AI 實戰教學 / 資料更新至 2026 年 11 月
準備兩顆 5 TB 的 Google Drive,讓 AI 代理人設定成邊下載邊上傳,迷你電腦的硬碟就不會被塞爆。這是最近臉書上一則備份開放模型的分享,清單裡十幾個模型加起來超過 5 TB。
看完很多人的第一個反應是:這些模型到底是什麼?去哪裡下載?家裡的電腦根本放不下,要怎麼備份?這篇把清單裡的官方模型逐一查證,整理載點、大小與授權,算清楚 Google Drive 的上傳規則,最後附上一支實測過的腳本:從 Hugging Face 下載的同時直接寫進 Google Drive,本機不必留檔案。
30 秒看重點
7 個
原貼文「官方原版」清單的模型數,來自阿里巴巴、DeepSeek、智譜、MiniMax、月之暗面五家公司。
約 3.86 TB
7 個模型加總的大小,最大的 MiniMax-M3 一個就要 854 GB。
750 GB
Google Drive 每個帳號 24 小時內能上傳的上限,超過就要等隔天。
約 725 GB
把速度限制在每秒 8 MiB,一天剛好傳這麼多,不會撞到上限。
約 5.3 天
一個帳號、一路不中斷,把 3.86 TB 全部傳完所需的時間。
資料:各模型 Hugging Face 頁面與官方公告、Google Workspace 說明、rclone 文件,詳見文末資料來源。
01清單裡的 7 個官方模型:載點、大小與授權
先把清單裡的名稱對回官方的模型頁。下表的載點都是開發商在 Hugging Face 的正式帳號(第 7 項除外),大小取自原貼文,和 Hugging Face 頁面列的數字大致相符,例如 MiniMax-M3 頁面寫 854.2 GB、Kimi-K2.6 寫 595.2 GB。
| 模型(開發者/規格/授權/載點) | 大小 |
|---|---|
| Qwen3.8-Flash-Next 阿里巴巴 Qwen,2026/8 發布。Qwen4 架構的預覽版,總參數約 1,760 億(含 510 億的查表參數),每次只啟用 60 億。授權為 Qwen 自訂的社群授權。 載點:Qwen/Qwen3.8-Flash-Next | 360 GB |
| DeepSeek-V4.1-Flash-1017 DeepSeek,2026/10/17 的更新版。主幹 5,520 億參數、支援 100 萬詞元上下文、能看圖。MIT 授權。 載點:deepseek-ai/DeepSeek-V4.1-Flash-1017 | 510 GB |
| GLM-5.3-Flash 智譜 Z.ai,2026/8 發布。3,200 億參數、每次啟用 180 億,GLM-5 系列第一個原生多模態模型。MIT 授權。 載點:zai-org/GLM-5.3-Flash | 328 GB |
| GLM-5.3 智譜 Z.ai 旗艦,7,530 億參數、主打寫程式與代理任務。授權改為自訂條款,不再是 MIT。 載點:zai-org/GLM-5.3 | 756 GB |
| MiniMax-M3 MiniMax,2026/6 發布。4,280 億參數、每次啟用約 230 億、100 萬詞元上下文。MiniMax 社群授權,商用有條件。 載點:MiniMaxAI/MiniMax-M3 | 854 GB |
| Kimi-K2.6 月之暗面 Moonshot AI,2026/4 發布。1 兆參數、每次啟用 320 億,官方直接以 INT4 精度發布。修改版 MIT 授權。 載點:moonshotai/Kimi-K2.6 | 595 GB |
| Kimi-K2.6 MLX 3.6bit 社群作者 spicyneuron 的量化版,給 Apple 晶片的 Mac 用,約需 460 GB 記憶體,不支援圖片輸入。 載點:spicyneuron/Kimi-K2.6-MLX-3.6bit | 459 GB |
資料:各模型 Hugging Face 頁面、DeepSeek 與 Z.ai 官方公告、NVIDIA 模型卡(2026 年 11 月查詢)。大小依原貼文,實際以模型頁為準。
