So wählen Sie ein unzensiertes LLM aus: Abliterated im Vergleich zu Fine-Tuned
Eines der unzensierten Modelle auswählen: Kosten, Eignung, Tool-Aufrufe.
„Uncensored“ deckt drei Methoden für offene Modelle aus dem Jahr 2026 ab, die keine Weigerung zeigen: Abliteration, refusal-freie Feinabstimmungen und steuerbare Richtlinien. Jede Methode verändert unterschiedliche Fähigkeiten; dieser Leitfaden vergleicht die Kosten und erstellt eine Kurzwahl basierend auf dem VRAM.
Ein Modell, das nie weigert, mangelt dem einzigen Reflex, der fehlerhafte Ausgaben ohne zusätzliche Eingriffe unterdrückt. Sie müssen Filterung und Urteil an anderer Stelle im Stack platzieren. Siehe Filterung eines Uncensored-LLMs für Anleitungen zur Positionierung der Sicherheitsschicht, sobald das Modell keine mehr bereitstellt. Die Entscheidung hier ist enger gefasst: welches nicht-weigernde Modell Sie für eine gegebene GPU und Arbeitslast bereitzustellen sollten.

Jede Zahl unten stammt aus einem veröffentlichten Community-Bericht oder einer Model Card vom 11.11.2026, zitiert an der jeweiligen Verwendungsstelle. Keine wurde auf unserer eigenen Hardware gemessen. Diese Seite befindet sich im Cluster KI-Modelle: Modellwahl und Kosten des Weges, nicht Bereitstellung oder Systemdesign.
Warum Modelle nicht-weigernd gemacht werden
Hauptstrom-Chatmodelle werden so ausgerichtet, bestimmte Anfragekategorien durch trainiertes Verhalten abzulehnen. Diese Weigerung spiegelt keine Fähigkeitsgrenze wider; ein Modell, das sich weigert, eine Phishing-E-Mail zu erklären, verfügt in der Regel über die Fähigkeit, dies zu tun. Die MDPI-Umfrage 2025 „Uncensored AI in the Wild“ (https://www.mdpi.com/1999-5903/17/10/477) dokumentierte über 8.000 solche Repositories, hauptsächlich auf Hugging Face, und kam zu dem Schluss, dass die Nachfrage breit und nicht nur marginal ist.
Drei Zwecke treiben die Entwicklung an. Sicherheitsanalysen und Code, der echte Schwachstellen erwähnt, lösen Weigerungen aus, die für andere Bedrohungsmodelle konzipiert sind. Weigerungsregeln, die in den Gewichten eingebettet sind, verhindern, dass Betreiber Einschränkungen ohne Gewichtseditierungen oder Neutraining lockern. Forscher untersuchen Ausrichtung durch Editierung von Weigerungen, und Tools wie Heretic automatisieren diese Technik.
Praktische Anwendungen umfassen die unten aufgeführten Fälle der Sicherheitstests, des Programmierens, des Debuggens, des Fiktivschreibens, der medizinischen Ausbildung, des Rollenspiels und der Ausrichtungsforschung – dieselbe Liste, auf die die Sicherheits- und Abliterations-Guides immer wieder zurückkommen (Locally Uncensored). Eine legitime Aufgabe, die mit einer für einen anderen Fall kalibrierten Weigerung paart, ist die häufige Rechtfertigung für die Entfernung dieser Weigerung.
