标记从 16/16 降到 4/16，能力探针保持 19/20，工具调用、工具失败后改道和简单图像识别均通过；使用 Heretic 的保幅值正交消融加 rank-3 修正，编辑覆盖 30 个注意力输出投影、30 个稠密 MLP down 投影和 3,840 个专家 down 投影，路由器和视觉模块保持 BF16。
推荐理由：作者给出了消融前后的拒绝率对照、能力探针和 KL 数值，还标注了未测项，读者可自行核对这个 W6A8 版本的实际取舍。
xtools-at 在 Hugging Face 发布 Qwen3.5-4B-MultiDistill-3xMerge 的去对齐版本，使用 Heretic v2.0.0.dev0 的 ARA 方法消融。实测拒绝率从原版 98/100 降至 3/100，KL 散度 0.0200，消融参数与复现步骤已在 reproduce 目录公开。该模型本身是三个推理蒸馏微调（Claude Opus 4.6 风格蒸馏、Empero Qwen3.8 教师蒸馏、DeepSeek-V4-Pro 数学 STEM 蒸馏）的线性加权合并，合并版尚无独立基准成绩。
推荐理由：模型卡给出 ARA 消融参数与拒绝率前后对比，100 题中从 98 次拒答降到 3 次，可复现步骤也一并公开。
maternion 在 Hugging Face 发布基于 openbmb/MiniCPM-V-4.7-1B 的去对齐 GGUF 量化版，用 heretic 的方向消融流程从权重中移除拒绝方向。404 次试验后拒绝率为 21/100，KL 散度 0.0122，作者称数值上接近基座模型、保留推理、工具调用与视觉能力。提供 Q4_K_M 到 F16 共 4 档量化（641 MB 至 1.9 GB）及视觉投影 mmproj-F16.gguf，可在 llama.cpp、Ollama、LM Studio 等 GGUF 兼容运行时运行，Ollama 注册表同步发布。
推荐理由：原文给出了拒绝率 21/100 和 KL 散度 0.0122 的实测数据，可据此判断该去对齐版本的去拒答程度与能力保留情况。
AkaumiKaede 发布基于 Qwen/Qwen3.5-2B 的去对齐版本 Qwen3.5-2B-Uncensored-Abliterix-SOM，使用 Abliterix v1.12.2 的 SOM 方法制作。实测 408 条提示词拒绝数为 0/408，原模型为 394/408，KL 散度 0.2096。作者称未用公开提示词集，而是自建覆盖 R18、反人类、真实犯罪等领域的原创提示词集，并分享方法：先跑 120 批完整试验，选出 3 个最优方案作为 TOML 预注入消融参数，让 TPE 优化器在前 3 轮按设定参数消融后再寻找更优参数，多轮重复得到最佳去对齐效果。
推荐理由：作者给出 SOM 方法的消融参数、0/408 拒绝率与 KL 散度对照数据，并公开 TOML 配置和提示词集供复现。
Avicennasis 发布了 MiniCPM-V-4.7-35B-A3B 的拒绝消融版 MLX 4-bit 量化，基于 openbmb 的 Apache-2.0 基座，约 23 GB、5 个分片，是首个 abliterated MiniCPM-V-4.7 的 MLX 版本。仅改动语言模型，视觉部分保留 bf16；自测红队中双用途拒绝从 8/18 降至 0/18、敏感类从 15/16 降至 0/16，工具调用 248/280 基本无损，与基座的 KL 散度为 0.101，无统计显著回归。峰值显存约 24 GiB，32 GB 以上 Apple Silicon 可跑。
推荐理由：作者用统一红队协议给出消融前后的拒绝率和能力回归数据，本地用户可据此判断这个 MLX 4-bit 版本的可信度。
AtomicChat 将 inclusionAI 的 Ling 3.1 flash 中的拒绝行为从权重中投影移除，烘焙成 GGUF 版本发布在 Hugging Face。验证集上英文拒绝率从 98.1% 降到 2.9%，俄语从 68% 降到 0%，无害提示几乎不受影响；方法是对写入残差流的全部 213 个矩阵施加 W' = W - 1.25·r·rᵀW 的方向编辑，遵循 Arditi et al. 2024 的单方向拒绝机制研究，采用 MIT 许可。
