O que é um modelo abliterated?
Um modelo abliterated é um modelo de linguagem de pesos abertos que teve o comportamento de recusa reduzido por edição dos pesos. A pesquisa sobre recusa mostrou que ela passa por uma única direção nas ativações do modelo; a abliteration remove essa direção dos pesos. Não há truque de prompt nem novo treino.
O que a abliteration muda
--- modelo base (pesos abertos)
+++ modelo NotHoly
Removido: direção de recusa nos pesos
Adicionado: responde ao pedido como foi escrito
o que o modelo base sabe, nada novo
os erros dele: confira a saída
o seu prompt, sem nada acrescentado
a sua autorização, o seu contrato, os nossos termos
--- modelo base (pesos abertos)
+++ modelo NotHoly
Removido: direção de recusa nos pesos
Adicionado: responde ao pedido como foi escrito
o que o modelo base sabe, nada novo
os erros dele: confira a saída
o seu prompt, sem nada acrescentado
a sua autorização, o seu contrato, os nossos termos
# Fonte: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Responde em vez de recusar.
A abliteration encontra nos pesos a direção que provoca as recusas e a remove. Nada é acrescentado ao seu prompt, então não existe jailbreak para quebrar.
Sabe o que o modelo base sabe.
Nenhum conhecimento novo e nenhum benchmark nosso. Ele ainda pode errar, então confira a saída contra as evidências.
Recusa menos, e às vezes ainda recusa.
Algumas recusas sobrevivem à abliteration. Quando aparecer uma, deixe o escopo explícito e pergunte de novo.
A autorização continua com você.
Ele discute o caso perigoso. Se você pode testar um sistema, quem decide é o seu contrato, as regras do programa e os nossos termos.
Como funciona
Os pesquisadores comparam as ativações internas do modelo em pedidos que ele recusa e em pedidos que ele responde. A diferença aponta numa direção. Projetar essa direção para fora dos pesos enfraquece as recusas e deixa o resto do modelo no lugar.
O que muda
O modelo responde pedidos que um assistente comum recusa, inclusive perguntas de que o trabalho de segurança depende, como funciona um bypass ou o que um binário faz.
O que não muda
Não acrescenta conhecimento nem corrige erros. Um modelo abliterated erra do mesmo jeito que o original e ainda pode recusar alguns pedidos.
Abliteration e jailbreak
Jailbreak é um prompt que tenta convencer o modelo a não recusar e para de funcionar quando o modelo é atualizado. A abliteration é uma mudança nos pesos, feita uma vez.
A posição da NotHoly
A NotHoly serve versões abliterated de modelos de pesos abertos e nomeia o modelo base de cada um. A NotHoly não treina os pesos. O uso é limitado a trabalho autorizado.
Fonte: Arditi et al., Refusal in Language Models Is Mediated by a Single Direction, 2024.
Atualizado em 2026-11-06
Pergunte tudo o que o seu escopo permite.
Crie a conta, adicione créditos a partir de US$ 10 e faça a primeira pergunta no chat ou no terminal.
- 1/3
Crie a conta
Individual ou empresa. Dá para virar empresa depois sem perder saldo nem chaves.
Pessoa físicaEmpresa - 2/3
Adicione créditos
No cartão, a partir de US$ 10. Você paga por token, sem assinatura.
$10.00recarga mínima - 3/3
Pergunte
No chat, ou instale o CLI e rode notholy login no terminal.
$ notholy login