概念abliteration / 去审查模型 / 去抑制模型
abliterated模型
通过权重编辑技术(abliteration)永久性移除大语言模型安全拒绝机制后得到的模型版本,其原理是从模型权重中消融与"拒绝行为"相关的方向向量,使模型对任何请求均倾向于响应
时间轴 (近 90 天)
9月22日
即便是经过abliterated(去审查)处理的模型,直接生成随机提示词,结果往往单调乏味、思路狭窄
待验证50%
通过权重编辑技术(abliteration)永久性移除大语言模型安全拒绝机制后得到的模型版本,其原理是从模型权重中消融与"拒绝行为"相关的方向向量,使模型对任何请求均倾向于响应
即便是经过abliterated(去审查)处理的模型,直接生成随机提示词,结果往往单调乏味、思路狭窄