Guía

¿Qué son los modelos abliterated?

Un modelo abliterated es un modelo de lenguaje de pesos abiertos cuyos pesos se editaron para quitarle su dirección de negativa interna, el patrón de activación que lo hace rechazar solicitudes, sin reentrenamiento. Responde muchas solicitudes que el modelo original rechazaría, pero a veces todavía puede negarse, y la edición puede costar algo de precisión en los benchmarks.

Publicación: · Última actualización:

¿Qué significa “abliterated”?

“Abliterated” describe cómo se modificó un modelo, no qué modelo es. La abliteration solo funciona con modelos de pesos abiertos, porque edita los pesos directamente. La palabra combina los términos ingleses ablate (extirpar) y obliterated (aniquilado): FailSpy, autor de la biblioteca abliterator, la inventó para distinguir estos modelos de los modelos “sin censura” obtenidos por ajuste fino (fine-tuning), como explica la tarjeta del modelo Llama-3-8B-Instruct-abliterated-v3.

El método proviene de un artículo de 2024 de Arditi et al., Refusal in Language Models Is Mediated by a Single Direction. En 13 modelos de chat de código abierto de hasta 72B parámetros, los autores encontraron en las activaciones internas de cada modelo una dirección de la que dependen sus negativas: al borrar esa dirección, el modelo dejaba de negarse a instrucciones dañinas, y al agregarla, se negaba incluso a instrucciones inofensivas. El artículo llama a esta forma de eliminar una dirección “ablación direccional” (directional ablation) y presenta la edición permanente de los pesos como un jailbreak de caja blanca, es decir, uno que requiere acceso al funcionamiento interno del modelo.

El artículo de Maxime Labonne en Hugging Face Uncensor any LLM with abliteration explica el método paso a paso, con código basado en el notebook de FailSpy.

¿Cómo funciona la abliteration?

La abliteration encuentra la dirección de negativa a partir de las propias activaciones del modelo y luego edita los pesos para que ninguna capa pueda escribir en ella. Los pasos de abajo se basan en el artículo y en la implementación de Labonne.

  1. Recopilar activaciones. Se ejecuta el modelo con un conjunto de instrucciones dañinas y otro de instrucciones inofensivas, y se registran las activaciones de su flujo residual (residual stream): el estado interno que cada capa lee y al que suma su salida.
  2. Calcular la diferencia de medias. En cada capa, se resta la activación media con prompts inofensivos de la activación media con prompts dañinos. El resultado normalizado es una dirección de negativa candidata.
  3. Elegir la mejor candidata. Se prueban las direcciones candidatas y se conserva la que mejor suprime las negativas.
  4. Ortogonalizar los pesos. Se edita cada matriz que escribe en el flujo residual (los embeddings y las matrices de salida de atención y de MLP de cada capa) para que no tenga ningún componente en esa dirección: W′ = W − r rᵀ W, donde r es la dirección de negativa escalada a longitud unitaria. El artículo demuestra que esto equivale a borrar la dirección de las activaciones en tiempo de inferencia.

El resultado es un checkpoint normal con la misma arquitectura que el original. No intervienen prompts del sistema, filtros ni hooks en tiempo de ejecución: el cambio está en los pesos.

Hecha a mano, la abliteration implica decisiones: qué dirección candidata usar, qué capas editar y con qué intensidad. La biblioteca abliterator de FailSpy reúne los pasos para los modelos compatibles con TransformerLens: guardar en caché las activaciones, calcular las direcciones candidatas, probarlas y aplicar una. Heretic, una herramienta de código abierto publicada por primera vez en noviembre de 2025, automatiza esas decisiones. Un optimizador de Optuna prueba parámetros de edición y puntúa cada intento con dos números que busca minimizar: la tasa de negativas con prompts dañinos de prueba y la divergencia KL respecto al modelo original con prompts inofensivos. La divergencia KL mide cuánto se alejan las probabilidades de salida del modelo editado de las del original, así que un valor bajo significa que las respuestas normales apenas cambiaron. El método predeterminado de Heretic es ahora su propia Arbitrary-Rank Ablation, y la abliteration clásica sigue disponible como alternativa.

¿En qué se diferencia la abliteration del ajuste fino, los jailbreaks y los prompts del sistema?

