¿Qué es un modelo abliterated?
Un modelo abliterated es un modelo de lenguaje de pesos abiertos al que se le redujo el comportamiento de rechazo editando sus pesos. La investigación sobre el rechazo mostró que pasa por una única dirección en las activaciones del modelo; la abliteration elimina esa dirección de los pesos. No hay trucos de prompt ni un nuevo entrenamiento.
Qué cambia la abliteration
--- modelo base (pesos abiertos)
+++ modelo NotHoly
Eliminado: dirección de rechazo en los pesos
Añadido: responde a la solicitud tal como está escrita
lo que sabe el modelo base, nada nuevo
sus errores: revisa la salida
tu prompt, sin nada añadido
tu autorización, tu contrato, nuestros términos
--- modelo base (pesos abiertos)
+++ modelo NotHoly
Eliminado: dirección de rechazo en los pesos
Añadido: responde a la solicitud tal como está escrita
lo que sabe el modelo base, nada nuevo
sus errores: revisa la salida
tu prompt, sin nada añadido
tu autorización, tu contrato, nuestros términos
# Fuente: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Responde en lugar de negarse.
La abliteration encuentra en los pesos la dirección que provoca los rechazos y la elimina. No se añade nada a tu prompt, así que no hay jailbreak que se rompa.
Sabe lo que sabe el modelo base.
Ningún conocimiento nuevo y ningún benchmark nuestro. Todavía puede equivocarse, así que contrasta la salida con la evidencia.
Rechaza menos, y a veces todavía rechaza.
Algunos rechazos sobreviven a la abliteration. Si aparece uno, deja explícito el alcance y vuelve a preguntar.
La autorización sigue siendo tuya.
Discute el caso peligroso. Si puedes probar un sistema lo deciden tu contrato, las reglas del programa y nuestros términos.
Cómo funciona
Se comparan las activaciones internas del modelo en solicitudes que rechaza y en solicitudes que responde. La diferencia apunta en una dirección. Proyectar esa dirección fuera de los pesos debilita los rechazos y deja el resto del modelo en su sitio.
Qué cambia
El modelo responde solicitudes que un asistente común rechaza, incluidas preguntas de las que depende el trabajo de seguridad, como cómo funciona un bypass o qué hace un binario.
Qué no cambia
No añade conocimiento ni corrige errores. Un modelo abliterated se equivoca igual que el original y todavía puede rechazar algunas solicitudes.
Abliteration y jailbreak
Un jailbreak es un prompt que intenta convencer al modelo de no rechazar y deja de funcionar cuando el modelo se actualiza. La abliteration es un cambio en los pesos, hecho una vez.
La posición de NotHoly
NotHoly sirve versiones abliterated de modelos de pesos abiertos y nombra el modelo base de cada uno. NotHoly no entrena los pesos. El uso se limita al trabajo autorizado.
Fuente: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Actualizado el 2026-11-06
Pregunta todo lo que tu alcance permite.
Crea la cuenta, añade créditos desde US$ 10 y haz la primera pregunta en el chat o en la terminal.
- 1/3
Crea la cuenta
Individual o empresa. Puedes pasar a empresa después sin perder saldo ni claves.
IndividualEmpresa - 2/3
Añade créditos
Con tarjeta, desde US$ 10. Pagas por token, sin suscripción.
$10.00recarga mínima - 3/3
Pregunta
En el chat, o instala el CLI y ejecuta notholy login en tu terminal.
$ notholy login