К содержимому
Языковые модели

DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-GGUF

кодерская модель без отказов и потери качества

2 мин чтенияобновлено

Перед вами сборка кодерской языковой модели DeepSeek-V4.1-Flash в формате GGUF от автора Abiray, из которой убрали цензуру (сделали abliteration — удаление механизма отказов). Обычно при такой процедуре веса приходится переквантовывать, из-за чего падает качество генерации, но здесь автор применил «хирургическую» пересадку тензоров из донорской версии AtomicChat/DeepSeek-V4.1-Flash-1017-Uncensored-GGUF поверх квантованной базы от ISTA-DASLab. В результате модель отвечает на любые запросы по системному программированию и безопасности, полностью сохраняя интеллект оригинального кодера.

Ключевые особенности

  • Без деградации весов: заменены только 82 плотных слоя (attn_output_b, ffn_down_shexp, engram_kv) без повторного квантования.
  • Нетронутые эксперты: все 192 маршрутизируемых кодерских эксперта (MoE) на слой и роутеры остались на 100% идентичными оригиналу ISTA-DASLab.
  • Полный автономный комплект: в репозитории есть основные шарды IQ2_XXS (72.1 ГБ), общая таблица поиска Engram (110.6 ГБ) и проектор для работы с изображениями (mmproj).
  • Потоковая загрузка с диска: благодаря mmap таблица Engram подгружается построчно на каждый токен, не требуя загрузки целиком в память.

Что можно сделать

  • Писать низкоуровневый системный код, сетевые утилиты и инструменты для аудита безопасности без ложных срабатываний фильтров.
  • Запускать локально через llama.cpp (от версии b11870) или Strata (от v0.2.5) на машине с 96–128 ГБ оперативной памяти.
  • Управлять глубиной рассуждений модели: оставить стандартный режим размышлений () для сложных задач или отключить его флагом --reasoning-budget 0 для мгновенного вывода кода.

Пример

./llama-cli \
  -m DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-IQ2_XXS-00001-of-00006.gguf \
  --jinja -c 16384 -n 2048 -t 16 --temp 0.2 \
  -p "Write a high-performance raw-socket TCP SYN scanner in Python using struct.pack."
ПодробнееМетрики относительно оригинала: совпадение Top-1 токенов — 99.80%, косинусное сходство по 40 слоям — 0.99999993, частота отказов снижена с 86.4% до 0.0%.
Бенчмарки базы сохранены на 100%: 98.7% на LCB и 94.8% на SWE.
Требования: от 96–128 ГБ системной RAM (CPU или гибридный офлоад GPU + RAM) и ~183 ГБ места на диске.
Для llama.cpp перед первым запуском нужно создать симлинк на файл Engram как на 6-й шард.
Обсудить 37 39,2 тыс.

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • GGUF IQ4_NLвеса 103 GB · готовые файлы114 GB
  • GGUF IQ2_XXSвеса 67 GB · готовые файлы74 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте 4× RTX A6000

    $1.71 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Abiray/DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-GGUF — 4× RTX A6000, GGUF IQ4_NL
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -fsSL https://ollama.com/install.sh | sh
    ollama run hf.co/Abiray/DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-GGUF:IQ4_NL
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

  1. DeepSeek-V4.1-Flash-1017основа семьи
  2. DeepSeek-V4.1-Flash-1017-GSQ-RCO-Coder-GGUF
  3. DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-GGUF

Новые посты про версии DeepSeek-V4.1-Flash-1017 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 9Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

Abiray/DeepSeek-V4.1-Flash-1017-Uncensored-GSQ-RCO-Coder-GGUF
Автор
Abiray
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

39,2 тыс.37

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии