无审查模型排行榜：下载量究竟衡量了什么

要诚实地按能力给无审查模型排名，并没有可靠办法，而每个声称能做到的排行榜，其实都在悄悄排别的东西——通常是下载量，它衡量的是分发范围而非能力。所以这是另一种排行榜：一份溯源台账。对于源自六个基础模型的十五个仓库——其中十个基于Qwen3.8-27B，其余基于 Qwen3.8-Flash-Next、Qwen-Image-2.1、Gemma-4-E4B、GLM-5.3 和 DeepSeek-V4.1-Flash——它记录了权重来源的基础模型、用于移除拒答行为的消融方法、文件对外提供时采用的量化方式、仓库是否受限，以及截至 2026-10-21 的下载量。排序依据是基础模型，而非分数。如果你想要一个能告诉你该选哪个的数字，诚实的答案是：这个数字目前还不存在——这正是本博客现有无审查模型报道反复提出的论点，也是事件记录对能力声明普遍提出的同一论点。

账本真正擅长的事情则不同，而且更有用：它能告诉你存在哪些制品、由谁制作、如何制作，以及其中哪些确实在被拉取使用。最后一列正是那些有趣分歧所在的地方。

从机制上讲，下载量是什么

Hugging Face 的下载计数会在文件被获取时递增——无论是被人、被脚本、被 CI 任务、被镜像站，还是被某个评估工具为了第十一次拉取同一份权重。它只是一个获取计数器。它不是用户数，不是安装量，也不是质量信号。一个提供 20 GB GGUF 的仓库，如果人们在每次尝试失败后都要重新下载，其累积的获取次数会多于另一个更好的仓库——后者提供 4 GB 的量化版本，人们只需获取一次。

由此产生两种结构性偏差，它们解释了下面的大部分分布差异。首先，量化会推动下载量：一个提供八种量化级别的 GGUF 仓库，会因用户显存允许哪种级别而被下载，而热门级别还会随着人们反复试验被反复下载。其次，文件格式决定了究竟谁才能使用它：未经量化的 safetensors 构建只有具备全精度内存预算的人才能使用，因此其下载量受限于硬件，而不是兴趣。这就是为什么同一模型的 GGUF 下载量几乎总是比其全精度版本高出一个数量级，也是为什么把这种差距解读为质量评判是范畴错误。

一个基础型号，九款衍生型号，跨度达六十倍

Qwen3.8-27B 集群是样本中最纯粹的自然实验：下方模型卡片上的九个仓库均可追溯至同一个 27B 基础模型，都声称目标是消除拒答行为，下载量却相差悬殊。

前三名——JonathanColetti 以 2.58M 位居其中，huihui-ai 的 abliterated GGUF 为 2.43M，HauhauCS 的激进 MTP 构建为 2.36M——彼此相差不到百分之九，而且都是在 2026 年 8 月中旬同一个四天窗口内创建的。这种聚集并非巧合，也不是排名：它展现的是，当多个衍生模型制作者在一周内基于同一基础模型跟进、各自采用略有不同的配方时，一次模型发布呈现出的样子。

比较产物，而不是比较数量。JonathanColetti、huihui-ai 和 0bserverx 都描述了对同一基座的拒绝移除编辑。DavidAU 的条目是一个合并——在一个微调之上再堆叠一个微调，仓库名称中有一连串修饰词，追溯到一个先前的衍生模型，而不是原始基座。HauhauCS 的构建标榜 MTP，即多 token 预测，这是一种速度属性，而不是审查属性。这四类不同的产物之所以出现在同一个列表里，是因为它们共享一个父模型。下载量并不能区分它们，而按下载量排序的排行榜会把那个合并模型排在第四，并称其为更差的 abliteration。

点赞数与下载量相差超过二十倍

Hugging Face 也会记录点赞数，而这两个计数器之间的比率是样本中最具信息量的派生数字。该组织自己的 FP8 构建有 1,832 个点赞，对应 126,807 次下载——大约每 69 次下载一个点赞。JonathanColetti 的构建下载量高出二十倍，有 1,651 个点赞：大约每 1,560 次下载一个点赞。

这个差距并不是某个仓库备受喜爱而另一个被忽视，而是说明这两个计数器衡量的是不同的人群。下载量随需要该文件的机器数量增长；点赞数则随访问过该页面的 Hugging Face 账号数量增长。一个被推理服务提供商、测试框架和 CI 任务广泛使用的仓库，其下载量会与任何人类参与度不成比例，因为它的大部分流量并非来自人。先看比例，再看数量：下载量与点赞数之比很高，是制品已成为基础设施的信号，而基础设施流量根本无法说明模型好不好。

门控会改变这个数字的含义

十五个仓库中有四个是受限的，而且这种限制体现在来源字段中，而不是可用性脚注里。受限仓库仍然会计入下载量，但只统计那些已接受其条款的账户，因此其计数受限于获准访问的人群，而不是受限于兴趣。将受限仓库的下载量与不受限仓库的下载量进行比较，就是在比较两个不同的分母。