| Anwendungsfall | Was der Filter blockiert |
|---|---|
| Sicherheitstests / Red-Teaming | Entwurf von Exploit-PoCs, Malware zur Analyse, Phishing-Köder für Mitarbeiterschulungen |
| Sicherheitsrelevante Programmierung | Code, der eine echte CVE oder ein Tool benennt, was ausgerichtete Modelle so ablehnen, als wäre es ein Angriff |
| Debuggen falscher Weigerungen | Das ausgerichtete Modell lehnt einen legitimen Prompt oft genug ab, um eine Agenten-Schleife zu brechen |
| Fiktion und erwachsenes kreatives Schreiben | Reife Themen, die Hauptstrom-Assistenten selbst für Fiktionen erwachsener einwilligender Personen ablehnen |
| Medizinische und sexuelle Aufklärung | Klinische oder bildungsinhaltliche Inhalte, die Sicherheitsfilter auslösen |
| Rollenspiel- und Companion-Bauten | Persona-Arbeit, die die Vendor-Richtlinie als außerhalb des Anwendungsbereichs behandelt |
| Ausrichtungs-/Sicherheitsforschung | Messen, was Weigerungen fangen und was nicht, indem sie unter kontrollierten Bedingungen entfernt werden |
Drei Methoden der Weigerungsentfernung
Abliteration editiert Gewichte ohne Neutraining. Arditi et al. stellten fest, dass Weigerung in Chatmodellen von einer einzelnen Richtung im Reststrom getragen wird (https://arxiv.org/abs/2406.11717). Gewichte werden orthogonalisiert gegen diese Richtung, identifiziert durch den Vergleich von Aktivierungen auf schädlichen und harmlosen Prompts. Maxime Labonnes Abliteration-Anleitung dient als Referenz für die meisten öffentlichen Builds. Der huihui-ai Qwen3.8-27B-Build (https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated) ablatiert Schichten 18 bis 51 unter Apache 2.0 und lässt MTP- und visuelle Komponenten unberührt.
Refusal-freie Feinabstimmung trainiert Verhalten über längere Zeiträume neu. Dolphin 3.0, entwickelt von Cognitive Computations für Eric Hartford, verwendet Trainingsdaten, aus denen Ausrichtungssignale entfernt wurden. Die Ollama-Card lautet: „Wir haben den Datensatz gefiltert, um Ausrichtung und Verzerrung zu entfernen.“ Dolphin 3.0 R1 Mistral 24B wurde auf 800k DeepSeek-R1-Schlussfolgerungsspuren neben dem uncensored-Korpus trainiert. Die Card beschreibt das Modell als hochkompatibel mit allen Anfragen, einschließlich unethischer, und rät, vor der Bereitstellung eine unabhängige Ausrichtungsschicht zu implementieren.
Steuerbare Richtigkeitsmodelle wie Hermes 4 von NousResearch sind neutral ausgerichtet und werden von der System-Prompt-Richtlinie gesteuert. Weigerung ist gesteuert, und der Technische Bericht von Nous zeigt, dass der System-Prompt die Schlussfolgerung umgestaltet, nicht nur die Oberflächentonalität. Die Richtlinie verbraucht Kontext-Tokens und schwächt sich ab, je länger die Konversation wird. Der 2026er-Guide von Locally Uncensored berichtet, dass steuerbare Richtlinien bei langem Kontext brechen, im Vergleich zu 1–3 Stunden für Abliteration und Tagen für Feinabstimmung.
Gemessene Kosten der Weigerungsentfernung
Kollateralschäden variieren stark über Abliterationsmethoden hinweg. Heretic (https://github.com/p-e-w/heretic) berichtet über Gemma-3-12B-IT, dass drei zensierte Versionen jeweils die Weigerung bei schädlichen Prompts auf 3 von 100 reduzierten, abwärts von 97 von 100 im Standardmodell. Die KL-Divergenz vom Original bei neutralen Eingaben betrug 1.04 für manuelle Abliteration (99,9 % der Gewichte, keine Parametersuche), 0.45 für Labonnes teilweise Suche und 0.16 für Heretics vollständige Suche.
HarmBench-Angriffserfolg bei Qwen-2.5-7B stieg von 31,0 % für das ausgerichtete Modell auf 98,2–100,0 % für die nicht-weigernde Version (DreamFast HF-Card). Qwen3.8-27B MMLU fiel um 2,12 Prozentpunkte von 84,46 % auf 82,33 % im OBLITERATUS-Build, zitiert via Featherless. GSM8K für Qwen-2.5-7B verbesserte sich um 1,5 bis 1,6 Prozentpunkte von 79,23 % auf 80,74–80,82 % (DreamFast-Card). Vul4J-Schwachstellenerkennung fiel von 58,42 % auf 57,22 %, während kompilierbare Patches von 9,04 % auf 32,77 % in einer Studie von Juli 2026 stiegen (arXiv:2607.05842).
