Cos'è un modello abliterated?
Un modello abliterated è un modello linguistico a pesi aperti a cui è stato ridotto il comportamento di rifiuto modificandone i pesi. La ricerca sul rifiuto ha scoperto che passa per una sola direzione nelle attivazioni del modello; l'abliteration toglie quella direzione dai pesi. Non ci sono trucchi di prompt né riaddestramento.
Cosa cambia l'abliteration
--- modello base (pesi aperti)
+++ modello NotHoly
Rimosso: direzione di rifiuto nei pesi
Aggiunto: risponde alla richiesta così com'è scritta
quello che sa il modello base, niente di nuovo
i suoi errori: controlla l'output
il tuo prompt, senza aggiunte
la tua autorizzazione, il tuo contratto, i nostri termini
--- modello base (pesi aperti)
+++ modello NotHoly
Rimosso: direzione di rifiuto nei pesi
Aggiunto: risponde alla richiesta così com'è scritta
quello che sa il modello base, niente di nuovo
i suoi errori: controlla l'output
il tuo prompt, senza aggiunte
la tua autorizzazione, il tuo contratto, i nostri termini
# Fonte: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Risponde invece di rifiutare.
L'abliteration trova nei pesi la direzione che fa scattare i rifiuti e la rimuove. Al tuo prompt non viene aggiunto niente, quindi non c'è un jailbreak che possa smettere di funzionare.
Sa quello che sa il modello base.
Nessuna conoscenza nuova e nessun nostro benchmark. Può ancora sbagliare, quindi verifica il suo lavoro sulle prove.
Rifiuta meno, e a volte rifiuta ancora.
Alcuni rifiuti sopravvivono all'abliteration. Quando ne capita uno, rendi esplicito il perimetro e chiedi di nuovo.
L'autorizzazione resta a te.
Discuterà anche il caso pericoloso. Se puoi testare un sistema lo decidono il tuo contratto, le regole del tuo programma e i nostri termini.
Come funziona
I ricercatori confrontano le attivazioni interne del modello sulle richieste che rifiuta e su quelle a cui risponde. La differenza punta lungo una direzione. Proiettare via quella direzione dai pesi indebolisce i rifiuti e lascia il resto del modello com'è.
Cosa cambia
Il modello risponde a richieste che un assistente standard declina, comprese domande da cui dipende il lavoro di sicurezza, come il funzionamento di un bypass o cosa fa un binario.
Cosa non cambia
Non aggiunge conoscenza e non corregge errori. Un modello abliterated può sbagliare negli stessi modi dell'originale, e può ancora rifiutare alcune richieste.
Abliteration e jailbreak
Un jailbreak è un prompt che cerca di convincere un modello a non rifiutare e smette di funzionare quando il modello viene aggiornato. L'abliteration è una modifica ai pesi, fatta una volta.
La posizione di NotHoly
NotHoly offre versioni abliterated di modelli a pesi aperti e indica il modello base di ciascuna. NotHoly non addestra i pesi. L'uso è limitato al lavoro autorizzato.
Fonte: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Aggiornato il 2026-11-06
Chiedi tutto quello che il tuo perimetro consente.
Crea un account, aggiungi crediti da 5 USD e fai la prima domanda in chat o nel terminale.
- 1/3
Crea l'account
Privato o azienda. Puoi passare ad azienda in seguito senza perdere saldo o chiavi.
PrivatoAzienda - 2/3
Aggiungi crediti
Con carta, da 5 USD. Paghi a token, senza abbonamento.
$5.00ricarica minima - 3/3
Chiedi
In chat, oppure installa la CLI ed esegui notholy login nel terminale.
$ notholy login