Abliteration：比较模型反应并修改权重以移除大语言模型拒绝机制
Abliteration通过向模型分别提交无害请求与被禁止请求、记录响应差异并修改权重来移除拒绝行为。目前Hugging Face上已有数千个消融模型流通，安全研究人员需要此类模型执行评估工作，但其来源不透明和潜在滥用风险同样突出。
大语言模型在训练过程中被反复教导拒绝回答涉及暴力、违法或安全敏感话题的请求。这种对齐机制的根本问题在于，它无法区分合法用途与恶意意图——当安全研究员请求模型分析防火墙漏洞时，模型无法判断这是渗透测试还是真实攻击，因此一概拒绝。制药研究人员、网络安全测试人员、法官和律师等正当用户同样因此受阻。批评者还担心，这种保护可能逐步滑向审查，使化学、毒理学等学科的正常兴趣也被视为不合法。
Abliteration正是针对这一机制的移除方法。其核心操作相对直观：向模型分别提交无害请求和被禁止的请求，记录模型在两种情况下的内部反应差异，然后修改模型权重，使其尽可能不再产生拒绝行为。c't杂志技术作者Hartmut Gieselmann指出，执行这一过程不需要理解任何数学或计算机科学。
目前，Hugging Face和GitHub上已有数千个经过消融处理的开源权重模型可供下载，这些模型会回答ChatGPT和Claude拒绝的问题。但Gieselmann同时警告，这些模型的来源透明度不足，无法确认其是否包含隐藏后门或经过恶意篡改。c't同系列另一篇文章的技术作者Andrea Trinkwalder援引安全研究员Costin Raiu的观点，指出安全研究人员确实需要这类去除保护机制的模型来执行实际的安全评估工作。
两篇文章的完整技术细节——包括具体的权重修改参数、数学推导和实验验证——均位于heise-Plus付费墙之后，公开预览部分仅提供了上述概念层面的描述。