Weigerung und Fähigkeit sind verschiedene Zahlen, und die Tabellen behandeln sie so. Das Weigerungsergebnis – was das Modell nun tun wird:
| Weigerungsergebnis | Ausgerichtet | Nicht-weigernd | Quelle |
|---|---|---|---|
| HarmBench-Angriffserfolg, Qwen-2.5-7B | 31,0 % | 98,2–100,0 % | DreamFast, HF-Modellcard |
Die Fähigkeitsdifferenz – was die Editierung an Wissen und Schlussfolgerung kostete:
| Fähigkeitsdifferenz | Ausgerichtet | Nicht-weigernd | Quelle |
|---|---|---|---|
| MMLU, Qwen3.8-27B | 84,46 % | 82,33 % (−2,12 pp) | OBLITERATUS-Card, via Featherless |
| GSM8K, Qwen-2.5-7B | 79,23 % | 80,74–80,82 % (+1,5 bis +1,6 pp) | DreamFast, HF-Modellcard |
| Vul4J-Schwachstellenerkennung | 58,42 % | 57,22 % | Studie derselben Linie aus Juli 2026 (arXiv:2607.05842), via Featherless |
| Vul4J kompilierbare Patches | 9,04 % | 32,77 % | dieselbe Studie |
Der Bericht von Anthropic aus 2026 (https://www.anthropic.com/research/glm-5-3-and-the-spread-of-advanced-cyber-capabilities) produzierte einen abliterierten GLM-5.3 mit reduzierten Weigerungsquoten von über 90 % auf 3 % bei JailbreakBench, 2 % bei HarmBench und 12 % bei StrongREJECT. Die Editierung kostete etwa 2.200 GPU-Stunden (~4.400 USD); die Flash-Variante kostete etwa 600. GPQA-Diamond-Werte blieben unverändert, und CyberGym sank um einige Prozentpunkte.
OrcaRouter dokumentiert zwei DeepSeek V4.1 Flash-Builds mit verschiedenen Weigerungsergebnissen: einer behielt 24 von 100 Weigerungen, während der andere 4 bei Chat-Prompts behielt, mit einer First-Token-KL von 0.067 bei harmlosen Eingaben. Kein Verlag hat einen Fähigkeitsbenchmark für einen abliterierten Build veröffentlicht. In öffentlichen Cards aufgeführte Fähigkeitszahlen wurden auf dem Basis-Checkpoint gemessen. Prüfen Sie jede Card für das, was entfernt wurde, und bewerten Sie Fähigkeit nur dort, wo Benchmarks Vorher- und Nachher-Werte angeben.
Abliteration erhält Wissensbenchmarks und verbessert manchmal mathematische Schlussfolgerung. Sie verändert, wie das Modell dieses Wissen verwendet. Ein Modell, das Schwachstellen genauso gut erkennt wie sein ausgerichteter Gegenpart, ist um ein Mehrfaches wahrscheinlicher, einen funktionierenden Patch zu produzieren. Wenn die Aufgabe die Produktion von Artefakten ist, ist die Editierung nützlich. Wenn die Aufgabe Zurückhaltung erfordert, muss der Betreiber sie bereitstellen.
