本地跑 Ollama 或 llama.cpp 的人，大多把下载下来的几个 GB 的 GGUF 当成黑盒：能出字就行，里面长什么样不管。有人把这个盒子撬开了——看层、看注意力头、看词表、看聊天模板，然后追问一句：哪些部分是模型其实不需要的，删掉之后又会坏在哪。

打开网易新闻 查看精彩图片

工具叫 NeuronDump，一个 Rust 单二进制程序，MIT 协议，带命令行和本地网页界面。它直接读 GGUF 文件，没有针对任何具体模型写死逻辑。

能做的事分四块：

  • 检查：架构、层（包括 SSM 与注意力混合的模型）、注意力头、解码并分类后的词表、以决策树形式呈现的聊天模板，以及权重统计。
  • 图谱：把模型画成 3D（或 2D）图，可以从分区一路点开，直到单个注意力头、神经元桶和 MoE 专家。
  • 切割并看影响：选中任意部分，立刻看到省下多少体积、哪些连接会断开、llama.cpp 还能不能加载这个文件。
  • 扫描：逐层（或逐头）切一遍，按损伤程度排序，把最不重要的部分写成更小的 GGUF，外加一个 Ollama Modelfile。

网页界面里，模型以 3D 城市视图呈现，每个部件按"能不能删"上色：安全、有风险、或者直接搞坏模型。点任意一块，能看到它的体积、量化方式和重要性，可以展开到子节点，也可以加进待切割列表。

瘦身是两步走：先分析，再应用一份可审阅的方案。分析产出一个普通 JSON 文件，写盘之前可以自己看、自己改；--only 参数用来限定只切哪一类，比如只动词表。切割后的模型还能和原模型并排跑：开启 trace 特性编译后，NeuronDump 在内存里同时运行两个模型，对比下一个 token、KL 散度、生成文本、困惑度，以及逐层的 logit lens。

作者列了几个自己跑出来的结果。

DeepSeek-R1 8B 就是 Qwen3 8B，每个权重都略有改动。神经元在同样的位置，数量也一样，其中第 6 层有一个神经元把内部状态放大了约 33 倍。切掉这一层，两个模型都只输出噪音。

在 llama3.2:1b 上，切掉最后一层反而让模型在某条提示上更自信——尽管除前两层之外，没有任何一层在真实文本上对困惑度的伤害比它更大。

还有一个细节：DeepSeek 的聊天模板会输出一些不在其词表里的工具调用标记，于是每个标记都被拆成 11 个普通 token。

安装方式两种。Windows 和 Linux 的预编译二进制在 releases 页面，解压后直接跑 neurondump list；或者从源码构建，需要 Rust 1.88 以上，克隆仓库后用 cargo 安装。不带参数运行会让人在交互式命令行和网页界面之间选。

限制也写得明白：项目还早，主要在 Windows 上配合 Ollama 模型测过。推理仅用 CPU，没有 KV 缓存。模拟覆盖 llama、qwen2/3、gemma、phi3 和 bert 系列，MoE 和混合模型目前只做静态分析。把头或神经元置零能保持文件可加载，但不会让文件变小。已知缺口列在 TEST.md 里，遇到没测过的模型，作者希望收到反馈。