開發者 Mia 在 Hugging Face 發布 Qwable 27B，這是一個完整微調版本（full fine-tune），以阿里巴巴的 Qwen3.6-27B 為基礎模型、使用類 Fable 5 的推理資料集訓練，並延續 2026 年 6 月 15 日的公告。該模型在完全不使用 API、且不受制於強制資料留存政策的情況下，在本機硬體上運行，並複刻了 Anthropic 的 Fable 5 所採用的結構化思考方式。稍後，開源貢獻者 Huihui-ai 發布了去拒絕化（abliterated）版本，透過使用 llama.cpp 的 cvector-generator 修改模型權重，移除了內建拒絕行為。上述發布是在一週內完成，期間美國政府命令將 Fable 5 從所有外國國民撤下，理由是一起有爭議的越獄（jailbreak）認定。這兩個 Qwable 版本皆提供了替代雲端 AI 服務的本地方案，免除了伺服器相依性以及第三方資料處理需求。
Qwable 27B 架構與訓練方法論
Qwable 27B 是由開發者 Mia 基於阿里巴巴的 Qwen3.6-27B 基底模型、在類 Fable 5 的推理範例資料集上進行的完整微調。訓練方法是以指令微調（instruction fine-tuning）進行追蹤式（trace-style）範例訓練：開發者蒐集了格式仿照 Fable 5 的逐步答案範例，並訓練 Qwen 產生相似的輸出結構。所得的 270 億（27-billion）參數模型以 Fable 5 的指令遵循結構為目標，所輸出的內容比基底 Qwen 模型更有引導性、更具解釋性，且提供逐步的任務完成輸出。
該模型以 GGUF 格式執行，這是一種與 LM Studio 和 llama.cpp 相容的壓縮檔案型態。Q4 量化（quantized）版本的儲存需求約為 16.5 GB。所有處理都在本機進行，不會把資料送往外部伺服器，從而免除了 Fable 5 對所有流量（包括先前已簽署零留存協議的企業客戶）的強制 30 天資料留存要求。
去拒絕化流程移除拒絕機制
Huihui-ai 進行去拒絕化（abliteration），產生 Huihui-Qwable-3.6-27b-abliterated，一個消除模型拒絕行為的變體。該流程透過在大量有害與無害提示（prompts）上運行模型，找出嵌入在模型權重中的拒絕方向，並衡量內部啟動（internal activations）的差異，接著修改權重以消除該差異。去拒絕化後，模型不再包含觸發拒絕回應的數學訊號。
Huihui-ai 透過使用 llama.cpp 的 cvector-generator，直接把此技術套用到 Qwable 的 GGUF 上；此過程不需要 Python 環境、不需要完整權重重訓練（full-weight retraining），也不需要租用伺服器。該流程不同於越獄（jailbreaking）：它是透過永久修改模型架構，而不是利用提示漏洞（prompt vulnerabilities）。模型卡（model card）指出，去拒絕化版本僅供研究與受控環境使用，法律與倫理責任完全由使用者承擔。
可用版本與硬體需求
去拒絕化的 Qwable 可在 Hugging Face 上以三種版本提供。建議的 Q4_K_M_Q8 版本權重約 19 GB，是最小且最適合消費者的選擇。也提供支援多 token 預測（multi-token prediction）的版本，供具備足夠運算資源的系統使用，可產生更快的回應生成。標準 Qwable 與去拒絕化變體都能透過 LM Studio 等本地執行環境，在消費級硬體上運行。
標準與去拒絕化版本的使用案例
標準版 Qwable 適合程式協助、技術除錯，以及需要展示推理流程而非直接提供答案的工作流程。它能在本地代理（local agent）設定與多數本地執行環境中運作。去拒絕化版本則面向需要不經由提供者端（provider-side）過濾的原始模型行為之安全研究人員；以及需要在敏感主題上產出結果的合成資料（synthetic data）資料管線；還有用於測試模型能力且不受內容政策干預的評估工作。模型卡提醒：降低安全過濾意味著輸出可能具有敏感、具爭議性或不適當的內容。
FAQ
Qwable 27B 是什麼？何時發布？
Qwable 27B 是一個完整微調版本（full fine-tune），使用類 Fable 5 的推理資料集訓練阿里巴巴的 Qwen3.6-27B；由開發者 Mia 在 2026 年 6 月 15 日宣布。該模型以 GGUF 格式在本地運行，其 Q4 量化版本的需求約為 16.5 GB。
去拒絕化版本與標準 Qwable 模型有何不同？
由 Huihui-ai 建立的去拒絕化版本透過使用 llama.cpp 的 cvector-generator 修改模型權重，以移除拒絕行為。此流程消除了觸發拒絕回應的數學訊號，因而產生一個能處理所有提示而不進行內容過濾、同時維持完整功能的模型。
運行 Qwable 模型的硬體需求為何？
Q4 量化版本的儲存需求約為 16.5 GB；而建議的 Q4_K_M_Q8 去拒絕化版本權重約為 19 GB。兩個模型皆可透過 LM Studio 或 llama.cpp 等本地執行環境，在消費級硬體上運行；同時也提供支援多 token 預測的版本，以供具備更高運算能力的系統使用。