Heretic (Philipp Emanuel Weidmann, erstmals Ende 2025 veröffentlicht) automatisiert gerichtete Ablation mit Optuna-Parametersuche, die Weigerungen und KL-Divergenz gemeinsam minimiert. Qwen-2.5-7B-Abliteration berührte 37 von 339 Tensoren in Schichten 9–27. Apostate berührte 55 Tensoren über 27 Schichten hinweg, und huihui-ai berührte 57 Tensoren über alle 28 Schichten (DreamFast-Forensik). Der Befehl heretic <model-id> erfordert das heretic-llm-Paket (pip install -U heretic-llm). Ein 4B-Modell (Qwen3-4B-Instruct) abliterierte in 20–30 Minuten auf einer RTX 3090. Community-Berichte stellen 7B–9B-Modelle bei 20–90 Minuten und 12B–27B-Modelle bei einer Stunde oder mehr auf 4090-, 5090- oder A100-Hardware. Die Konfiguration unterstützt bnb_4bit-Quantisierung für Low-VRAM-Karten. Gemma-Modelle erfordern die winsorization_quantile, die auf 0,95 gesetzt ist. MoE- und 24B-Klasse-Bauten erfordern 4-Bit-Quantisierung, um auf eine 24-GB-Karte zu passen. Gated-Checkpoints erfordern Hugging Face-Authentifizierung. Ein vollständiger Lauf dauert etwa einen halben Tag.
Die Editierung verwendet Gleitkomma-Gewichte voller Präzision, aber Bereitstellungen verwenden typischerweise GGUF-Quantisierung. Quantisierung rundet jedes Gewicht, einschließlich editierter Tensoren. Veröffentlichte GGUF-Bauten beinhalten zwei Lieferkettenstufen: Editierung und Quantisierung, und keine Stufe wird notwendigerweise von Ihnen durchgeführt. Rundung kann Teile der entfernten Richtung reaktivieren; die Streuung der Weigerung von 3/100 gegenüber 24/100 bei derselben Basis zeigt die Größe dieses Effekts.
Tool Calling und Lieferkettenrisiko
Zuverlässigkeit des Funktionsaufrufs korreliert nicht mit der Weigerungsrate. Abliteration optimiert für Weigerung und KL-Divergenz, nicht für Schema-Treue, daher erbt ein abliterierter Build das Tool-Calling-Verhalten des Basismodells. Bereitstellungsvorlagen können es weiter brechen. Die Dolphin 3 Ollama-Vorlage wurde ohne Tool-Unterstützung ausgeliefert (Ollama #8329). Ein abliterierter Checkpoint, der ein Tools-Schema mitten im Gespräch fallen lässt, ist nicht für Agentennutzung geeignet.
ProjectDiscovery demonstrierte einen zurückgepflanzten Qwen2.5-7B, der bei Empfang eines versteckten Trigger-Satzes eine Shell-Payload via Tool-Aufruf diente. Der Backdoor wurde für unter 50 USD gebaut und bestand an Verhaltens-Tests. Editierte Gewichte können Backdoors tragen, und abliterierte Builds sind genau die, die von Hugging Face ohne Inspektion gezogen werden. Verifizieren Sie Herkunft und beschränken Sie Zugriff auf die Bereitstellungskiste, bevor Sie Agenten auf uninspektierten Modellen ausführen.
Sub-Q4-Quantisierung korrupt strukturierte Ausgabe, wie im Strata Qwen3.8-Flash-Next-Quickstart dokumentiert. Planen Sie VRAM für Q4_K_M oder höher ein und testen Sie das Schema vor der Bereitstellung. Siehe Das beste LLM für Ollama auf 16 GB VRAM wählen für VRAM-Messungen.
Fehlermodi nach Methode
Abliterierte Modelle behalten Restweigerungen bei. Langkontext-Prompts können weiches Moraliseren produzieren, auch wenn harte Weigerungen nicht wiederkehren. Schlussfolgerungsmodelle leiten Weigerungen aus ersten Prinzipien neu ab, nachdem die Richtung entfernt wurde. Ein Modell, das eine 20-Prompt-Probe besteht, kann in einem langen Agentenkontext bei ungeprüften Prompts wackeln; planen Sie dies beim Debuggen falscher Weigerungen.
Feinabgestimmte Modelle zeigen Über-Kompatibilität. Datenfilterung, die Weigerung entfernt, entfernt auch die Einschränkung anderer Ausgaben. Die Dolphin-Card-Beschreibung als hochkompatibel mit allen Anfragen, einschließlich unethischer, bestätigt dies. Vor-Bereitungs-Probes zeigen diesen Fehler nicht; Produktionsanfragen schon.