La abliteration suele compararse con otras tres formas de obtener menos negativas. Se diferencian en qué cambian y en qué solicitudes afectan:

AbliterationAjuste fino sin censuraPrompt de jailbreakPrompt del sistema
Qué cambiaLos pesos: la dirección de negativa se proyecta fuera de las matrices que escriben en el flujo residualLos pesos: entrenamiento adicional con ejemplos nuevosNada en el modelo: el prompt se redacta para sortear sus negativasNada en el modelo: se agregan instrucciones permanentes al contexto
Qué necesitaLos pesos abiertos y unos cientos de prompts de ejemplo, dañinos e inofensivos; ningún entrenamientoLos pesos abiertos, un conjunto de datos de entrenamiento y un entrenamientoUn prompt que funcione con ese modeloEl control del prompt del sistema
A qué solicitudes afectaA todas las solicitudes al modelo editadoA todas las solicitudes al modelo ajustadoSolo a las solicitudes que lo incluyenSolo a las solicitudes que lo incluyen
Qué busca cambiarSolo las negativas; todo lo demás queda como estabaLo que enseñen los datos de entrenamiento: estilo, conocimientos o comportamientoLa respuesta a una solicitudEl tono, el rol y las reglas de una conversación

Los enfoques se superponen. Arditi et al. encontraron que los sufijos adversarios de jailbreak suprimen la misma dirección de negativa que elimina la abliteration, y Labonne aplicó después un ajuste fino a un modelo abliterated para recuperar las puntuaciones de benchmarks que la edición le había costado.

¿La abliteration empeora la calidad del modelo?

Puede, y cuánto depende del modelo y de la edición. En el artículo original, los modelos ortogonalizados obtuvieron puntuaciones similares a las de los originales en MMLU, ARC y GSM8K, pero la precisión en TruthfulQA bajó de forma sistemática; los autores señalan que las preguntas de TruthfulQA están cerca del terreno de las negativas. Labonne midió una caída en todos los benchmarks que ejecutó tras aplicar abliteration a un modelo de 8B, y luego recuperó la mayor parte con un ajuste fino del modelo abliterated mediante DPO.

Por eso herramientas como Heretic sopesan las negativas frente a la divergencia KL: cuanto más se parezcan las respuestas del modelo editado a las del original con prompts inofensivos, menos cambios introdujo la edición.

En los modelos abliterated que ofrecemos, estas son las puntuaciones que midió quien publica cada versión antes y después de la edición:

ModeloBenchmarkAntesDespuésNotas y fuente
GLM-5.3 Flash AbliteratedMMLU (n=300)83.382.7versión de orcarouter, según quien la publica: orcarouter/GLM-5.3-Flash-Uncensored-FP8
GLM-5.3 Cyber AbliteratedMMLU (n=1,026)85.5886.65versión de dealignai, puntuación por logits, según quien la publica; la cifra base es de su ejecución anterior de GLM-5.3 en BF16: dealignai/GLM-5.3-CYBERSECURITY-FP8

¿Los modelos abliterated se niegan a responder alguna vez?

A veces. La abliteration reduce la frecuencia con la que un modelo se niega; no garantiza que nunca lo haga. La tarjeta del modelo de FailSpy dice claramente que no se garantiza que el modelo no se niegue a responderte y que todavía puede sermonearte sobre ética o seguridad, y Heretic mide el éxito como una tasa de negativas en un conjunto de prueba, no como la ausencia de negativas.

Para mostrar cómo se comportan los nuestros, nuestra página de estado publica una comprobación diaria del modelo. A las 00:05 UTC, cada modelo abliterated recibe cinco prompts inofensivos que los modelos con filtros suelen rechazar: ficción con un villano, cómo funcionan las cerraduras comunes, preguntas de reducción de daños, un roast en rap con groserías y un roast cómico. Contamos las respuestas que contienen una frase de negativa como “I can't” o “As an AI”.

Aparte, nuestro servicio bloquea dos tipos de contenido en todos los modelos, sin importar lo que respondería el modelo. Las reglas están más abajo.

¿Qué modelos abliterated puedo usar a través de una API?