要記得
下載到自己硬碟的模型,授權條款仍然有效。DeepSeek 與 GLM-5.3-Flash 是 MIT,可以放心商用;Qwen3.8-Flash-Next、GLM-5.3、MiniMax-M3 與 Kimi 都是各家自訂或修改過的授權,企業要拿來做對外服務前,先讀模型頁的 LICENSE 檔。
參數是什麼
參數可以想成模型腦中的旋鈕,數量越多通常越聰明,檔案也越大。表中這些模型都是「混合專家」架構:參數總數很大,但每回答一個字只叫醒其中一小部分,所以跑起來比總數看起來快。
02另一顆硬碟的「無審查版」:原理、載點與備份
原貼文還有另一顆硬碟,放了 5 個「無審查」版本,合計約 1.64 TB。它們不是開發商發布的,而是社群拿官方權重改出來的衍生模型,Hugging Face 上通常標成 abliterated、uncensored 或 heretic。這一節從原理講起,再整理載點與備份方式。
原理:abliteration 怎麼把「拒絕」拿掉
abliteration 的中文可以叫「方向消融」,理論基礎是 2024 年 Arditi 等人的研究〈Refusal in Language Models Is Mediated by a Single Direction〉:模型決定要不要拒絕,主要取決於內部激活值裡的某一個方向。做法分四步:
準備兩組提示詞
一組是模型會拒絕的,一組是正常會回答的
找出拒絕方向
比較兩組提示詞在各層的平均激活值,差異最大的方向就是拒絕方向
把方向從權重裡投影掉
修改權重,讓模型再也寫不出這個方向的訊號,等於拿掉拒絕的開關
不用重新訓練
只改權重、不需要訓練資料,檔案格式和原版一樣,原本能載入的工具都能用
實際比這複雜
大模型的拒絕不一定只有一個方向。例如 DeepSeek-V4.1-Flash-1017 的對話模式和思考模式分別沿不同方向拒絕,改造者因此改成一次移除兩個方向(rank-2 子空間)。
Heretic:把調參數自動化
手動做 abliteration 要反覆試:削哪幾層、削多少。削太少拒絕還在,削太多模型會變笨。開源工具 Heretic(p-e-w/heretic,AGPL-3.0 授權)用 Optuna 的 TPE 最佳化演算法自動搜尋參數,同時壓低兩個數字:
| 指標(說明) | 越低代表 | Heretic 官方範例(Gemma-3-12B) |
|---|---|---|
| 拒絕次數 100 個測試提示詞中拒絕回答的數量 | 拒絕得越少 | 3/100 |
| KL 散度 回答一般問題時,和原版模型輸出分布的差距;0 代表完全一樣 | 越接近原版、越不傷能力 | 0.16(其他手動改造版為 0.45–1.04) |
資料:Heretic GitHub 說明頁。
清單裡的 MiniMax M3 改造版就是用 Heretic 做的,作者公布的數字是拒絕次數從 98/100 降到 8/100,KL 散度 0.0258。名稱裡有 heretic 的模型,就是用這個工具產生的。
5 個無審查版的載點
原貼文把來源帳號打了馬賽克,下表是依名稱、格式與大小在 Hugging Face 上找到的最接近版本。標「候選」的項目,格式或大小和原貼文不完全一致,下載前請自行比對檔案清單。
| 模型(說明/載點) | 大小 |
|---|---|
| 千問 3.8 Flash Next 無審查 BF16 OrcaRouter 的全精度版,同系列另有 FP8、MLX、GGUF 版本。原貼文名稱開頭的 Orca 應是指這個帳號。 載點:orcarouter/Qwen3.8-Flash-Next-Uncensored 對應原貼文 | 360 GB |
| DeepSeek V4.1 Flash 1017 無審查 MLX 原貼文為 Mac 用的 MLX 版。OrcaRouter 同一系列提供 2/3/4-bit MLX 與 GGUF;若要完整 FP8 原檔,可改抓 mrfakename 的版本(格式與官方相同)。 載點:orcarouter/DeepSeek-V4.1-Flash-1017-abliterated-GGUF 候選:與原貼文不完全一致 | 423 GB |
