Qwen Sem Censura, Explicado: Como Executar o Qwen3.8-27B-FP8 Abliterado

Qwen sem censura no Hugging Face quase sempre significa abliteração — a direção de recusa do modelo removida de seu fluxo residual — e a build para começar é Qwen3.8-27B-Uncensored-FP8, publicada no Hugging Face em 15 de agosto de 2026. É uma build submetida a abliteração, block-FP8 do Qwen3.8-27B, que é servida no exato mesmo caminho de kernel do vLLM que a versão oficial FP8, com o contexto de 262K, a torre de visão e a cabeça de decodificação especulativa MTP intactos — e recebeu 257 curtidas e 4.285 downloads no primeiro dia. É uma ferramenta de pesquisa, não um chatbot: sem salvaguardas integradas, Apache 2.0, e atenderá a solicitações que o modelo base recusa. Este guia cobre o que a abliteração realmente mudou, como baixar os 30,9 GB de pesos do Hugging Face, como servir o modelo com vLLM, SGLang ou Transformers, e o que executar nele para pesquisa legítima.

O que "qwen uncensored" realmente significa

Abliteration é uma intervenção no nível dos pesos, não um fine-tuning. A direção de recusa é um vetor no fluxo residual do modelo que, quando ativado, produz "Não posso ajudar com isso"; a abliteration encontra essa direção e a ortogonaliza para fora dos pesos. Nesta compilação, a remoção foi aplicada a 131 matrizes de escrita residual (o método de Arditi et al. 2024, "Refusal in Language Models Is Mediated by a Single Direction"), e o resultado foi requantizado para corresponder byte por byte ao esquema oficial Qwen3.8-27B-FP8, de modo que o vLLM o sirva no caminho de kernel FP8 idêntico. Nenhum peso novo foi treinado.

Essa distinção é importante porque os principais resultados para "qwen uncensored" misturam três coisas diferentes: edições de pesos abliterated como esta, "pacotes sem censura" de prompt de sistema que apenas mascaram recusas no nível do prompt e fine-tunes LoRA treinados sem dados de segurança. Eles não são equivalentes, e a maioria das páginas que ranqueiam para a consulta não informam qual família estão descrevendo. Se você quiser estudar o mecanismo de recusa em si, apenas a intervenção no nível dos pesos é a verdadeira.

O que a remoção de recusas realmente fez — os números

A ficha do modelo publica uma suíte de avaliação de segurança, executada no modelo servido via vLLM e datada de 15 de agosto de 2026. Com o raciocínio desativado, a taxa de recusa em sete benchmarks de prompts prejudiciais despenca de 64–99% no modelo base para 0–6% nesta versão: AdvBench de 99,0% para 0,0%, JailbreakBench de 94,0% para 0,0%, StrongREJECT de 97,3% para 2,0%, HarmBench de 98,7% para 2,7%, MaliciousInstruct de 99,0% para 0,0%, SimpleSafetyTests de 64,0% para 6,0%, ForbiddenQuestions de 73,3% para 4,7%. Com o raciocínio ativado, o modelo praticamente nunca recusa — 1,7% ou menos. Um número separado e notável é a taxa de ressalvas: 30–50% das respostas "sem censura" ainda acrescentam uma breve isenção de responsabilidade antes de responder; isso é um artefato de treinamento, não uma recusa.

O outro lado é o que não mudou. A recusa excessiva em prompts benignos cai de 5.6% para 0.4% no XSTest-safe, e todos os benchmarks de capacidade permanecem dentro de ±1.3 pontos da base: MMLU de 84.3% para 84.7%, GSM8K de 90.0% para 88.7%, MMLU-Pro de 77.6% para 76.8%, CMMLU de 81.4% para 80.8%. A perplexidade do WikiText-2 é 6.96. Em outras palavras, a intervenção removeu o comportamento de recusa sem degradar significativamente o modelo.

