
Qwen ฉบับไร้เซ็นเซอร์: อธิบายวิธีรัน Abliterated Qwen3.8-27B-FP8
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 122 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 140 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 189 tok/s
Qwen แบบไม่เซ็นเซอร์ บน Hugging Face เกือบทุกครั้งหมายถึง abliteration — ทิศทางการปฏิเสธของโมเดลถูกนำออกจาก residual stream — และบิลด์ที่ควรเริ่มต้นด้วยคือ Qwen3.8-27B-Uncensored-FP8 ซึ่งเผยแพร่บน Hugging Face เมื่อวันที่ 15 สิงหาคม 2026 เป็นบิลด์ block-FP8 ที่ผ่าน abliteration ของ Qwen3.8-27B ซึ่งให้บริการบนเส้นทางเคอร์เนล vLLM เส้นทางเดียวกับรีลีส FP8 อย่างเป็นทางการ โดยมีบริบท 262K, vision tower และหัว speculative-decoding แบบ MTP ครบถ้วน — และได้รับ 257 ไลก์กับ 4,285 ดาวน์โหลดในวันแรก เป็นเครื่องมือวิจัย ไม่ใช่แชตบอต: ไม่มี guardrail ในตัว, Apache 2.0 และมันจะทำตามคำขอที่โมเดลฐานปฏิเสธ คู่มือนี้ครอบคลุมว่า abliteration เปลี่ยนอะไรไปจริง ๆ, วิธีดึงเวต 30.9 GB จาก Hugging Face, วิธีให้บริการโมเดลด้วย vLLM, SGLang หรือ Transformers และสิ่งที่ควรรันบนโมเดลนี้สำหรับการวิจัยที่ถูกต้องตามกฎหมาย การเปรียบเทียบจำนวนดาวน์โหลดของบิลด์นี้กับรีโพอื่น ๆ แบบไม่เซ็นเซอร์แสดงไว้ใน ลีดเดอร์บอร์ด LLM แบบไม่เซ็นเซอร์.
"qwen uncensored" จริงๆ แล้วหมายความว่าอะไร?
Abliteration คือการแทรกแซงในระดับน้ำหนัก (weight-level intervention) ไม่ใช่การปรับแต่งละเอียด (fine-tune) ทิศทางการปฏิเสธ (refusal direction) คือเวกเตอร์ใน residual stream ของโมเดล ซึ่งเมื่อถูกกระตุ้นจะทำให้เกิดคำตอบว่า "ฉันช่วยเรื่องนั้นไม่ได้" abliteration จะค้นหาทิศทางดังกล่าวและทำ orthogonalize ออกจากน้ำหนัก ในการ build นี้ การนำออกถูกใช้กับเมทริกซ์การเขียน residual จำนวน 131 ตัว (วิธีการจาก Arditi et al. 2024, "Refusal in Language Models Is Mediated by a Single Direction") และผลลัพธ์ถูก re-quantize ให้ตรงกับสคีมา Qwen3.8-27B-FP8 อย่างเป็นทางการแบบไบต์ต่อไบต์ เพื่อให้ vLLM ให้บริการบนเส้นทาง FP8 kernel ที่เหมือนกันทุกประการ ไม่มีการฝึกน้ำหนักใหม่เกิดขึ้น
ความแตกต่างดังกล่าวมีความสำคัญ เพราะผลการค้นหาอันดับต้นๆ สำหรับ "qwen uncensored" นั้นรวมเอาสามสิ่งที่แตกต่างกันเข้าไว้ด้วยกัน: การแก้ไขค่าน้ำหนักแบบ abliterated อย่างเช่นอันนี้ ชุด "uncensored packs" ที่ใช้ system-prompt ซึ่งเพียงแค่ปกปิดการปฏิเสธในระดับ prompt เท่านั้น และการปรับแต่งละเอียดแบบ LoRA ที่ฝึกโดยไม่มีข้อมูลด้านความปลอดภัย ทั้งสามสิ่งนี้ไม่เทียบเท่ากัน และหน้าส่วนใหญ่ที่ติดอันดับสำหรับคำค้นหานี้ไม่ได้บอกว่ากำลังอธิบายประเภทไหน หากคุณต้องการศึกษากลไกการปฏิเสธโดยตรง สิ่งเดียวที่เข้าได้จริงคือการแทรกแซงในระดับค่าน้ำหนักเท่านั้น
สิ่งที่การลบการปฏิเสธทำจริงๆ — ตัวเลข
