🔴 国内外大模型动态
1. orcarouter Qwen3.8-27B-Uncensored GGUF：本地无审查部署主推版⭐⭐⭐⭐
orcarouter 的无审查 GGUF 量化版，18 万下载、473 赞—— GGUF 面向 llama.cpp/Ollama 本地消费级硬件，与昨天雷达收录的 FP8 版（服务器 vLLM 批量推理）正好互补；想在本地跑"不拒绝"的 Qwen3.8-27B 做数据处理或批量文本生成，这是目前社区口碑最稳的选择之一
🔧 建议试一下
2. empero-ai Qwen3.8-27B-Ridge GGUF：又一种风格调校变体上架⭐⭐⭐⭐
empero-ai 的 Ridge 变体 GGUF，20 万下载、272 赞——命名延续社区"给 27B 换个性格"的玩法（类似 Beep、Marsh 等风格化微调系）；本地玩家可以和原版/无审查版并排对比输出风格差异，挑选适合自己场景的"性格"
👀 持续关注
3. Huihui-Qwen3.8-27B-abliterated GGUF：131 万下载的消融老字号⭐⭐⭐
huihui-ai 是 abliteration（消融去审查）赛道的老牌玩家，这个版本下载量已冲到 131 万、377 赞——社区去对齐方案里下载量最大的一档；如果只想要一个"闭眼可用"的消融版而不纠结具体方法学，先拉这个试最省事
🔧 建议试一下
4. Qwen3.8-Whittle-MoE-27B-A17.8B：把稠密 27B"削"成 MoE 的实验⭐⭐⭐
logic65 的研究预览：沿用 Whittle 系"稠密转稀疏"思路，把 27B 稠密模型改造成激活参数约 17.8B 的 MoE 架构——如果改造后能力保持得好，推理算力开销能明显下降，是"自部署降本"方向值得跟踪的路线；目前还是 research-preview，效果需要自己验证
👀 持续关注
🔴 训练与对齐
5. SFT 之前就预判参数变化：可解释性指导参数高效微调⭐⭐⭐
把机制可解释性从"事后解剖"推进到"事前预测"——在 SFT 发生之前，就从预训练参数里预判哪些机制会被改写，再据此挑参数做定位式微调（locating-then-tuning）。做 LoRA/PEFT 时"选哪些层、动哪些参数"长期靠玄学，这篇提供了一个有理论支撑的选点思路
📖 精读全文
6. 偏好数据选择：给"对齐税"开出的数据侧药方⭐⭐⭐
对齐税（alignment tax）指 DPO/偏好优化后通用能力灾难性遗忘。之前的主流解法在优化算法或架构上做文章，这篇换个角度：直接从偏好数据集里挑子集来用，不动训练流程就能减税——工程上最容易落地的一类方案，做偏好优化前先筛数据即可借鉴
⚡ 工程可参考