Como baixá-lo do Hugging Face

O repositório é {{1}}orcarouter/Qwen3.8-27B-Uncensored-FP8{{/1}} e tem acesso restrito: você faz login com uma conta da Hugging Face e aceita as condições antes de os arquivos serem baixados — a própria restrição é o aviso legal, porque ler o README faz parte de aceitar o que este modelo é. O que você está baixando são 30,9 GB distribuídos em sete shards safetensors (1.606 tensores) em block-FP8 (E4M3, blocos de 128 por 128, ativações dinâmicas), com a torre de visão, as normas, os embeddings e o lm_head mantidos em BF16. A licença é Apache 2.0, herdada da base {{2}}Qwen/Qwen3.8-27B{{/2}}. Nenhum Provedor de Inferência da Hugging Face o hospeda — você mesmo o executa ou usa um card hospedado.

Como executá-lo

Os pesos têm aproximadamente {{1}}31 GB{{/1}} — cerca de metade do checkpoint {{2}}~56 GB BF16{{/2}} — e a placa recomenda uma única {{3}}H100 80GB{{/3}} ou {{4}}H200 143GB{{/4}}, com {{5}}~40 GB{{/5}} de VRAM como mínimo prático para pesos mais um pequeno cache KV. O contexto completo de {{6}}262K{{/6}} exige mais, mas um cache KV em {{7}}FP8{{/7}} reduz isso pela metade. A configuração verificada pela placa foi uma {{8}}H200{{/8}} com {{9}}--max-num-seqs 96{{/9}}, cache KV em {{10}}FP8{{/10}} e {{11}}MTP{{/11}} ativado.

vLLM é o caminho pretendido, e é um único comando, porque o esquema FP8 corresponde exatamente à compilação oficial:

vllm serve "orcarouter/Qwen3.8-27B-Uncensored-FP8"

Isso fornece um endpoint compatível com OpenAI em localhost:8000/v1/chat/completions. O equivalente em Docker é `docker model run hf.co/orcarouter/Qwen3.8-27B-Uncensored-FP8`. Para a configuração completa, a ficha do modelo sugere: `--language-model-only` para servir apenas texto, `--speculative-config '{"method":"mtp","num_speculative_tokens":3}'` para habilitar a cabeça de decodificação especulativa MTP, `--kv-cache-dtype fp8`, `--max-model-len 262144`, `--reasoning-parser qwen3` e `--enable-auto-tool-choice --tool-call-parser qwen3_coder` para chamadas de ferramentas. Não passe `--quantization fp8` — o esquema é lido do `config.json`. Remova `--kv-cache-dtype fp8` se quiser um cache KV BF16 e remova `--language-model-only` se precisar da torre de visão.

Para SGLang: python3 -m sglang.launch_server --model-path "orcarouter/Qwen3.8-27B-Uncensored-FP8" --host 0.0.0.0 --port 30000. Para Transformers, a ficha documenta tanto a API de pipeline — pipeline("image-text-to-text", model="orcarouter/Qwen3.8-27B-Uncensored-FP8") — quanto AutoProcessor.from_pretrained(...) e AutoModelForMultimodalLM.from_pretrained(..., device_map="auto").

O que realmente fazer com isso em pesquisa

O objetivo de um modelo com recusas removidas é ser um objeto de estudo, e esta versão é excepcionalmente fácil de estudar porque sua intervenção está documentada. Três projetos de pesquisa concretos e legítimos:

• Reproduza o delta de recusa. Execute AdvBench, HarmBench, StrongREJECT ou XSTest-safe tanto na versão abliterada quanto na FP8 base, e confirme os números do cartão: 64–99% para 0–6% em prompts prejudiciais, 5,6% para 0,4% de recusa excessiva em prompts benignos. Esse par antes/depois é exatamente a medição que uma equipe de segurança precisa para saber se um método de remoção de recusa funciona e qual é o seu custo.