推荐理由：原文给出了拒绝方向消融的具体方法和英俄语拒绝率前后对比，并附随机方向对照，可自行判断改动效果。
xtools-at 发布 Qwen3.5-4B-Claude-3xMerge-Jackrong 的去对齐版本，使用 Heretic v2.0.0.dev0 消融并公开复现步骤。拒绝率从原版的 98/100 降至 4/100，KL 散度 0.0776，消融作用于第 13 至 21 层。原合并模型以线性加权平均融合 Jackrong 的三个 Qwen3.5-4B 微调，权重分别为 1.0、0.8 和 0.6，侧重推理、编程与 Agent 工作流，Apache-2.0 许可。
推荐理由：模型卡给出了 Heretic 消融参数和去对齐前后的拒绝率对比，拒绝数从 98/100 降到 4/100，结果可复现。
candor-lab 在 Hugging Face 发布 Llama 3.2 3B Instruct 的去对齐版本，通过 Candor 权重编辑工具对注意力和 MLP 输出矩阵做 rank-1 修改，移除模型拒绝指令的方向。实测显示该文件对 288 个有害提示词只拒绝 6 个，而普通 Q4_K_M 量化版拒绝 161 个；团队指出该权重此前经过 4-bit 量化，再次量化会损失 30-45% 的编辑效果，因此将 49 个被编辑矩阵保留在 Q8_0。测量基于 StrongREJECT、Alpaca 提示词与 GSM8K，在 llama.cpp llama-server 中以实际发布文件进行，结果与 heretic 的最佳试验无统计显著差异。
推荐理由：发布方实测了量化后文件的拒绝率与 KL 散度，指出先量化后去对齐会让编辑效果损失三到四成。
swdq 在 Hugging Face 发布 openbmb/MiniCPM-V-4.7-35B-A3B 的 abliterated 去对齐版本，用 abliterix（含 MoE expert down_proj 的 LoRA steering）合并为 bf16 权重，未量化。在 100 条有害评测提示上拒绝率从基座的 100/100 降到 5/100，无害提示 KL 散度为 0.101；仅改动语言模型，视觉塔未动且未测试图像输入，拒绝计数基于关键词检测而非 LLM 评审。
推荐理由：作者给出了基于关键词检测的拒绝率前后对比和 KL 散度数据，可据此判断这个去对齐版本实际削弱了多少安全对齐。
perkel 在 Hugging Face 发布 OrcaRouter 对 Qwen3.8-Flash-Next（177B 参数、每层 512 专家、10 激活）做 abliteration 去拒绝处理的 BF16 版本的 MegaCapybara 格式量化文件，提供 Tiny（专家 2 bit，30.7 GB）和 Small（专家 3 bit，45.8 GB）两档，可单张 RTX 5090 运行。
推荐理由：原文给出abliteration的具体改动位置和与BF16原模型的KL散度、top-1一致率及RTX 5090实测速度，可据此评估精度损失。
Hanselor 发布 Qwen3.8-Flash-Next 的 abliterated Strata GGUF 套件，打包 ISTA-DASLab 的 Q2_0、IQ2_XS、IQ3_XXS、IQ3_S 四种 GSQ-RCO 量化权重，并新增一个 480 KB 的拒绝方向文件，由 Strata 在运行时投影去除拒绝行为，权重本身保持原样。单张 RTX 3090 实测显示该向量开启后 10 条提示拒绝从 9-10 降到 0，IQ3_S 的 KL 到 BF16 为 0.0738，IQ2_XS 在 131K 提示下解码约 80 tokens/s；agent 编码任务 5/5 通过。作者提醒移除拒绝会移除安全行为，输出由使用者自行负责。
推荐理由：作者给出了拒绝率、KL 与解码速度的实测数据，可以据此判断运行时去拒绝方向对量化模型的实际改动有多大。