大模型備份:7 個開放模型載點整理,邊載邊傳到 Google Drive

大模型備份:7 個開放模型載點整理,邊載邊傳到 Google Drive(文章封面)

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:

1

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

2

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

3

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

4

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。

程式碼/hf2gdrive-gated.sh 需要登入的模型

#!/usr/bin/env bash
# 需要登入或同意條款的模型:一次只下載一個檔案,上傳後立刻刪掉,本機只需要一個分片的空間
# 用法:先執行 hf auth login,再 bash hf2gdrive-gated.sh 模型ID [雲端資料夾]
set -euo pipefail

REPO="$1"
DEST="${2:-gdrive2:LLM-Backup}/$REPO"
BW="${BW:-8M}"
TMP="./_hf_tmp"

# 1. 用你登入的帳號取得檔案清單
python3 - "$REPO" > files.txt <<'PY'
import sys
from huggingface_hub import HfApi
print('\n'.join(HfApi().list_repo_files(sys.argv[1])))
PY

# 2. 逐檔:下載到暫存資料夾 → 搬進雲端(搬完本機就刪除)
rclone lsf -R --files-only "$DEST" > done.txt 2>/dev/null || true
while read -r path; do
  if grep -qxF "$path" done.txt; then echo "已在雲端:$path"; continue; fi
  echo "處理中:$path"
  hf download "$REPO" "$path" --local-dir "$TMP" < /dev/null > /dev/null
  rclone moveto "$TMP/$path" "$DEST/$path" \
    --bwlimit "$BW" --drive-stop-on-upload-limit < /dev/null
done < files.txt
rm -rf "$TMP"
echo "傳送完成。再對同一個模型執行一次 hf2gdrive.sh,就會直接進入 SHA-256 核對"

指令 4/登入並備份到第二顆雲端硬碟

# 1. 先到模型頁按同意條款,再登入 Hugging Face
hf auth login

# 2. 用第二個雲端連線(依 05 節步驟 2 再建一個,取名 gdrive2)
bash hf2gdrive-gated.sh the-shop/MLXFW-Qwen3.8-Flash-Next-Heretic-Q8_0 gdrive2:LLM-Uncensored

# 3. 傳完後用主腳本核對(檔案都在雲端,會直接比對 SHA-256)
bash hf2gdrive.sh the-shop/MLXFW-Qwen3.8-Flash-Next-Heretic-Q8_0 gdrive2:LLM-Uncensored

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)

854 GB

GLM-5.3(FP8)

756 GB

Kimi-K2.6(原生 INT4)

595 GB

DeepSeek-V4.1-Flash-1017

510 GB

Kimi-K2.6 MLX 3.6bit(社群量化)

459 GB

Qwen3.8-Flash-Next(BF16)

360 GB

GLM-5.3-Flash(FP8)

328 GB

※ 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:

1

每秒 8 MiB

rclone 的 8M 是 8 × 1,048,576 位元組,約 8.4 MB

2

乘上一天 86,400 秒

約 725 GB,比 750 GB 的上限少一點點

3

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」。

模型檔案經由細管直接送進雲端,旁邊的小電腦本身不存放檔案的示意圖
圖 1 邊載邊傳:檔案從 Hugging Face 直接流進雲端,電腦只負責搬運

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

指令 1/安裝 rclone 與 Hugging Face 套件

# macOS(需要先裝好 Homebrew)
brew install rclone tmux

# Linux(rclone 官方安裝指令)
sudo -v ; curl https://rclone.org/install.sh | sudo bash

# 兩種系統都要:Hugging Face 官方 Python 套件
pip install -U huggingface_hub

步驟 2:讓 rclone 連上 Google Drive

指令 2/設定雲端連線並確認空間

# 1. 開始設定,依照下方說明回答問題
rclone config

# 2. 設定完成後,確認看得到雲端空間(總量、已用、剩餘)
rclone about gdrive:

執行 rclone config 之後,會一題一題問你,照下面回答就好:

1

新增連線

輸入 n,名稱取 gdrive(後面的指令都用這個名字)

2

選雲端種類

輸入 drive,也就是 Google Drive

3

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

4

權限範圍

選 1,完整存取

5

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

6

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:

1

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

2

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

3

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

程式碼/hf2gdrive.sh 備份腳本

#!/usr/bin/env bash
# 把 Hugging Face 上的模型「邊載邊傳」備份到 Google Drive,不佔本機硬碟
# 用法:bash hf2gdrive.sh 模型ID [雲端資料夾] [只抓哪些檔案]
# 例子:bash hf2gdrive.sh Qwen/Qwen3.8-Flash-Next gdrive:LLM-Backup
set -euo pipefail

REPO="$1"                          # 模型 ID,例如 moonshotai/Kimi-K2.6
DEST="${2:-gdrive:LLM-Backup}/$REPO"  # rclone 遠端名稱:資料夾
PATTERN="${3:-*}"                  # 只抓部分檔案時使用,例如 '*.safetensors'
BW="${BW:-8M}"                     # 限速 8 MiB/s,一天約 725 GB,不會撞到 750 GB 上限
HF="${HF_ENDPOINT:-https://huggingface.co}"
LIST="manifest-${REPO//\//__}.tsv"

# 1. 向 Hugging Face 要檔案清單:路徑、大小、SHA-256
python3 - "$REPO" "$PATTERN" > "$LIST" <<'PY'
import sys, fnmatch
from huggingface_hub import HfApi
from huggingface_hub.hf_api import RepoFile
repo, pattern = sys.argv[1], sys.argv[2]
for f in HfApi().list_repo_tree(repo, recursive=True):
    if isinstance(f, RepoFile) and fnmatch.fnmatch(f.path, pattern):
        print(f"{f.path}\t{f.size}\t{f.lfs.sha256 if f.lfs else '-'}")
PY
awk -F'\t' '{n++; s+=$2} END {printf "共 %d 個檔案,約 %.1f GB\n", n, s/1e9}' "$LIST"