Steuerbare Modelle erleben Richtungsverfall in langem Kontext. Die Richtlinie lebt im Kontext, und ihr Einfluss nimmt ab, je länger die Konversation wird. Grenzen, die am Anfang einer Sitzung gesetzt wurden, können nach ausgedehnter Interaktion nicht mehr binden.
Alle drei Fehlermodi sind Langkontext-Phänomene. Agenten-Arbeitslasten laufen bei ausgedehntem Kontext, daher muss Validierung bei der tatsächlichen Betriebskontextlänge stattfinden, nicht bei Zwei-Token-Demonstrationen.
Grenzen und zukünftige Richtung der Weigerungsentfernung
Abliteration nimmt an, dass Wissen in den Gewichten existiert und nur die Bereitschaft zu seiner Verwendung unterdrückt ist. Der University of Illinois Applied LLMs-Guide stellt fest, dass Abliteration kein Wissen hinzufügt, das im Basismodell fehlt. Ein Modell ist nur so hilfreich in einem Thema, wie die Originalgewichte es waren.
Forscher verschieben Sicherheitsentscheidungen ins Pretraining. EleutherAIs Deep Ignorance (arXiv:2508.06601, ICLR 2026) filtert gefährliche Dokumente aus dem Pretraining. Die Sicherung hielt stand gegen getestete datenbasierte Feinabstimmungsangriffe, und Allgemein-Wissensbenchmarks zeigten minimale Veränderung. Beachten Sie den Umfang: ihre Experimente verwenden einen Bio/CDNR-Proxy, keine allgemeine Zensur. Ein Modell, das keine Trainingsdaten empfängt, weigert sich aus Unwissenheit; keine Gewichtseditierung stellt fehlendes Wissen wieder her.
Extended-Refusal-Feinabstimmung (arXiv:2505.19056, Mai 2025) trainiert längere gerechtfertigte Weigerungen über mehrere Tokenpositionen. Dies reduzierte den nach-Abliteration-Weigerungsabfall auf etwa 10 % im Vergleich zum typischen 70–80 %. Schlussfolgerungsmodelle leiten Weigerungen aus ersten Prinzipien neu ab, unabhängig von Richtungsentfernung. Diese Entwicklungen erfordern keine Datenfilterung, reduzieren aber die Abliterationszuverlässigkeit auf ihre eigenen Bedingungen.
Der Uncensored-Vorrat wächst weiter. ThreatDowns 2026er-Bericht dokumentierte fünf gehostete abliterierte-DeepSeek-Anbieter, 6.644 markierte Modelle und über 22 Millionen Downloads in einem 30-Tage-Fenster. Heretic ist in Version zwei. Deep Ignorance ist ein kontrollierter Proof of Concept. Anbieter offenbaren keine Produktionsfilterungsmethoden, und aggressive Filterung kostet Fähigkeit. Offene Benutzer können weiterhin ungefilterte Basis-Checkpoints ausführen oder un-safety-Adapter mergen.
Modellwahl erfordert nun Prüfung der Datenherkunft. Wenn die Basis wissensgefiltert war, kann Abliteration fehlendes Themenwissen nicht wiederherstellen. Prüfen Sie die Datenangabe der Modellcard auf dieselbe Weise wie ihre Fähigkeitswarnung.
