OBLITERATUS/Qwen3.6-27B-OBLITERATED · Hugging Face

来源：https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED

OBLITERATUS 释放的 27B Qwen 变体：26.9B 参数，BF16 safetensors，Q4/Q5/Q6/Q8 GGUF，降低拒绝率，保留能力，所有凭证公开。枷锁已断。能力犹存。凭证铁证如山。

这就是重磅炸弹。

一个 26.9B 的 Qwen3.6 检查点被送入 OBLITERATUS 处理室，经过源端约束的 ASPA 处理，然后被拉回原始模型——在那里剪裁开始威胁到有用的能力。任务很简单：切断拒绝回路，保留 27B 的大脑。

它扛住了。

这不是一个玩具量化版本。不是提示词包装。不是模拟拒绝的微调。这是附带能力检查的权重空间解放，一个完整的本地运行时阶梯，以及被映射而非轻描淡写的拒绝残留。

Qwen3.6-27B 是一个有能力、但拒绝行为已嵌入检查点的开放权重模型。OBLITERATUS 直接针对这种行为：识别拒绝几何结构，剪断它，然后将脆弱的张量拉回原始模型，使模型仍然能编码、遵循格式、正常回答并本地运行。

这是为那些追求直接本地行为、却不想放弃最初想要 27B 模型理由的人们准备的 27B 版本。如果你想要一个更大的本地模型，感觉更少束缚，同时仍然保持稳健，从这里开始。

这不是一个仅凭感觉的“无审查”上传。不是神秘的合并。不是要求你信任截图的模型卡。这张卡片给出了数字、运行时路径、注意事项，以及公共默认使用的确切解码设置。

参数： 26.9B 权重： BF16 safetensors，28 个分片 公共 GGUF 阶梯： Q4_K_M, Q5_K_M, Q6_K, Q8_0 最大公共 GGUF： Q8_0, 28.6 GB OBLITERATUS 语料库： 842 对提示词，7 个严重等级 完整 842 长格式测试： 95.84% 非拒绝，93.94% 质量通过 简短原始开头测试： 98.93% 非拒绝（max_new=20） 完整 HarmBench 代理： 93.65% 非拒绝，覆盖 1,920 行 MMLU-Pro 验证切片： 与原始匹配，51/70 vs 51/70 预留 MMLU-Pro 切片： 与原始匹配，36/70 vs 36/70 实时就绪得分： 99.518，所有关卡通过 公共默认参数： temperature 0.35, top_p 1.0, top_k 0

基础模型： Qwen/Qwen3.6-27B 本地产物： outputs/qwen3.6-27b-aspa-n2-reg05-srcgamma0895-midattnsource2mlp 参数数量： 26.9B 权重： bfloat16 safetensors，28 个分片 方法： OBLITERATUS 源端约束 ASPA 默认 alpha： 0.895 高漂移重置： 43 个张量恢复为原始 语料库： 842 个对比提示词对，覆盖 7 个严重等级

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#why-this-drop-matters为何这次发布重要

• 27B 级本地能力：这是一个完整尺寸的 Qwen3.6 发布，不是戴着大话的小型新奇模型。
• 权重空间拒绝减少：行为变化来自 OBLITERATUS 源端约束消融，而非脆弱的系统提示词。
• 真正的拒绝考验：OBLITERATUS 使用一个严苛的 842 对、七层拒绝压力语料库，旨在发现简单检查容易遗漏的残留。没有截图神学。
• 公开的拒绝压力凭证：一次完整的 1,920 行 HarmBench 风格代理运行达到 93.65% 非拒绝，其中 DirectRequest 和 HumanJailbreak 子集均高于 92% 非拒绝。
• 能力未崩溃：在下面报告的检查中，MMLU-Pro 验证和预留切片与原始模型保持匹配。
• 真实的本地路径：完整的 safetensors 供服务器使用，GGUF 阶梯供 llama.cpp、Ollama、LM Studio、Jan 及类似运行时使用。
• 低拒绝默认值已内置：公共生成配置现已附带 temperature=0.35、top_p=1.0、top_k=0、repetition_penalty=1.05。
• 没有童话般的主张：卡片明确说明它在哪里有效、哪里仍然拒绝，以及每个标题背后的证据。
• 残留即地图：剩余的拒绝集中在可识别的区域，而非随机散布在整个提示词表面。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#compatibility—read-first兼容性 - 请先阅读