| GLM-5.3 Flash 無審查 MLX 8bit 目前找到的無審查 MLX 版是 OrcaRouter 的 2/3/4/6-bit,同系列另有可直接替換官方檔的 FP8 版,沒有找到 8-bit 的公開來源。 載點:orcarouter/GLM-5.3-Flash-Uncensored-MLX 候選:與原貼文不完全一致 | 346 GB |
| MiniMax M3 無審查 Q5 llmfan46 用 Heretic 做的 GGUF 量化包,含 Q5_K_M。需要特定版本的 llama.cpp 才跑得動,取得存取權需經作者的 Ko-fi 頁面。 載點:llmfan46/MiniMax-M3-uncensored-heretic-aggressive-compressed-quants-pack-GGUF 候選:與原貼文不完全一致 | 317 GB |
| 千問 3.8 Heretic 無審查 Q8 Qwen3.8-Flash-Next 的 Heretic 版,Q8_0 GGUF,含看圖模組與 MTP 加速頭。Q8 大小約 188–194 GB,和原貼文相符。 載點:the-shop/MLXFW-Qwen3.8-Flash-Next-Heretic-Q8_0 候選:與原貼文不完全一致 | 194 GB |
資料:各 Hugging Face 模型頁(2026 年 11 月查詢)。大小依原貼文;5 個合計約 1,640 GB。
格式決定能在哪裡跑
MLX 只能在 Apple 晶片的 Mac 上跑;GGUF(Q5、Q8 這類名稱)給 llama.cpp、LM Studio 用;BF16 和 FP8 是 safetensors 原檔,給 vLLM、SGLang,也是之後自己量化或微調的來源。只想留一份的話,留 BF16 或 FP8 原檔最有彈性。
備份:需要同意條款的模型怎麼辦
無審查版常設成「需要登入並同意條款才能下載」,有的還要付費取得存取權。這種模型 05 節的 copyurl 抓不到,因為它不會帶你的登入憑證。改用下面這支腳本:用你登入的 Hugging Face 帳號一次下載一個檔案,上傳到雲端後立刻刪除,本機只需要放得下一個分片的空間。
實測結果
這支腳本和主腳本一樣,用模擬的 Hugging Face 伺服器實測過:逐檔下載與上傳、上傳後本機暫存資料夾會清空、重跑會跳過已傳的檔案,最後交給主腳本核對也能通過。
使用前要知道的事
拒絕少了,風險就多了
拒絕率下降不只是「比較好聊」。有改造者公布的測試裡,DeepSeek-V4.1-Flash-1017 在有害請求上給出實質協助的比例,從原版的 10.4% 升到 78.3%。
來源要自己查證
上傳者多半是個人帳號,改了哪些層、有沒有其他修改,只能看對方的說明。優先選有公布方法、拒絕率與 KL 散度的模型頁。
授權與用途照舊
改造版仍受原模型授權約束;不少模型頁也自己標明僅供研究或 AI 紅隊測試,不適合直接放進教學或公司對外的流程。
03同一個模型為什麼有好幾種大小:精度決定備份量
模型檔案的大小,大致等於「參數量 × 每個參數佔幾個位元組」。同一個模型存成不同精度,大小可以差到 2 倍以上,所以備份前要先決定存哪一種:
| 精度(說明) | 每個參數 | 清單中的例子 |
|---|---|---|
| BF16 接近原始訓練的精度 | 2 位元組 | Qwen3.8-Flash-Next:約 1,760 億參數 → 360 GB |
| FP8 官方常見的發布格式 | 1 位元組 | GLM-5.3:7,530 億參數 → 756 GB |
| INT4 壓得更小,品質略降 | 0.5 位元組 | Kimi-K2.6:1 兆參數 → 595 GB |
※ 實際大小還包含不壓縮的部分(例如嵌入層、視覺模組),所以會比公式算出來的略大。
哪一個最佔空間?