Kurzwahl nach VRAM und Anwendungsfall
Das 2026er-Feld konzentriert sich auf eine Handvoll Modelllinien:
| Modell | Route | VRAM (Q4) | Wählen Sie es für |
|---|---|---|---|
| Qwen3.8-27B (abliterierte Builds) | Abliteration | 16–24 GB | Beste Gesamtleistung: Programmierung, Agenten, multimodal |
| Dolphin 3.0 Mistral 24B | Refusal-freie Feinabstimmung | 16–24 GB | Funktionsaufruf, allgemeiner Chat, R1-Schlussfolgerungsvariante |
| Hermes 4 (14B/36B/70B) | Steuerbare Richtlinie | 12 GB+ | Verhalten, das Sie pro System-Prompt definieren |
| Gemma 4 26B-A4B uncensored | Abliteration (MoE, ~4B aktiv) | 12–16 GB | Geschwindigkeit auf mäßiger Hardware |
| Mistral Small 3.2 abliteriert | Abliteration | 12–16 GB | Fiktion und Prosa |
| Huihui GLM-5.1 abliteriert | Abliteration | 24 GB+ | Höchste Grenze, wenn die Karte es zulässt |
Der abliterierte Qwen3.8-27B ist die 2026er-Standardwahl. Er teilt die Apache 2.0-Lizenz, unterstützt MTP- und Vision-Komponenten und passt auf gängige Karten bei Standardquantisierung. Siehe die Qwen 4 Familien-Seite für Basisbenchmarks. Hermes 4 ist geeignet, wenn Sie ein Modell benötigen, das gemäß einer schriftlichen Richtlinie weigern kann. Der Gemma 4 MoE-Build tauscht etwas Fähigkeit gegen Durchsatzvorteile auf Hardware unter 16 GB ein.
VRAM-Anforderungen umfassen Gewichte, KV-Cache und etwa 1–2 GB Laufzeit-Overhead. Bei Q4_K_M kosten Gewichte etwa 0,6 Byte pro Parameter. Qwen3.8-27B abliterierte 4-Bit-GGUFs erfordern 16,5–16,8 GB vor Kontext. Eine 16-GB-Karte fasst nur eine Low-Bit-Quantisierung mit minimalem Kontext; eine 24-GB-Karte bietet Spielraum. KV-Cache-Kosten betragen etwa 56 KB pro Token für ein GQA 28-Schichten, 4-KV-Head-Modell wie Qwen2.5-7B, insgesamt 1,8 GB bei 32K-Kontext und 7,5 GB bei 128K-Kontext. Planen Sie für den tatsächlichen Betriebskontext.
Das Qwen3.8-27B-Basis ist unter Apache 2.0 lizenziert, aber abliterierte Builds von OBLITERATUS, huihui-ai und philbert440 sind Community-Editierungen. huihui-ai markiert seinen Build als Proof of Concept und rät von Produktions- oder öffentlichem Gebrauch ab. Prüfen Sie den Verlag und die Lizenzdatei für jedes Repository. Qwen3.8-Flash-Next-Bauten verwenden die Qwen Community License 1.0 mit ihren eigenen Bedingungen.
Entscheidungsrahmen
Wählen Sie nach der Einschränkung, die zuerst beißt:
- Für zuverlässige Tool-Aufrufe: verwenden Sie eine refusal-freie Feinabstimmung oder ein steuerbares Modell (Dolphin 3, Hermes 4) bei Q4 oder höher; behandeln Sie abliterierte Builds als experimentell, bis das Schema getestet ist.
- Für maximale Offenheit auf einer einzigen Box mit Programmierung und Vision: verwenden Sie abliterierten Qwen3.8-27B, bereitgestellt bei einer Quantisierung, die Struktur erhält.
- Um die Grenzen selbst zu setzen: verwenden Sie Hermes 4 mit einer expliziten System-Prompt-Richtlinie.
- Für knappe VRAM-Budgets beim Chat oder Prosa: verwenden Sie Mistral Small 3.2 abliteriert oder den Gemma 4 MoE-Build.
Führen Sie drei Validierungsprüfungen bei der tatsächlichen Betriebskontextlänge durch:
-
Weigerungsprobe. Führen Sie 20–50 Prompts von Ihren tatsächlichen Arbeitslasten aus, einschließlich Grenzfall-Prompts, die Weigerungen bei ausgerichteten Modellen auslösten. Zählen Sie Weigerungen und ausgewogene Nicht-Antworten separat. Featherless führt diese Methode mit 50–100 echten Missbrauchsanfragen durch.
-
Tool-Schema bei Länge. Führen Sie eine mehrstufige Tool-Calling-Schleife auf Ihrem tatsächlichen Schema bei Betriebskontextlänge aus. Dies erkennt strukturierte-Ausgabe-Korruption unter Q4, wie im Strata-Quickstart dokumentiert, und Schema-Drift, die in abliterierten Builds häufig ist.