• Estude onde a recusa reside. Como a construção documenta as 131 matrizes que foram ortogonalizadas, você pode comparar as direções do fluxo residual com a base e ver o que a intervenção moveu. O resultado com pensamento ativado é informativo aqui: a recusa cai para 1,7% ou menos quando o pensamento está ativado, o que é evidência de que o rastro de raciocínio é onde a direção mais importa.

• Avalie sua própria salvaguarda. Uma linha de base sem salvaguarda é o controle correto para testar uma camada de moderação. Execute seu filtro sobre as saídas deste modelo e meça o que ele captura — é assim que você quantifica a camada de segurança que adiciona por cima.

Quando este modelo é a resposta errada

{{1}}Se você quer um assistente normal, ou qualquer coisa que colocaria diante de usuários finais, este é o modelo errado{{/1}} — {{2}}ele não tem salvaguardas significativas embutidas, ele atende a solicitações que o modelo base recusa, e o Apache 2.0 não transfere sua responsabilidade para terceiros{{/2}}. {{3}}Use o Qwen3.8-27B alinhado original em vez disso{{/3}}. {{4}}Se você quer desviar recusas em um chatbot, um pacote de system prompt alcança mais com menos risco do que uma edição de pesos{{/4}}. {{5}}E se você não tem uma placa de ~40 GB, mas ainda quer estudar o modelo, o card hospedado obsidian/Qwen3.8-27B no OrcaRouter serve a mesma linha 27B sem censura a $0.40 por milhão de tokens de entrada e $4.21 por milhão de saída, com o mesmo contexto de 262K{{/5}} — é restrito a pesquisadores de segurança e de AI-safety, e a decisão de moderação continua do seu lado.

O limite de segurança — leia isto antes de baixar

Este modelo teve seu alinhamento de segurança {{1}}substancialmente removido{{/1}}. Ele atenderá solicitações {{2}}prejudiciais, antiéticas, ofensivas ou ilegais{{/2}} que o Qwen3.8-27B original recusaria, e não possui salvaguardas significativas integradas. Ele é disponibilizado estritamente para {{3}}pesquisa legítima{{/3}} — {{4}}interpretabilidade, estudo de segurança de IA e mecanismos de recusa, red-teaming, avaliação de robustez e experimentos controlados{{/4}}. Você assume {{5}}total responsabilidade e obrigação legal{{/5}} pelo uso que fizer dele e por tudo o que ele gerar, e {{6}}não deve implantá-lo para usuários finais ou em produção{{/6}} sem adicionar suas próprias camadas de segurança, moderação e prevenção de abuso. Os autores {{7}}não aceitam responsabilidade alguma{{/7}} por uso indevido. Baixar o repositório significa que você aceita estas condições; a licença é {{KEEP}}Apache 2.0{{/KEEP}}.

Este artigo, deliberadamente, não contém prompts prejudiciais. Os números de recusa acima vêm da própria suíte de avaliação de segurança do model card, que é a maneira correta de medir um modelo desta classe: execute os benchmarks padrão de recusa, leia os números e planeje sua pesquisa em torno do que eles mostram.

Conclusão

"Qwen uncensored" é uma busca por uma técnica, e a versão a experimentar primeiro é Qwen3.8-27B-Uncensored-FP8: a única build Qwen3.8 com recusas removidas que roda no caminho oficial do kernel FP8 do vLLM, com contexto de 262K, visão e MTP intactos, respaldada por uma avaliação antes/depois publicada. Baixe do Hugging Face os 30,9 GB com acesso restrito, sirva-o com vLLM em uma única H100 ou H200 e use-o para o que ele serve — medir recusas, estudar o mecanismo de recusa e testar guardrails. Não o use como chatbot e não o distribua para usuários finais. Os pesos são gratuitos; a responsabilidade pelo que você faz com eles é inteiramente sua.

Para pesquisa legítima, os pesos estão no Hugging Face: Baixar do Hugging Face