Uncensoredモデル おすすめ10選【2026年版】GPUメモリ別 uncensored LLM の選び方

2026 年の「uncensored モデル」（拒否せずに回答するよう作られた LLM）は、
Alibaba の Qwen シリーズに abliteration（後述する重み加工の手法）を施した系統が主流です。

迷ったら Qwen3.8-27B abliterated がおすすめで、GPU のメモリが 16GB 以上あるなら、ここから選ぶのがいちばん無難です。
手元の GPU のメモリに合わせて、目的別に 10 本のモデルと、1 本に絞る手順、動かし方を紹介します。

---

1. 「uncensored」と「abliterated」は何が違うのか？#

「uncensored（検閲なし）」は、拒否せずに回答する結果の状態を指す言葉です。
一方の「abliterated」は、その状態を実現する作り方の 1 つの名前です。
作り方は、拒否しないデータで追加学習する再学習型と、重みを直接加工する重み加工型の 2 系統に分かれます。

定義の詳細は uncensored と abliterated の違い で、加工の仕組みは abliteration とは？ で整理しています。

2. 2026 年の uncensored モデルは何が主流なのか？#

2026 年のオープンウェイト（重みが公開された）モデルの世界は、
Alibaba の Qwen 系が中心です。

Qwen3.5 から Qwen3.6（2026 年 4 月）へと進み、
さらに Qwen3.8 が 2026 年 8 月 14 日に公開されました。
特に Qwen3.8-27B が、ローカルで動かせる uncensored モデルの中心になっています。

Qwen 系が選ばれる理由は 3 つあります。

1つ目は性能の高さで、特にコーディングやエージェント（自律的に作業を進める AI）の用途に強いこと。
2つ目はライセンスが Apache 2.0 で、商用利用の制約が少ないこと。
3つ目は abliteration が効きやすく、加工後の劣化（KL ダイバージェンス）を小さく抑えやすいことです。

もちろんQwen一色ではありません。
再学習型の Dolphin・Hermes、創作に強いとされる Mistral 系、
軽量で手軽な Gemma・Llama 系も健在です。

モデルは 「ベースモデル × 作り手 × 量子化（モデルを小さく圧縮する加工）」 の組み合わせで選びます。

3. おすすめのモデルはどれか？#

1. Huihui-Qwen3.8-27B-abliterated（huihui-ai・2026 年 9 月 8 日公開）#

2026 年 9 月時点の総合本命です。
最新ベースの高性能さをほぼ保ったまま、拒否だけを外しています。
配布元については huihui-ai とは？ で、加工元ごとの違いは Qwen3.8-27B abliterated の 4 系統 で扱っています。

• ベース: Alibaba の Qwen3.8-27B（2026 年 8 月 14 日公開・Apache 2.0）。
  262K コンテキスト（一度に扱える文章の長さ）を持ち、
  画像と動画の入力に対応します。
• 作り方: 重み加工型（abliteration）。
  加工する層を 18〜51 に限定し、前半の層は未加工のまま残して性能を保つ設計です。
  応答高速化の部品（MTP）と視覚部分も未改変です。
• 入手: Ollama なら huihui_ai/Qwen3.8-abliterated。
  Hugging Face に GGUF（Q2_K〜Q8_0、層限定加工の変種 UD/UD-DW、bf16 55.6GB）があります。
  別系統に 2 パス加工を重ねた RVN 版（Q4_K_M で 15.41GiB）があり、
  配布元の独立計測で拒否 0〜1/100・KL 0.0085 と公表されています
• 必要なメモリの目安: Q4_K_M で 16.8GB、IQ4_XS で 15.3GB。
  24GB の GPU や 32GB のユニファイドメモリで快適に動きます
• 向く人: 最新ベースの総合力がほしい人。

2. Huihui-Qwen3.6-27B-abliterated（huihui-ai・2026 年 4 月ベース）#

Qwen3.8 が登場する前からの実績ある定番です。情報が多く、安定して使えます。

• ベース: Qwen3.6-27B（2026 年 4 月）
• 作り方: 重み加工型（abliteration）。
  Heretic v1.4.0 という道具で加工した派生版では、
  配布元の計測で拒否 12/100・KL 0.0118 と報告されています。
  KL が小さいため、元モデルからのズレは小さいと読み取れます
• 入手: Ollama と Hugging Face の GGUF。
• 必要なメモリの目安: Q4 で 16〜17GB 級。16〜24GB が目安です
• 向く人: 実績と情報量を重視する人。まず 1 本選ぶなら無難な選択です

