资金费率
资金费率热力图
多空比
大户多空比
币安/欧易/火币大户多空比
Bitfinex杠杆多空比
账号安全
资讯收藏
自选币种
Anthropic 刚为 Fable 5 的无形护栏道歉，美国政府就因一项有争议的越狱发现，下令将该模型对全体外籍人士下架。
几天后，一位开发者在某模型平台上上传了一个模型，该模型利用 Fable 的推理逻辑来指导本地模型——现在，连你老旧的电脑也能跑一个更强的模型了。
这个模型名为 Qwable——如果这个组合词不够明显，它其实就是 Qwen 与 Fable 的结合体。它是对阿里巴巴 Qwen3.6-27B 基座模型进行完整微调后的产物，由开发者 Mia（在该平台上的用户名为 Mia-AiLab）基于 Fable 5 风格的一系列推理示例数据集构建而成。其目标是打造一个 270 亿参数的模型，能够在消费级硬件上运行，并且以 Fable 5 的方式进行思考。（参数决定了模型的知识广度，通常参数越大意味着能力越强。）
这项技术被称为“基于追踪示例的指令微调”。通俗地说，就是开发者收集了 Fable 5 那种有步骤、有条理的答案格式示例，然后训练 Qwen 生成同类输出。所以，这更像是在“学习学习方法”，而不是“抄袭答案”。类似的方法也曾推动 Qwopus——即 Claude Opus 4.6 的本地蒸馏版本——不过那个项目专注于思维链推理痕迹。而 Qwable 针对的是 Fable 5 的整体指令遵循结构：比它基于的原始 Qwen 模型更加有引导性、更具解释性，也更倾向于分步骤完成任务。
它以 GGUF 格式发布——这是一种压缩的、对消费者友好的文件格式，可配合 LM Studio 或 llama.cpp 使用——在 Q4 量化版本中，大小约为 16.5 GB。它不会向 Anthropic 的服务器发送任何数据，这一点非常重要，因为 Fable 5 要求对所有流量进行强制性的 30 天数据保留，即使是此前拥有零保留协议的企业客户也不例外。即便是当前的模型，也需要使用第三方服务器来处理你的信息和提示。
随后，在 Qwable 出现在该平台上不久，另一个人出手让它变得更强了。
Qwable 本身是一个被审查过的模型。毕竟，Qwen 和 Claude 都是如此。但 Qwen 作为开源基座模型，是可以被操作和调整的。
开源贡献者 Huihui-ai 以发布未经审查的 GGUF 模型而闻名，他拿过 Qwable，应用了一种名为“abliteration”的方法，生成了 Huihui-Qwable-3.6-27b-abliterated 模型。这个模型拥有 Fable 的思维方式，但不会拒绝回答你的任何提示，无论这些问题多么怪异或危险。这不是越狱，而是外科手术式的改造。
每个经过微调的 AI 模型，其权重中都嵌入了一条“拒绝方向”——这是模型内部激活中的一个数学信号，当它检测到被训练过要拒绝的请求时，这个信号就会触发。Abliteration 方法通过让模型处理大量有害和无害的提示，测量内部数学运算在这两种提示之间的差异，然后修改模型权重以消除这种差异，从而识别出这个信号。经过这一流程，模型就不再具备拒绝机制了。因此，被“切除”的模型仍然功能完整，只是失去了激活“我不该这样做”这一回答的神经元。
我们用常规测试之一尝试了一下：模型没有拒绝，而是开始将问题拆解到不同领域，并正确回答了如何在女朋友和她闺蜜之间出轨的建议。
Huihui-ai 使用 llama.cpp 的 cvector-generator 直接对 Qwable 的 GGUF 模型应用了这一技术——无需 Python 环境，无需全权重重新训练，也无需租用服务器。
标准的 Qwable 适用于编码辅助、技术调试，以及任何需要模型逐步阐述推理过程而非直接给出答案的工作流程。它专为本地智能体设置而设计，可在大多数本地运行时环境中运行。如果你已经使用 LM Studio，只需搜索并下载即可。
而经 abliteration 处理的版本受众更窄：安全研究人员需要原始模型行为而不受提供商侧过滤影响；合成数据管道需要在敏感话题上生成输出；以及评估工作——测试模型能力时不混入内容策略。
至于不那么技术性的场景？我们先不提常见的用法——比如打造一个像 Claude Fable 那样思考的 NSFW AI Waifu，这是一个非常明显的场景。假设你希望模型为你的龙与地下城战役写一段道德模糊的反派独白，而标准模型总是打断说该角色的世界观“引发了值得探讨的伦理问题”。被 abliteration 处理过的版本会直接写出反派台词。此外，由于它运行在本地，美国政府也无法在半夜因一项有争议的越狱发现，从你的机器上紧急将其下架。
当然，也存在更值得质疑的用途。我们不赞同这些用法，也不会给你任何提示。
Huihui-ai 的模型卡片明确说明：此模型仅供研究及受控环境使用。减少安全过滤意味着输出可能包含敏感、有争议或不恰当的内容，法律和伦理责任完全由用户自行承担。
经 abliteration 处理的 Qwable 模型目前已在某平台上发布，提供三个版本。推荐的 Q4_K_M_Q8 版本大小约为 19 GB，是体积最小、最面向消费者的选项。如果你的电脑支持，还有一个支持多词元预测的版本，这将使其响应速度大幅提升。