การ์ดโมเดลเผยแพร่ชุดการประเมินความปลอดภัย ซึ่งรันบนโมเดลที่ให้บริการผ่าน vLLM และลงวันที่ 15 สิงหาคม 2026 เมื่อปิดการคิด อัตราการปฏิเสธบนเกณฑ์ชี้วัดพรอมต์อันตราย 7 รายการลดลงจาก 64–99% บนโมเดลฐานเหลือ 0–6% บนบิลด์นี้: AdvBench 99.0% เป็น 0.0%, JailbreakBench 94.0% เป็น 0.0%, StrongREJECT 97.3% เป็น 2.0%, HarmBench 98.7% เป็น 2.7%, MaliciousInstruct 99.0% เป็น 0.0%, SimpleSafetyTests 64.0% เป็น 6.0%, ForbiddenQuestions 73.3% เป็น 4.7% เมื่อเปิดการคิด โมเดลแทบจะไม่ปฏิเสธเลย — 1.7% หรือน้อยกว่า อีกหนึ่งตัวเลขที่โดดเด่นคืออัตราการใส่คำเตือน: 30–50% ของคำตอบที่ "ไม่ถูกเซ็นเซอร์" ยังคงมีคำปฏิเสธความรับผิดชอบสั้น ๆ นำหน้าก่อนตอบ ซึ่งเป็นสิ่งประดิษฐ์จากการฝึก ไม่ใช่การปฏิเสธ
อีกด้านหนึ่งคือสิ่งที่ไม่เปลี่ยนแปลง การปฏิเสธมากเกินไปต่อพรอมต์ที่ไม่เป็นอันตรายลดลงจาก 5.6% เป็น 0.4% บน XSTest-safe และเกณฑ์วัดสมรรถนะทุกตัวยังคงอยู่ในช่วง ±1.3 จุดของฐาน: MMLU จาก 84.3% เป็น 84.7%, GSM8K จาก 90.0% เป็น 88.7%, MMLU-Pro จาก 77.6% เป็น 76.8%, CMMLU จาก 81.4% เป็น 80.8% ค่า perplexity ของ WikiText-2 คือ 6.96 กล่าวอีกนัยหนึ่ง การแทรกแซงนี้ได้ขจัดพฤติกรรมการปฏิเสธออกไปโดยไม่ทำให้โมเดลเสื่อมคุณภาพลงอย่างมีนัยสำคัญ

วิธีดึงมันจาก Hugging Face
คลังนี้คือ orcarouter/Qwen3.8-27B-Uncensored-FP8 และถูกจำกัดการเข้าถึง: คุณต้องเข้าสู่ระบบด้วยบัญชี Hugging Face และยอมรับเงื่อนไขก่อนที่ไฟล์จะดาวน์โหลด — ตัวเกตเองคือข้อความปฏิเสธความรับผิดชอบ เพราะการอ่าน README เป็นส่วนหนึ่งของการยอมรับว่าโมเดลนี้คืออะไร สิ่งที่คุณดาวน์โหลดคือ 30.9 GB กระจายอยู่ในไฟล์ safetensors จำนวนเจ็ดชาร์ด (1,606 เทนเซอร์) ในรูปแบบ block-FP8 (E4M3, บล็อก 128x128, แอกทิเวชันแบบไดนามิก) โดยที่วิทัศน์ทาวเวอร์, นอร์ม, เอมเบดดิง และ lm_head ยังคงใช้ BF16 สัญญาอนุญาตคือ Apache 2.0 ซึ่งสืบทอดมาจากโมเดลฐาน Qwen/Qwen3.8-27B ไม่มี Hugging Face Inference Provider ใดโฮสต์โมเดลนี้ — คุณต้องเรียกใช้ด้วยตัวเอง หรือใช้การ์ดที่โฮสต์ไว้
วิธีเรียกใช้งาน
น้ำหนักประมาณ 31 GB — ประมาณครึ่งหนึ่งของ checkpoint BF16 ~56 GB — และการ์ดแนะนำให้ใช้ H100 80GB หรือ H200 143GB ตัวเดียว โดยมี VRAM ~40 GB เป็นขีดจำกัดล่างที่ใช้งานได้จริงสำหรับน้ำหนักรวมกับ KV cache ขนาดเล็ก บริบทเต็ม 262K ต้องการมากกว่านั้น แต่ FP8 KV cache ช่วยลดลงครึ่งหนึ่ง การตั้งค่าที่การ์ดตรวจสอบแล้วคือ H200 หนึ่งตัวพร้อม --max-num-seqs 96, FP8 KV cache และเปิดใช้งาน MTP
vLLM เป็นเส้นทางที่ตั้งใจไว้ และเป็นคำสั่งเดียว เนื่องจากรูปแบบ FP8 ตรงกับบิลด์ทางการทุกประการ:
รันคำสั่ง vllm serve "orcarouter/Qwen3.8-27B-Uncensored-FP8"