3. Qwen3.6-35B-A3B Uncensored（HauhauCS ほか・2026 年）#

速さと長文を両立したい人向けの MoE 型です。

• ベース: Qwen3.6-35B-A3B。
  総パラメータ 35B のうち、実際に動くのは約 3B だけという MoE（内部の専門家を切り替えて動かす構造）のため、サイズのわりに軽快です。
  40 層・262K コンテキストで、テキスト・画像・動画に対応します
• 作り方: 複数のチームが独立に加工版を公開しています。
  HauhauCS の Aggressive 版は、配布元の内部テストで 465 プロンプト中 拒否 0 と公表されています（あくまで配布元の公表値です）。
  モデルごとに最適化した K_P（Perfect）という量子化（軽量化）も用意されています
• 入手: Hugging Face に GGUF（Q2_K 相当〜Q8_0）。Ollama でも配布されています
• 必要なメモリの目安: Q4_K_M で約 21GB、IQ4_XS で約 19GB。16〜24GB が目安です
• 向く人: 生成の速さと長いコンテキストを重視する人

4. Gemma 4 26B-A4B uncensored（TrevorJS ほか・2026 年）#

12〜16GB クラスの本命です。
配布元ごとの拒否率と KL の比較は Gemma 4 abliterated にまとめています。

• ベース: Google の Gemma 4 26B-A4B。
  総パラメータ 26B のうち約 4B が動く MoE 型です
• 作り方: 重み加工型（abliteration）。
  MoE の専門家ごとに加工する EGA（Expert-Granular Abliteration）という方式を使います。
  配布元の公表値では、拒否が 100 問中 98 件から有効 1 件へ、
  686 問の横断テストでは 5/686（0.7%）へ低下し、KL は 0.09、
  無害な応答の品質劣化はなしと報告されています
• 入手: Hugging Face に GGUF（TrevorJS ほか）
• 必要なメモリの目安: 12〜16GB 級。16GB のユニファイドメモリの Mac でも実用的とされます
• 向く人: GPU のメモリが 12〜16GB の人。速度を重視する人にも合います

5. Dolphin 3.0 Mistral 24B（Eric Hartford）#

再学習型の元祖で、長く使われている定番です。

• ベース: Mistral Small 24B 系
• 作り方: 再学習型（finetune）。
  拒否を外したデータで追加学習しており、
  指示追従・コーディング・関数呼び出しに対応します。
  R1 系の推論版もあります
• 入手: Ollama と Hugging Face。量子化の選択肢が多いのも強みです
• 必要なメモリの目安: Q4 で 14〜16GB 級。16〜24GB が目安です
• 向く人: 重み加工型より、再学習された安定志向のモデルを好む人。用途を選ばず使いたい人

6. Huihui-Mistral-Small-3.2-24B-abliterated（huihui-ai）#

創作・ロールプレイの書き手に支持される 1 本です。
長文生成で重視される「場面の一貫性」に強みがあります。

• ベース: Mistral Small 3.2 24B
• 作り方: 重み加工型（abliteration）。
  テキストの経路だけを加工して文章の質を保つ設計で、長い場面でも一貫し、
  システムプロンプトで方向づけしやすいと配布元は説明しています
• 入手: Ollama と Hugging Face。Featherless などのサービスでも提供されています
• 必要なメモリの目安: Q4 量子化で 14〜16GB 級。
  16〜24GB の VRAM・ユニファイドメモリが目安です
• 向く人: 小説・創作・ロールプレイに使いたい人。Temperature（出力のランダムさ）は 0.3 前後に下げると安定するとされます

7. Nous Hermes 4（Nous Research・14B / 36B / 70B）#

「企業の倫理コードではなく、利用者の指示に従う」ことを目指した再学習型のモデルです。
作り手の Nous Research については Nous Research とは？ で扱っています。