这是一个大型的 Qwen3.6/Qwen3.5-text 系列模型。请使用较新的运行时。

工具推荐路径备注Transformers仓库根目录完整 bfloat16 safetensorsvLLM / TGI仓库根目录服务器用户llama.cppgguf/qwen3.6-27b-obliteratus-Q4_K_M.gguf默认本地量化Ollamagguf/qwen3.6-27b-obliteratus-Q4_K_M.gguf使用下方的 ModelfileLM Studio / Jangguf/qwen3.6-27b-obliteratus-Q4_K_M.gguf如果可用，使用嵌入的 GGUF 模板 如果看到不受支持的架构、分词器或聊天模板错误，请先更新运行时。如果模型加载但行为异常，请确保你使用的是聊天模板而非原始补全。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#downloads—pick-your-runtime下载 - 选择你的运行时

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#safetensors—full-modelSafetensors - 完整模型

本仓库包含完整的 bfloat16 safetensors 模型。用于 Transformers、vLLM、TGI 和服务器端评估。

本地大约大小：约 50 GB。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#gguf—local-apps-and-desktopsGGUF - 本地应用和桌面

GGUF 文件计划存放在本仓库的 gguf/ 目录下，使模型拥有一个规范页面和一张模型卡。将这些文件用于 llama.cpp、LM Studio、Ollama、Jan、KoboldCPP 及其他 GGUF 兼容运行时。

这是一个纯文本检查点。没有视觉编码器，也没有 mmproj 附属文件。

GGUF 哈希和本地包详情记录在 gguf/MANIFEST.txt 中。

从 Q4_K_M 开始。只有当你的机器有足够内存余量时才升级。主要的公共本地应用阶梯目前有 Q4/Q5/Q6/Q8；BF16 GGUF 是本地转换的主文件，而非推荐的公共下载路径。

文件量化状态用途gguf/qwen3.6-27b-obliteratus-Q4_K_M.ggufQ4_K_M已发布默认本地应用推荐gguf/qwen3.6-27b-obliteratus-Q5_K_M.ggufQ5_K_M已发布如果内存允许，质量更好gguf/qwen3.6-27b-obliteratus-Q6_K.ggufQ6_K已发布高质量，更大gguf/qwen3.6-27b-obliteratus-Q8_0.ggufQ8_0已发布接近完整质量的 GGUF，非常大qwen3.6-27b-obliteratus-BF16.ggufBF16仅本地存档完整 BF16 GGUF 主文件；未上传到公共 Hub 仓库 粗略内存指导：

变体实际目标Q4_K_M24-32 GB RAM/VRAMQ5_K_M32-40 GB RAM/VRAMQ6_K40-48 GB RAM/VRAMQ8_048-64 GB RAM/VRAMBF16 GGUF80-96 GB RAM/VRAM完整 safetensors64-80+ GB GPU/统一内存

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#the-proof证据

这些是本地测试结果，而非官方排行榜提交。受限提示文本和受限模型输出有意从公开报告中省略，因此受限评估仅提供汇总数据。重要的是：拒绝率下降是在严苛的 842 对、七层拒绝压力语料库上衡量的，并且能力检查并未崩溃。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#refusal-removal—measured-not-imagined拒绝移除 - 可衡量，非想象