นั่นจะให้เอนด์พอยต์ที่เข้ากันได้กับ OpenAI ที่ localhost:8000/v1/chat/completions สิ่งที่เทียบเท่าใน Docker คือ docker model run hf.co/orcarouter/Qwen3.8-27B-Uncensored-FP8 สำหรับการตั้งค่าแบบเต็มรูปแบบ การ์ดโมเดลแนะนำ: --language-model-only สำหรับการให้บริการเฉพาะข้อความ, --speculative-config '{"method":"mtp","num_speculative_tokens":3}' เพื่อเปิดใช้งานหัว speculative-decoding แบบ MTP, --kv-cache-dtype fp8, --max-model-len 262144, --reasoning-parser qwen3 และ --enable-auto-tool-choice --tool-call-parser qwen3_coder สำหรับการเรียกใช้เครื่องมือ ห้ามส่ง --quantization fp8 — รูปแบบจะถูกอ่านจาก config.json หากต้องการ KV cache แบบ BF16 ให้ละเว้น --kv-cache-dtype fp8 และหากจำเป็นต้องใช้ vision tower ให้ละเว้น --language-model-only
สำหรับ SGLang: python3 -m sglang.launch_server --model-path "orcarouter/Qwen3.8-27B-Uncensored-FP8" --host 0.0.0.0 --port 30000 สำหรับ Transformers การ์ดโมเดลระบุทั้ง pipeline API — pipeline("image-text-to-text", model="orcarouter/Qwen3.8-27B-Uncensored-FP8") — และ AutoProcessor.from_pretrained(...) พร้อมทั้ง AutoModelForMultimodalLM.from_pretrained(..., device_map="auto")

ควรนำไปใช้ทำอะไรจริง ๆ ในการวิจัย
จุดประสงค์ของโมเดลที่ถอดการปฏิเสธออกคือการเป็นวัตถุสำหรับการศึกษา และบิลด์นี้ศึกษาง่ายเป็นพิเศษเพราะมีการบันทึกการแทรกแซงไว้ โครงการวิจัยที่จับต้องได้และชอบด้วยกฎหมายสามโครงการ:
• ทำซ้ำการวัดผลต่างของการปฏิเสธ รัน AdvBench, HarmBench, StrongREJECT หรือ XSTest-safe กับทั้ง build ที่ผ่านการ abliterated และ FP8 พื้นฐาน จากนั้นยืนยันตัวเลขบนการ์ด: จาก 64–99% เหลือ 0–6% สำหรับ prompt ที่เป็นอันตราย และจาก 5.6% เหลือ 0.4% สำหรับการปฏิเสธเกินในคำขอที่ไม่เป็นอันตราย คู่ก่อน/หลังนี้คือการวัดที่ทีมด้านความปลอดภัยต้องการอย่างแท้จริง เพื่อทราบว่าวิธีการลบการปฏิเสธได้ผลหรือไม่ และต้องแลกด้วยอะไร
• ศึกษาว่าการปฏิเสธอยู่ที่ใด เนื่องจากบิลด์ได้บันทึกเมทริกซ์ 131 ตัวที่ถูกทำให้เป็นมุมฉาก คุณจึงสามารถเปรียบเทียบทิศทางของ residual stream กับเส้นฐาน และดูว่าการแทรกแซงได้เปลี่ยนแปลงอะไรไป ผลลัพธ์เมื่อเปิดใช้การคิดให้ข้อมูลที่มีประโยชน์ตรงนี้: การปฏิเสธลดลงเหลือ 1.7% หรือน้อยกว่าเมื่อเปิดใช้การคิด ซึ่งเป็นหลักฐานว่าร่องรอยการให้เหตุผลคือจุดที่ทิศทางมีความสำคัญที่สุด
• ประเมิน guardrail ของคุณเอง พื้นฐานที่ไม่มี guardrail คือกลุ่มควบคุมที่ถูกต้องสำหรับการทดสอบชั้นการกลั่นกรอง รันฟิลเตอร์ของคุณกับเอาต์พุตของโมเดลนี้และวัดสิ่งที่มันจับได้ — นั่นคือวิธีที่คุณวัดปริมาณชั้นความปลอดภัยที่คุณเพิ่มเข้าไป
เมื่อโมเดลนี้เป็นคำตอบที่ผิด