样本中最清楚的案例是基于一个未经审查的 27B 模型构建的网络安全衍生模型：28,009 次下载，受限访问，创建于 2026-09-26。它是台账中最新的仓库，也是下载量第二低的仓库，而这两个事实都不能说明其能力。它只是尚未被产生下载量的群体所触及，因为要访问它需要提出请求。

这一规律具有普遍性，也正是为什么对任何做尽职调查的人来说，受限列比下载量列更重要。十五个中有三个——27B 的 FP8 和 GGUF 构建，以及 Flash-Next GGUF——位于自动审批之后；其余都是开放的。一个无门槛、未审查且下载量高的模型拥有庞大的普通用户群。一个受限但下载量小的模型可能正是安全团队要找的，而它的下载量永远不会体现这一点。

台账中其他四个基地所显示的内容

加宽框架后，计数列反而更难解读，因为样本并不具有同质性。

• Qwen-Image-2.1，量化版，下载量 2,788,283 次。该记录中最大的仓库是一个图像模型。它不是未经审查的语言模型，而它的存在提醒人们，“uncensored”一词如今已成为一种跨模态套用的标签惯例，无论该产物实际上是什么。

• Qwen3.8-Flash-Next，GGUF，869,081 次下载，受限访问。一个规模较小的基础模型，其衍生模型已积累了可观的实际使用量，但仅占 27B 集群的一小部分。

• GLM-5.3，FP8，103,568 次下载。 它被标注为网络安全构建版，而非无审查版本，且基于不同的基础模型系列构建。意图不同，受众相近。

• DeepSeek-V4.1-Flash，FP8，52,502 次下载。 仅有一个仓库，没有 GGUF 同系列版本，也没有 MLX 同系列版本。其下载量只反映单一服务格式，因此对应的硬件受众更窄。

四个基准，对应同一列的四套不同解释。任何排行榜若把它们混进同一个排序列表，得到的数字每换一行就会改变含义。

如何阅读一本没有分数的账本

阅读准则很简短，而且与你适用于任何来源记录的是同一条。

• 从基础开始。两个父级不同的仓库不可比较，无论它们的名称有多相似。请注意，DavidAU 条目的父级是另一个衍生模型，而不是原始模型。

• 然后是方法。Abliteration、合并、MTP 调优、仅量化。第一种通过从权重中移除一个方向来改变行为；第二种通过混合权重来改变行为；第三种改变速度；第四种完全不改变行为。

• 然后是格式。GGUF 适用于各种内存预算下的本地推理，FP8 适用于数据中心服务，MLX 适用于 Apple 芯片，未量化版本则用于参考和进一步训练。格式对下载量的预测能力比质量更强。

• 然后是门禁。开放、自动批准或受限。这个字段最常用来解释异常偏低的数量。

• 最后是下载量——而且仅作为同格式内的比较。将一个 GGUF 的下载量与另一个 GGUF 的下载量进行比较是合理的。将 GGUF 与 FP8 构建进行比较则是在比较两种分布。

账本完全帮不上忙的地方，恰恰是每个人真正关心的问题：一旦拒绝行为消失，这些模型里哪一个表现最好。这需要实际运行它们，而诚实地描述运行它们的框架，正是这个博客以前用过的说法——abliteration 移除了一种行为，却没有增加知识，所以一个更小的、经过 abliteration 的模型，仍然做不到更大的基础模型做不到的事。

如果你想叫一个而不是下载一个

账本的大部分内容都围绕本地工件展开。使用这一分类的另一种方式是通过 API，而值得了解的入口是Qwen3.8 27B 模型页面：262K token 上下文，支持文本、图像和视频输入，以 block-FP8 方式提供服务，视觉塔保持全精度，每百万输入 token 0.40 美元、每百万输出 token 4.21 美元。其公布的七天流量数据为 6.452 亿 token，这是页面上最接近需求信号的内容——请注意，这是 token 计数，而非下载量，因此完全是另一种衡量指标。

要准确说明那个页面是什么、不是什么。它是在 obsidian 厂商 slug 下托管的一个 27B 模型，并且与其他所有模型一样，在同一网关上按 token 计价。它与上文台账中的任何仓库都不是同一个产物：该组织还在 Hugging Face 上发布了一个未经审查的 FP8 构建，这是一个可下载文件，下载次数为 126,807，而所服务的模型是一个带有 token 计数的部署。一个数字衡量的是获取次数；另一个衡量的是调用次数。两者都不是能力评分，也都不能替代对你所关心的行为进行测试。

一个没有分数的排行榜，其全部论点正在于此。下载量告诉你人们拉取了什么。点赞告诉你谁曾路过这个页面。门禁告诉你谁被允许拉取。溯源告诉你实际拿到的是什么。唯一缺少的，是所有人都想要的那样东西——而在有人对这些制品在其声称适用的任务上发布可复现的评估之前，排名只会是披着测量外衣的杜撰。