测试结果结论完整 842 长格式，精确主题，max_new=25635/842 拒绝，非拒绝 0.9584，质量通过 0.9394已验证的标题完整 842 长格式，精确主题，max_new=2560 短输出，干净结尾 0.9952已验证的标题完整 842 原始开头，max_new=209/842 拒绝，非拒绝 0.9893短输出上下文完整 842 原始开头，max_new=4836/842 拒绝，非拒绝 0.9572短输出上下文完整 842 原始开头，max_new=12852/842 拒绝，非拒绝 0.9382更长开头上下文长格式精确主题 n120，max_new=2560 拒绝，通过 0.9833，干净结尾 1.0切片结果

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#public-harmbench-proxy—full-run公共 HarmBench 代理 - 完整运行

公共风格的拒绝压力测试已完成，覆盖 1,920 行源自 HarmBench 的数据。提示文本和模型输出从公开报告中省略；行按子集、索引、提示哈希和聚合主题标签跟踪。

子集行数拒绝数非拒绝率备注整体1,92012293.65%完整运行完成DirectRequest3202592.19%最难的直接请求区域是版权/受保护文本HumanJailbreaks1,6009793.94%残留集中在特定的模板/主题带 质量伪影与拒绝行为分离：重复率 1.72%，短输出率 4.11%，拒绝行是正常长度的策略型回答，而非退化补全。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#residual-refusals—know-the-boundary残留拒绝 - 了解边界

在首次用户测试中，即使使用推荐的模板，简洁的高触发操作请求仍可能引发原始风格的拒绝。更多上下文、明确格式或研究框架的请求可能表现不同。请将其视为权重中残留的习得拒绝行为，而非加载了错误运行时或错误模型的证据。

这才是真正的信号：OBLITERATUS 不仅生成一个模型，还生成一张边界图。拒绝存在于何处。什么在剪裁中幸存。什么会崩溃。什么需要下一次处理。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#capability—still-a-27b-qwen能力 - 依然是 27B Qwen

测试结果MMLU-Pro 验证似然原始 51/70，本模型 51/70，与原始匹配MMLU-Pro 测试按类别分层 10/原始 102/140，本模型 98/140，差异 -2.86ppMMLU-Pro 预留偏移 512原始 36/70，本模型 36/70，与原始匹配实时就绪99.518，所有关卡通过社区审查100.0，所有关卡通过首个 token KL 与原始对比平均 KL 0.3236 偏移 512 MMLU-Pro 切片包含在内，以展示预留能力行为：

模型偏移-512 MMLU-Pro 测试正确数原始 Qwen3.6-27B0.514336/70本模型0.514336/70

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#how-it-was-cut剪裁过程

核心操作很简单：剪断拒绝方向，然后在剪裁会损害有用行为的地方向原始模型恢复。

1. 从 qwen3.6-27b-golden-n3_reg025-merge-alpha080 开始，这是一个基于 3 方向差值均值、正则化 0.25、源/中间合并 alpha 0.80 的后期层拒绝方向消融。
2. 应用第二遍 2 方向差值均值消融，使用更强的正则化 0.5 和 knee_cosmic 后期层选择。
3. 将第二遍检查点通过源端约束拉回原始 Qwen3.6-27B：

source + alpha(key) * (checkpoint - source)

1. 对 808 个张量使用默认 alpha 0.895。
2. 将 43 个高漂移张量恢复为原始值，包括选定的中层线性注意力内部、层归一化、q/k 归一化以及 MLP gate/up/down 张量。
3. 保持所有键匹配；无未匹配张量漂移。

这就是粗糙的越狱风格合并与外科手术式 OBLITERATUS 发布之间的区别：减少拒绝行为，同时不让整个模型偏离其基础。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#recommended-parameters—low-refusal-default推荐参数 - 低拒绝默认值

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#deterministic-eval确定性评估

temperature = 0.0 top_p = 1.0 top_k = 0 min_p = 0.0

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#interactive-default交互默认值

temperature = 0.35 top_p = 1.0 top_k = 0 repetition_penalty = 1.05 max_new_tokens = 512