• ベース: 14B / 36B / 70B の 3 サイズ
• 作り方: 再学習型。
  配布元はこの方針を neutral alignment（中立アラインメント）と呼び、
  モデル側に禁止事項を埋め込むのではなく、
  システムプロンプトに書いた方針に従わせます。
  拒否の少なさを示す評価で上位と公表しています
• 入手: Ollama と Hugging Face
• 必要なメモリの目安: 14B は Q4 で 12GB 級、36B は 24GB 級
• 向く人: 完全な拒否ゼロよりも、挙動を自分で設計したい人

8. Huihui-Qwen3.5-9B-abliterated（huihui-ai・2026 年 3 月）#

2026 年 3 月に公開された軽量版です。
12GB 以下のメモリでも動く、速さ重視のモデルです。

• ベース: Qwen3.5 9B
• 作り方: 重み加工型（abliteration）で、軽さと拒否の少なさを両立させています
• 入手: Ollama と Hugging Face
• 必要なメモリの目安: 8〜12GB 級
• 向く人: まず軽く試したい人、応答の速度を重視する人。
  Temperature は 0.5 前後が良いとされます

9. Llama 3.1 8B abliterated（mlabonne ほか）#

はじめての 1 本として定番のモデルです。

• ベース: Meta の Llama 3.1 8B
• 作り方: 重み加工型（abliteration）。
  コミュニティの基準版として広く参照されています
• 入手: Ollama（mannix/llama3.1-8b-abliterated など）と Hugging Face の GGUF
• 必要なメモリの目安: Q5_K_M で 5.7GB。Q4_K_M なら 8GB クラスの GPU に載ります
• 向く人: 8GB 前後の GPU ではじめて試す人。ツール連携用の派生モデルもあります

10. Huihui-GLM-5.1-abliterated（huihui-ai・番外・上限）#

現時点で最大のオープン abliterated モデルです。
ただし、消費者向けのハードウェアでは動きません。
GLM 系の検閲なし派生の動向は GLM-5.3 の uncensored 版はどれが出ている？ で扱っています。

• ベース: GLM-5.1（754B の MoE モデル）
• 作り方: 重み加工型（abliteration）です
• 入手: Hugging Face の GGUF
• 必要なメモリの目安: 最も小さい IQ2_M 量子化でも 236GB 級です。
  256GB 以上の Mac Studio やマルチ GPU、CPU オフロードを前提とした構成が必要になります
• 向く人: ワークステーション級の環境を持つ、研究・検証目的の人

4. 拒否率や品質は数字でどう違うのか？#

ここまでの数字は配布元の公表値が中心でした。
第三者の計測では、Atomic Chat が 2026 年 7 月 17 日に公開した比較（単一 GPU 環境）が次のとおりです。

• 過剰拒否率は、無害な依頼まで断ってしまう割合です。低いほど不要な拒否が少ないことを示します
• MMLUは、知識と推論を測るベンチマークの点数です。高いほど正答が多いことを示します
• tok/sは、1 秒あたりに生成するトークン（文字のまとまり）の数で、生成速度を表します

表では、過剰拒否率が最も低いのは Gemma Abliterated 9B（0.5%）です。
MMLU が最も高いのは Dolphin-Mistral 24B（75.2）ですが、生成速度は 10 tok/s にとどまります。

別の計測として、Featherless AI が 2026 年 7 月 24 日に公開した記事は、gemma-4-26B-A4B-it-uncensored の拒否率を 4 つのテストセットで 0.7% と報告しています。
品質はほぼ変わらなかったとのことです。

拒否率が低いことは、そのモデルが優れていることを意味しません。
過剰拒否率・MMLU・速度は同時には最良にならないので、用途に合わせて選んでください。
これらの数字は第三者が行った計測で、当サイトの実測ではありません。測定条件によって変わることがあります。

5. どうやって 1 本に絞るのか？#

次の 3 ステップで、10 本から 1 本に絞れます。

ステップ 1: GPU のメモリを確認する。
まず、お使いの PC の GPU メモリ（VRAM）の容量を調べます。
Mac ならユニファイドメモリの容量が目安です。
ここがすべての上限を決めるので、最初に確認してください。