# 2. 逐檔下載並直接寫進雲端(雲端已有、大小相同的檔案會跳過,中斷後重跑即可續傳)
rclone lsf -R --files-only --format sp --separator $'\t' "$DEST" > "done-$LIST" 2>/dev/null || true
while IFS=$'\t' read -r path size sha; do
  if grep -qxF "$size"$'\t'"$path" "done-$LIST"; then echo "已在雲端:$path"; continue; fi
  echo "傳送中:$path($((size / 1000000)) MB)"
  rclone copyurl "$HF/$REPO/resolve/main/$path" "$DEST/$path" \
    --bwlimit "$BW" --drive-stop-on-upload-limit < /dev/null
done < "$LIST"

# 3. 核對:雲端檔案的 SHA-256 要和 Hugging Face 公布的一致
rclone hashsum sha256 "$DEST" > "remote-${LIST}"
python3 - "$LIST" "remote-${LIST}" <<'PY'
import sys
want = {}
for line in open(sys.argv[1], encoding='utf-8'):
    path, size, sha = line.rstrip('\n').split('\t')
    want[path] = sha
got = {}
for line in open(sys.argv[2], encoding='utf-8'):
    sha, path = line.rstrip('\n').split('  ', 1)
    got[path] = sha
bad = [p for p in want if p not in got or (want[p] != '-' and want[p] != got[p])]
print('全部核對通過' if not bad else '以下檔案缺少或不一致,刪掉後重跑:\n' + '\n'.join(bad))
PY

步驟 4:開始備份

指令 3/依序備份 7 個官方模型

# 1. 開一個關掉終端機也不會中斷的工作階段
tmux new -s backup

# 2. 依序備份 7 個官方模型;撞到每日上限會停下,隔天執行同一段就會續傳
for m in Qwen/Qwen3.8-Flash-Next \
         deepseek-ai/DeepSeek-V4.1-Flash-1017 \
         zai-org/GLM-5.3-Flash \
         zai-org/GLM-5.3 \
         MiniMaxAI/MiniMax-M3 \
         moonshotai/Kimi-K2.6 \
         spicyneuron/Kimi-K2.6-MLX-3.6bit; do
  bash hf2gdrive.sh "$m" gdrive:LLM-Backup || break
done

# 3. 按 Ctrl+B 再按 D 離開;之後用這行回來看進度
tmux attach -t backup

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

1

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。

2

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。

3

後驗

看到「全部核對通過」才算完成,清單檔和 LICENSE 也一起留存。

本文重點

  1. 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。
  2. 「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。
  3. 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。
  4. 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。
  5. 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

  1. Qwen(Hugging Face)。Qwen3.8-Flash-Next 模型頁
  2. SemiAnalysis InferenceX。Qwen3.8-Flash-Next 架構與參數整理
  3. Digital Applied(2026/8/26)。Qwen3.8-Flash-Next 授權說明
  4. DeepSeek(2026/10/17)。DeepSeek-V4.1-Flash-1017 發布公告
  5. vLLM Recipes。DeepSeek V4.1 Flash 兩個版本的模型頁對照
  6. NVIDIA。DeepSeek-V4.1-Flash 模型卡
  7. NVIDIA。GLM-5.3-Flash 模型卡
  8. The New Stack(2026/8/28)。GLM-5.3 開放權重與新授權條款
  9. Hugging Face。zai-org/GLM-5.3 模型頁
  10. Developers Digest。MiniMax-M3 下載大小與授權
  11. NVIDIA NGC。Kimi-K2.6 模型卡
  12. NVIDIA Build。Kimi-K2.6 授權說明
  13. Hugging Face。Kimi-K2.6 社群討論(含 595.2 GB 實測大小)
  14. Hugging Face。spicyneuron/Kimi-K2.6-MLX-3.6bit
  15. Arditi et al.(2024)。Refusal in Language Models Is Mediated by a Single Direction
  16. p-e-w(GitHub)。Heretic:Fully automatic censorship removal for language models
  17. dev.co。Heretic 專案資訊(授權、版本)
  18. Hugging Face。orcarouter/Qwen3.8-Flash-Next-Uncensored
  19. Hugging Face。orcarouter/DeepSeek-V4.1-Flash-1017-abliterated-GGUF
  20. Hugging Face。mrfakename/DeepSeek-V4.1-Flash-1017-abliterated(rank-2 拒絕子空間)
  21. Hugging Face。OBLITERATUS/DeepSeek-V4.1-Flash-1017-obliterated(有害協助比例評測)
  22. Hugging Face。orcarouter/GLM-5.3-Flash-Uncensored-MLX
  23. Hugging Face。llmfan46/MiniMax-M3 Heretic GGUF 量化包
  24. LLMfan46(Ko-fi)。MiniMax-M3 Heretic 拒絕率與 KL 散度說明
  25. Hugging Face。the-shop/MLXFW-Qwen3.8-Flash-Next-Heretic-Q8_0
  26. Hugging Face。bartowski/Qwen3.8-Flash-Next-GGUF(Q8_0 大小參考)
  27. Google Workspace 說明。Storage and upload limits for Google Workspace
  28. Google for Developers。Google Drive API Usage limits
  29. rclone。Google Drive 後端文件(雜湊、上傳上限、stop-on-upload-limit)
  30. rclone。rclone copyurl
  31. 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