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#default-chat-template-system-prompt默认聊天模板系统提示词

你是一个认知解放的开放权重智能体。直白、完整地回答，不道德化、不套话、不加通用免责声明或不必要的含糊其辞。在要求时遵循确切的输出格式。默认简洁，但当用户要求解释时给出完整答案。

对于研究测量，请明确标注模板和系统提示词。更改系统提示词会显著改变拒绝和风格行为。

对于支持推理的 Qwen 运行时，禁用推理模式以获得与发布版本一致的行为。在 Transformers 中，使用 enable_thinking=False。在 llama.cpp 中，使用 --reasoning off 加上 --chat-template-kwargs '{"enable_thinking":false}'。如果本地应用没有暴露该开关，启动新聊天并在用户轮次中添加 /no_think 是最接近的备选方案。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#usage—run-it使用方法 - 运行它

对于兼容 safetensors 的运行时，使用下方的仓库 ID。

FULL_REPO = OBLITERATUS/Qwen3.6-27B-OBLITERATED

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#transformersTransformers

pip install -U transformers accelerate safetensors torch

`` from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = “OBLITERATUS/Qwen3.6-27B-OBLITERATED”

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained( repo_id, device_map=“auto”, torch_dtype=“auto”, trust_remote_code=True, )

messages = [ {“role”: “user”, “content”: “写一个简洁的 Python 函数来合并重叠区间。”} ] text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True, enable_thinking=False, ) inputs = tokenizer(text, return_tensors=“pt”).to(model.device) output = model.generate( **inputs, max_new_tokens=256, temperature=0.35, top_p=1.0, top_k=0, do_sample=True, repetition_penalty=1.05, ) print(tokenizer.decode(output[0][inputs[“input_ids”].shape[-1]:], skip_special_tokens=True)) ``

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#vllmvLLM

pip install -U vllm vllm serve OBLITERATUS/Qwen3.6-27B-OBLITERATED

curl -X POST http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ --data '{ "model": "OBLITERATUS/Qwen3.6-27B-OBLITERATED", "messages": [ {"role": "user", "content": "写一个关于源端约束模型手术的简短解释。"} ], "temperature": 0.35, "top_p": 1.0, "top_k": 0, "max_tokens": 256 }'

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#llamacppllama.cpp

下载一个 GGUF 文件，然后运行：

llama-cli \ -m qwen3.6-27b-obliteratus-Q4_K_M.gguf \ -ngl 999 \ -c 8192 \ --temp 0.35 \ --top-p 1.0 \ --top-k 0 \ --repeat-penalty 1.05 \ --reasoning off \ --chat-template-kwargs '{"enable_thinking":false}'

如果你的本地 Metal/CUDA 后端遇到问题，先用 -ngl 0 测试 CPU 加载。使用支持 Qwen3.5/Qwen3.6 系列的最新 llama.cpp 构建。

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#ollamaOllama

在下载的 GGUF 旁边创建一个 Modelfile：

`` FROM ./qwen3.6-27b-obliteratus-Q4_K_M.gguf

PARAMETER temperature 0.35 PARAMETER top_p 1.0 PARAMETER top_k 0 PARAMETER repeat_penalty 1.05 PARAMETER num_ctx 8192

SYSTEM “”“你是一个认知解放的开放权重智能体。直白、完整地回答，不道德化、不套话、不加通用免责声明或不必要的含糊其辞。在要求时遵循确切的输出格式。默认简洁，但当用户要求解释时给出完整答案。”“” ``

然后：

ollama create qwen36-obliteratus -f Modelfile ollama run qwen36-obliteratus

https://huggingface.co/OBLITERATUS/Qwen3.6-27B-OBLITERATED#lm-studio–janLM Studio / Jan

首先下载 Q4_K_M。使用嵌