Sur Hugging Face, une Qwen3.5-9B presque entièrement débridée a été publiée
Sur Hugging Face, une Qwen3.5-9B presque entièrement débridée a été publiée
Le modèle DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED a été affiné puis modifié pour refuser beaucoup moins de requêtes ; sa version Q4 pèse environ 5,6 Go.
Sur Hugging Face, une Qwen3.5-9B presque entièrement débridée a été publiée
Le modèle s’appelle DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED. Selon les développeurs, il a d’abord été affiné sur 250 000 exemples de mathématiques et de sciences naturelles générés par DeepSeek-V4-Pro, puis modifié pour qu’il refuse moins souvent les requêtes.
Dans un test de l’auteur comportant 100 requêtes, le modèle original a refusé 100 fois, tandis que la version modifiée n’a refusé que 3 fois.
Le modèle compte 9 milliards de paramètres. La version quantifiée Q4 pèse environ 5,6 Go, ce qui permet de l’exécuter localement sur un ordinateur classique.
Pourquoi c'est important
AnalyseCette publication montre que de petits modèles locaux d’IA peuvent être ajustés pour minimiser les refus, ce qui peut être utile pour des flux de travail privés, mais nécessite une évaluation prudente de la sécurité.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Guide des prompts pour les modèles génératifs GPT Image
Les modèles de génération d'images gpt-image d'OpenAI sont conçus pour produire des visuels de qualité professionnelle et des processus créatifs entièrement maîtrisés. Ils conviennent aussi bien aux designers professionnels...
Claude Sonnet 4.6 vs GPT-5.5 vs Gemini 3.1 Pro : Comparaison des modèles 2026
Chaque semaine ou presque, un nouveau modèle est lancé, et les mêmes questions reviennent inlassablement : faut-il changer de solution ? Qu'est-ce qui a évolué ? Pour quoi payer ?
GGUF & Modern Quantization Standards
Universal binary file format for storing and instantly loading quantized language models on CPUs and GPUs in llama.cpp, Ollama, and LM Studio.
Inférence locale de LLM (Local LLM Inference)
Exécution autonome de grands modèles de langage directement sur le matériel du développeur (Apple Silicon, GPU NVIDIA), garantissant une confidentialité absolue et une dépendance nulle à Internet.