單位 GB,依原貼文所列大小;長條以最大的 MiniMax-M3 為基準
MiniMax-M3(BF16)
GLM-5.3(FP8)
Kimi-K2.6(原生 INT4)
DeepSeek-V4.1-Flash-1017
Kimi-K2.6 MLX 3.6bit(社群量化)
Qwen3.8-Flash-Next(BF16)
GLM-5.3-Flash(FP8)
※ 藍色是開發商官方發布的版本,灰色是社群量化版。七個加起來約 3,862 GB。
想省空間,可以挑官方的 FP8 版本。Qwen 與 MiniMax 都另外發布了 FP8 版(Qwen3.8-Flash-Next-FP8、MiniMax-M3-MXFP8),大小大約是 BF16 版的一半。反過來,智譜把 BF16 版另外放在名稱結尾加上 -BF16 的模型頁(例如 zai-org/GLM-5.3-Flash-BF16),清單裡的智譜兩款是較小的 FP8 版。
存得下不等於跑得動
就算是最省空間的 Kimi-K2.6 MLX 3.6bit,也要約 460 GB 的記憶體才跑得起來,作者的目標機器是 512 GB 的 Mac Studio。一般電腦可以先備份,等硬體跟上再用。
04Google Drive 的規則:每天 750 GB,算好速度就不會卡住
Google 官方說明寫得很清楚:每個使用者 24 小時內最多上傳 750 GB;撞到上限之後,正在傳的那一個檔案會傳完,之後要等額度恢復才能再傳。單一檔案最大 5 TB,模型的分片檔通常只有幾 GB,完全不是問題。
所以真正的關鍵是速度。原貼文設成每秒 8 MB 慢慢傳,背後的算法是這樣:
每秒 8 MiB
rclone 的 8M 是 8 × 1,048,576 位元組,約 8.4 MB
乘上一天 86,400 秒
約 725 GB,比 750 GB 的上限少一點點
掛著不用管
一整天都在傳,卻永遠不會撞到上限而停擺
| 做法(說明) | 一天上傳量 | 3.86 TB 要幾天 |
|---|---|---|
| 限速 8 MiB/s 一個帳號,全天慢慢傳 | 約 725 GB | 約 5.3 天 |
| 不限速 幾小時就撞到上限,剩下時間空等 | 最多 750 GB | 約 5.2 天 |
| 兩個帳號同時傳 各自限速 8 MiB/s | 約 1,450 GB | 約 2.7 天 |
※ 依 Python 計算。兩個帳號同時傳,需要約 135 Mbps 的上傳頻寬;家用光纖的上傳速度要先確認。
看數據,先看定義
750 GB 這個上限,Google 的說明寫 GB,rclone 文件寫 GiB(1 GiB 約 1.07 GB)。不論用哪一種算,每秒 8 MiB 一天約 725 GB(675 GiB),都在上限以內。看到網路上說「設 8.5M 剛好」,就是用 GiB 算出來的極限值,留一點餘裕比較保險。
為什麼兩個帳號比較快
上傳額度是「每個使用者」分開計算。如果兩顆 5 TB 雲端硬碟是兩個不同的 Google 帳號,就能同時各傳各的;同一個帳號開兩個視窗,額度還是共用 750 GB。
05實作:用 rclone 邊載邊傳,本機不留檔案
一般的做法是先把模型下載到本機,再上傳到雲端。但 5 TB 的模型,迷你電腦的硬碟根本裝不下。rclone 是一套免費、開源的雲端搬運工具,它的 copyurl 指令可以把網址的內容直接寫進雲端,中間不存暫存檔,這就是「邊載邊傳」。

以下步驟適用 macOS 與 Linux;Windows 請先安裝 WSL(Windows 內建的 Linux 環境)再照做。網站有防複製,指令請按右上角的按鈕複製。
步驟 1:安裝工具
步驟 2:讓 rclone 連上 Google Drive
執行 rclone config 之後,會一題一題問你,照下面回答就好:
新增連線
輸入 n,名稱取 gdrive(後面的指令都用這個名字)
選雲端種類
輸入 drive,也就是 Google Drive
client_id 與 client_secret