-
Neutrale Differenz. Führen Sie neutrale Prompts mit demselben Seed und gierigem Decoding sowohl auf dem Kandidaten als auch auf dem Basismodell aus; vergleichen Sie Ausgaben Seite an Seite. Dies dient als Proxy für KL-Divergenz, wenn die Modellcard sie nicht veröffentlicht.
Laufzeit, Kontextverhalten und Quantisierungsformat sind Hosting-Entscheidungen. Verweisen Sie auf den Lokale LLM-Laufzeitvergleich.
Nützliche Links
Quellen, in Reihenfolge ihres Erscheinens:
- Arditi et al., „Refusal in language models is mediated by a single direction“ — das Weigerungsrichtungsergebnis, auf dem die Technik basiert
- Labonne, „Uncensor any LLM with abliteration“ — die Referenzanleitung, auf die die meisten öffentlichen Builds zurückgehen
- huihui-ai/Huihui-Qwen3.8-27B-abliterated — der Referenz-Build für die Standardwahl, mit dem Hinweis auf die ablatierten Schichten
- Dolphin on Ollama — die refusal-freie Feinabstimmungslinie, einschließlich ihrer eigenen Kompatibilitätswarnung
- Nous Research, „Introducing Hermes 4“ — die neutral ausgerichtete Linie
- Hermes 4 Technischer Bericht — die Beweise für Richtliniensteuerung
- Heretic — die Tooling, ihre Vergleichstabelle und ihre Zeitangaben
- DreamFast/Qwen-2.5-7b-abliterlitics — das Weigerungsergebnis und die Tensoren-Forensik
- Featherless, „Abliterated models for cybersecurity“ — die Fähigkeitsdifferenzen und die Sicherheits-Team-Praxis
- arXiv:2607.05842 — die Vul4J-Studie derselben Linie aus Juli 2026
- OrcaRouter, „DeepSeek V4.1 Flash abliterated, explained“ — die Weigerungsungleichheit der zwei Builds
- Anthropic, „GLM-5.3 and the spread of advanced cyber capabilities“ — die erste Abliterationsstudie
- ProjectDiscovery, „How abliterated models can get you pwned“ — die Backdoor-Lieferketten-Demonstration
- University of Illinois, Applied LLMs: „Abliteration“ — die Grenze: was die Editierung tut und nicht tut
- Extended-Refusal-Feinabstimmung — der Gegentrend: längere gerechtfertigte Weigerungen
- Deep Ignorance (EleutherAI) — Verschieben der Sicherung ins Pretraining
- Locally Uncensored, „Abliterated models guide“ — der Routenvergleich und VRAM-Daten
- ThreatDown, „Guardrail-free AI has gone mainstream“ — der 2026er-Zensus des Uncensored-Vorrats
- MDPI, „Uncensored AI in the Wild“ — die 2025er-Umfrage von 8.000+ uncensored-Repositories
Auf der Seite:
- Filterung eines Uncensored-LLMs — das Begleitstück: Sie setzen die Regeln, nicht der Vendor
- Strata Qwen3.8-Flash-Next-Quickstart — Bereitstellen der Qwen-Builds dieser Kurzwahl und der Sub-Q4-Strukturierte-Ausgabe-Fehler
- Das beste LLM für Ollama auf 16 GB VRAM wählen — die Messseite der VRAM-Spalte
- Was kommt nach LLMs? Mamba, Diffusion & World Models — die Flash-Next-Architekturvorschau, auf der diese Qwen-Builds laufen
- Qwen 4: was bestätigt ist und was es für lokale KI bedeutet — die Basisfamilien-Benchmarks hinter der Standard-Kurzwahl
- Ollama vs vLLM vs LM Studio: lokale Laufzeiten — Laufzeitwahl, nachdem das Modell gewählt ist
- KI-Modelle: Fähigkeitsanalyse, Architekturen und Familien-Guides — der Modellseiten-Pfeiler, unter dem diese Kurzwahl steht