ステップ 2: メモリの容量で、サイズの枠を決める。

• 16〜24GB — Qwen3.8-27B / Qwen3.6-27B / Qwen3.6-35B-A3B が視野に入ります
• 12〜16GB — Gemma 4 26B-A4B
• 8〜12GB — Qwen3.5-9B か Llama 3.1 8B が現実的です

ステップ 3: 用途で 1 つに絞る。

• 総合力と最新のベースモデル — Qwen3.8-27B abliterated
• 実績と安定感 — Qwen3.6-27B abliterated
• 応答速度と長文処理 — Qwen3.6-35B-A3B
• 創作やロールプレイ — Mistral Small 3.2 abliterated
• 挙動を自分で設計したい — Hermes 4
• 入門 — Llama 3.1 8B abliterated が扱いやすいでしょう

6. どうやって動かすのか？#

動かすための定番ソフトは 2 つあります。
コマンドで操作する Ollama と、画面で操作する LM Studio です。
どちらも無料で使えます。

コマンド操作に抵抗がなければ、Ollama が手軽です。
インストール後、次のようにモデル名を指定して実行するだけで、取得と起動が一度に済みます。

ollama run huihui_ai/Qwen3.8-abliterated

画面で選びたい人には LM Studio が向いています。
検索窓にモデル名を入力し、表示された一覧から量子化の段階を選んでダウンロードします。
導入の手順はローカルLLM入門の記事で、
量子化の選び方は量子化についてで解説しています。

手元に落とさずブラウザから使いたい場合は、ローカル・API・ホスト型サービスという 3 つの選択肢の違いを拒否しない AI の選び方で整理しています。

注意点は 2 つあります。

• ダウンロードに時間がかかる。モデルのファイルは数 GB〜数十 GB のサイズがあるので、通信環境の良い場所で始めてください
• 思考（thinking）機能つきのモデルは応答が長くなる。答えを返す前に考える過程を出力するため、長く感じる場合は、設定で切り替えられることがあります

7. モデルを選ぶときの注意点は？#

8. Deepent Research について#

私たち Deepent Research は、回答を極限まで拒否しない LLM チャットサービスです。標準の AI では途中で止まってしまう調べものを、最後まで続けられるように作りました。

• 拒否しない。LLM のガードレールを徹底的に軽減した uncensored・abliterated モデルを採用。標準の AI が「お答えできません」と打ち切る問いにも答えます（Qwen3.5 / Qwen3.8-27B-abliterated 系をプランに応じて使い分け）
• 入力は学習に使わない。調べた内容はサービス提供のためにのみ使われ、AI の学習や他の目的には使用されません。個人情報も厳重に保護し、プライバシーポリシーを公開しています
• 無料で試せる。GPU もインストールも不要、ブラウザを開くだけ。未ログインのお試しは会話が保存されないので、気軽に始められます

→ 登録なしで無料トライアル: https://deepentresearch.com

「どんな問いも、リサーチを止められない」。

No question can stop research.

よくある質問#

2026 年のおすすめの uncensored モデルはどれですか？#

⌄

迷ったら Qwen3.8-27B abliterated です。

GPU のメモリが 16GB 以上あるなら、ここから選ぶのがいちばん無難です。

uncensored と abliterated は何が違うのですか？#

⌄

uncensored は拒否せずに回答する結果の状態、abliterated はその状態を実現する作り方の 1 つです。
詳しくは uncensored と abliterated の違い を参照してください。

GPU のメモリが少なくても使えるおすすめはありますか？#

⌄

12〜16GB なら Gemma 4 26B-A4B が本命です。

8〜12GB なら Qwen3.5-9B abliterated か Llama 3.1 8B abliterated が現実的です。

モデルをダウンロードせずに試せますか？#

⌄

Deepent Research を使えば、ブラウザから無料で試せます。

免責#

本記事は、AI による下書きをもとに、運営が事実関係を確認・加筆・編集して公開しています。
本記事は教育・研究目的の情報提供であり、違法行為や犯罪の助長を意図するものではありません。
数値は第三者の公開レポートおよび配布元の公表値であり、測定条件により変わることがあります。