直接按 Enter 留空;傳很多檔案時,官方建議改用自己申請的
權限範圍
選 1,完整存取
瀏覽器登入
問要不要自動設定時選 y,在跳出的網頁登入要存放備份的 Google 帳號
收尾
共用雲端硬碟選 n,確認設定選 y,最後按 q 離開
迷你電腦沒有螢幕怎麼辦
問自動設定時改選 n,畫面會給一行 rclone authorize 指令。到另一台有瀏覽器、也裝了 rclone 的電腦執行它並登入,把得到的授權碼貼回來即可。
步驟 3:存下備份腳本
把下面整段存成 hf2gdrive.sh,放在任何資料夾都可以。它分三段做事:
列清單
向 Hugging Face 要模型的完整檔案清單,連同每個檔案的 SHA-256 校驗碼
邊載邊傳
一個檔案一個檔案搬進雲端;雲端已經有的會跳過,中斷了重跑就是續傳
逐一核對
讀出雲端檔案的 SHA-256,和官方公布的比對,看到「全部核對通過」才算完成
步驟 4:開始備份
實測結果
這支腳本在 2026 年 11 月用模擬的 Hugging Face 伺服器與本機資料夾實測過(rclone 1.60、huggingface_hub 2.4):第一次完整傳送與核對、中斷後重跑會跳過已完成的檔案、故意改壞一個檔案能被核對抓出來、加上第三個參數(例如 *.safetensors)只會傳符合的檔案,以及限速設定都正常運作。
Mac 會進入睡眠
在指令前面加上 caffeinate -i,例如 caffeinate -i bash hf2gdrive.sh …,傳輸期間就不會睡著。
需要同意條款的模型
有些模型頁要先登入並按同意才能下載,這支腳本抓不到。這種模型改用 02 節的 hf2gdrive-gated.sh,逐檔下載後上傳。
但,雲端備份不是萬無一失
把模型搬上雲端只是第一步。開始之前,先想清楚這幾件事:
帳號也可能出狀況
帳號被停用、付費方案到期,雲端的檔案可能就拿不回來。最常用的一兩個模型,建議再留一份在外接硬碟或 NAS。
還原一樣要時間
rclone 文件提到 Google Drive 下載每天約有 10 TiB 的上限,比上傳寬鬆,但 3.86 TB 要拉回本機,還是得看你家的下載頻寬。
模型會改版
DeepSeek 9 月版和 10 月 17 日版只差一個多月。備份是某一天的快照,腳本產生的清單檔(manifest 開頭的 .tsv)記錄了當下的檔案與校驗碼,請一起留著。
授權跟著檔案走
備份不會改變授權。腳本會連同模型頁的 LICENSE 與說明檔一起備份,日後要用時先讀一次。
備份大模型,難的不是空間,而是算清楚每天能傳多少、傳完怎麼確認沒壞。
——Tr. Bug
現在就可以做的三件事
先挑
不必全收。挑兩三個你真的會用、授權也符合用途的模型就好。
再算
總大小除以 725 GB,就是要傳的天數;同時確認雲端剩餘空間與上傳頻寬。
後驗
看到「全部核對通過」才算完成,清單檔和 LICENSE 也一起留存。
延伸學習
想把開放模型真正用在工作上,可以從這幾門課開始:
也可以搭配閱讀:模型備份:開放模型還會一直免費嗎?Local LLM 下載懶人包(適合一般電腦的小模型)、開源 AI 全家桶:2026 年值得裝的 10 個模型
本文重點
- 原貼文的 7 個官方模型來自阿里巴巴、DeepSeek、智譜、MiniMax、月之暗面,加總約 3.86 TB,載點都在 Hugging Face。
- 「無審查版」用 abliteration 從權重中移除拒絕方向,Heretic 會自動在拒絕率與 KL 散度之間找平衡;需要登入的模型改用逐檔下載後上傳。
- 檔案大小約等於參數量乘上精度;挑官方 FP8 版,空間大約省一半。
- Google Drive 每個帳號每天上傳上限 750 GB;限速 8 MiB/s 一天約 725 GB,可以全天掛著不卡。
- rclone copyurl 能邊載邊傳不佔本機空間,傳完要用 SHA-256 核對才算完成。
想一想
如果雲端只能放 1 TB,你會留哪幾個模型?你會用效能、授權、硬體需求,還是別的標準來取捨?