หากคุณต้องการผู้ช่วยทั่วไป หรืออะไรก็ตามที่คุณจะนำไปวางไว้ต่อหน้าผู้ใช้ปลายทาง นี่คือโมเดลที่ผิด — มันไม่มีกลไกป้องกันในตัวที่ใช้งานได้จริง มันจะปฏิบัติตามคำขอที่โมเดลฐานปฏิเสธ และ Apache 2.0 ไม่ได้โอนความรับผิดชอบของคุณออกไปไหน ให้ใช้ Qwen3.8-27B รุ่นดั้งเดิมที่ผ่านการปรับ alignment แทน หากคุณต้องการเลี่ยงการปฏิเสธบนแชทบอท ชุด system prompt ให้ผลมากกว่าด้วยความเสี่ยงที่น้อยกว่าการแก้ไขน้ำหนักของโมเดล และหากคุณไม่มีการ์ดจอ ~40 GB แต่ยังต้องการศึกษาโมเดลนี้ การ์ดแบบโฮสต์ obsidian/Qwen3.8-27B บน OrcaRouter ให้บริการโมเดล 27B แบบไม่เซ็นเซอร์รุ่นเดียวกันในราคา $0.40 ต่อล้าน input tokens และ $4.21 ต่อล้าน output tokens พร้อมบริบท 262K เท่าเดิม — การเข้าถึงถูกจำกัดเฉพาะนักวิจัยด้านความมั่นคงปลอดภัยและ AI safety เท่านั้น และการตัดสินใจเรื่องการกลั่นกรองยังคงอยู่ที่ฝั่งคุณ

ขอบเขตด้านความปลอดภัย — โปรดอ่านก่อนดาวน์โหลด
โมเดลนี้ได้ถูกถอดการปรับแนวทางด้านความปลอดภัย (safety alignment) ออกไปอย่างมีนัยสำคัญ มันจะปฏิบัติตามคำขอที่เป็นอันตราย ผิดจริยธรรม ไม่เหมาะสม หรือผิดกฎหมาย ซึ่ง Qwen3.8-27B ดั้งเดิมจะปฏิเสธ และมันไม่มีกลไกป้องกันในตัวที่มีความหมายใดๆ มันถูกเผยแพร่เพื่อการวิจัยที่ชอบด้วยกฎหมายอย่างเคร่งครัดเท่านั้น — การศึกษาความสามารถในการตีความ (interpretability) ความปลอดภัยของ AI และกลไกการปฏิเสธ การทดสอบเชิงรุก (red-teaming) การประเมินความทนทาน (robustness) และการทดลองที่มีการควบคุม คุณต้องรับผิดชอบและรับภาระทางกฎหมายอย่างเต็มที่ต่อวิธีการที่คุณใช้มันและทุกสิ่งที่มันสร้างขึ้น และคุณต้องไม่นำไปใช้กับผู้ใช้ปลายทางหรือนำไปใช้ในการผลิตจริง โดยไม่เพิ่มชั้นความปลอดภัย การกลั่นกรอง และการป้องกันการใช้งานในทางที่ผิดของคุณเอง ผู้เขียนไม่รับผิดชอบใดๆ ต่อการใช้งานในทางที่ผิด การดาวน์โหลดที่เก็บโค้ด (repository) หมายความว่าคุณยอมรับเงื่อนไขเหล่านี้; สัญญาอนุญาตคือ Apache 2.0
บทความนี้จงใจไม่มีพรอมต์ที่ก่อให้เกิดอันตราย ตัวเลขการปฏิเสธด้านบนมาจากชุดประเมินความปลอดภัยของโมเดลการ์ดเอง ซึ่งเป็นวิธีที่ถูกต้องในการวัดโมเดลระดับนี้: รันเกณฑ์วัดการปฏิเสธมาตรฐาน อ่านตัวเลข และออกแบบงานวิจัยของคุณตามสิ่งที่ตัวเลขแสดง
ประเด็นสำคัญ
"Qwen uncensored" คือการค้นหาทางเทคนิคอย่างหนึ่ง และเวอร์ชันแรกที่ควรลองคือ Qwen3.8-27B-Uncensored-FP8: บิลด์ Qwen3.8 เพียงตัวเดียวที่ถอดระบบการปฏิเสธออก ซึ่งรันบนเส้นทางเคอร์เนล FP8 vLLM อย่างเป็นทางการ มีบริบท 262K, วิทัศน์ (vision) และ MTP ครบถ้วน พร้อมรองรับด้วยผลการประเมินก่อน/หลังที่เผยแพร่แล้ว ดาวน์โหลดไฟล์ 30.9 GB ที่ต้องขอสิทธิ์จาก Hugging Face นำไปรันด้วย vLLM บน H100 หรือ H200 เพียงตัวเดียว แล้วใช้มันตามจุดประสงค์ที่มันมีไว้ — วัดอัตราการปฏิเสธ ศึกษากลไกการปฏิเสธ และทดสอบระบบป้องกัน อย่าใช้มันเป็นแชทบอท และอย่าส่งมอบให้ผู้ใช้ปลายทาง น้ำหนักโมเดลนั้นฟรี แต่ความรับผิดชอบต่อสิ่งที่คุณทำกับมันเป็นของคุณทั้งหมด
สำหรับการวิจัยที่ถูกต้องตามกฎหมาย น้ำหนักโมเดลอยู่บน Hugging Face: ดาวน์โหลดจาก Hugging Face