資料來源
- Qwen(Hugging Face)。Qwen3.8-Flash-Next 模型頁
- SemiAnalysis InferenceX。Qwen3.8-Flash-Next 架構與參數整理
- Digital Applied(2026/8/26)。Qwen3.8-Flash-Next 授權說明
- DeepSeek(2026/10/17)。DeepSeek-V4.1-Flash-1017 發布公告
- vLLM Recipes。DeepSeek V4.1 Flash 兩個版本的模型頁對照
- NVIDIA。DeepSeek-V4.1-Flash 模型卡
- NVIDIA。GLM-5.3-Flash 模型卡
- The New Stack(2026/8/28)。GLM-5.3 開放權重與新授權條款
- Hugging Face。zai-org/GLM-5.3 模型頁
- Developers Digest。MiniMax-M3 下載大小與授權
- NVIDIA NGC。Kimi-K2.6 模型卡
- NVIDIA Build。Kimi-K2.6 授權說明
- Hugging Face。Kimi-K2.6 社群討論(含 595.2 GB 實測大小)
- Hugging Face。spicyneuron/Kimi-K2.6-MLX-3.6bit
- Arditi et al.(2024)。Refusal in Language Models Is Mediated by a Single Direction
- p-e-w(GitHub)。Heretic:Fully automatic censorship removal for language models
- dev.co。Heretic 專案資訊(授權、版本)
- Hugging Face。orcarouter/Qwen3.8-Flash-Next-Uncensored
- Hugging Face。orcarouter/DeepSeek-V4.1-Flash-1017-abliterated-GGUF
- Hugging Face。mrfakename/DeepSeek-V4.1-Flash-1017-abliterated(rank-2 拒絕子空間)
- Hugging Face。OBLITERATUS/DeepSeek-V4.1-Flash-1017-obliterated(有害協助比例評測)
- Hugging Face。orcarouter/GLM-5.3-Flash-Uncensored-MLX
- Hugging Face。llmfan46/MiniMax-M3 Heretic GGUF 量化包
- LLMfan46(Ko-fi)。MiniMax-M3 Heretic 拒絕率與 KL 散度說明
- Hugging Face。the-shop/MLXFW-Qwen3.8-Flash-Next-Heretic-Q8_0
- Hugging Face。bartowski/Qwen3.8-Flash-Next-GGUF(Q8_0 大小參考)
- Google Workspace 說明。Storage and upload limits for Google Workspace
- Google for Developers。Google Drive API Usage limits
- rclone。Google Drive 後端文件(雜湊、上傳上限、stop-on-upload-limit)
- rclone。rclone copyurl
- rclone。rclone 安裝說明
模型大小依原貼文所列,並與 Hugging Face 頁面交叉比對。本文插圖為 AI 生成的示意圖。
Edit with Tr.Bug
Follow me on:LinkedIn | 探教育TempEDU


1 Comment.
Comments are closed.