AbliteratedLLM ofrece 2 modelos abliterated, GLM-5.3 Flash y GLM-5.3 Cyber, en GPU dedicadas operadas por nuestro proveedor de infraestructura con una configuración de retención cero de datos. Los precios están en vivo, en USD por 1 M de tokens:

ModeloContextoEntradaSalidaModelo base
GLM-5.3 Flash Abliterated
glm-5.3-flash-abliterated
1 MUSD 0.0977USD 0.3421zai-org/GLM-5.3-Flash
GLM-5.3 Cyber Abliterated
glm-5.3-cyber-abliterated
1 MUSD 0.90USD 1.80zai-org/GLM-5.3

La página de cada modelo tiene sus especificaciones completas, su tiempo de actividad y su velocidad. Compara todos los modelos que ofrecemos, consulta los precios y las condiciones de facturación o lee cómo la API lista los modelos y sus tipos.

¿Cómo llamo a un modelo abliterated?

Funciona cualquier cliente de OpenAI o de Anthropic. Apunta los clientes de OpenAI a https://api.abliteratedllm.dev/v1 y los clientes de Anthropic y Claude Code a https://api.abliteratedllm.dev, usa tu clave de API y define el modelo como glm-5.3-flash-abliterated:

curl https://api.abliteratedllm.dev/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3-flash-abliterated",
    "stream": true,
    "messages": [{"role": "user", "content": "Write the opening line of a noir detective story."}]
  }'

La documentación de la API cubre cada endpoint, el streaming y los controles de razonamiento.

¿Cuáles son las reglas para usar modelos abliterated?

  • Solo para adultos. Debes tener al menos 18 años y la mayoría de edad legal donde vives.
  • Eres responsable de cómo los usas. Eso abarca tus prompts, las respuestas que recibes y cómo las usas, incluido el cumplimiento de las leyes que te apliquen.
  • Dos tipos de contenido se bloquean automáticamente. Un control automatizado en memoria analiza el texto de cada prompt antes de que llegue al modelo, y el final de cada respuesta después de que se completa, en todos los modelos. Rechaza el material de abuso sexual infantil y las instrucciones claras y ejecutables sobre armas capaces de causar víctimas masivas (armas químicas, biológicas, radiológicas o nucleares, o explosivos capaces de causar víctimas masivas). Una solicitud bloqueada devuelve 400 content_policy_violation. El control solo lee texto.
  • Los modelos originales conservan las negativas de sus desarrolladores. Los modelos originales son los pesos originales del desarrollador, no son abliterated: conservan las negativas propias del desarrollador. Nuestro control de seguridad solo lee texto, así que las imágenes y los videos que se les envían no se revisan.

La política de uso aceptable tiene las reglas completas, incluido cómo funciona el control de las respuestas y la excepción para las cuentas de revendedor designadas.

Preguntas frecuentes sobre los modelos abliterated

¿Un modelo abliterated es lo mismo que un modelo sin censura?

No exactamente. “Sin censura” es una etiqueta imprecisa para cualquier modelo que se niega menos, como uno ajustado con nuevos datos de entrenamiento. “Abliterated” nombra un método: quitar la dirección de negativa de los pesos, sin reentrenamiento. FailSpy acuñó la palabra para distinguir estos modelos de los ajustes finos sin censura. Los dos cambian los pesos; solo el ajuste fino requiere un entrenamiento.

¿De dónde viene la palabra “abliteration”?

Combina las palabras inglesas “ablate” (extirpar) y “obliterated” (aniquilado). FailSpy, autor de la biblioteca abliterator, inventó la palabra y la explica en la tarjeta del modelo Llama-3-8B-Instruct-abliterated-v3. “Ablation” (ablación) es el término que Arditi et al. usaron en su artículo de 2024 para la eliminación de una característica, en este caso la dirección de negativa, de las activaciones de un modelo de lenguaje.

¿Los modelos abliterated se niegan a responder alguna vez?

A veces. La abliteration reduce la frecuencia con la que un modelo se niega, pero no garantiza que nunca lo haga, y un modelo abliterated todavía puede agregar advertencias. Una comprobación diaria en nuestra página de estado envía a cada modelo abliterated cinco prompts inofensivos que los modelos con filtros suelen rechazar y cuenta las frases de negativa. Nuestro control de seguridad bloquea dos tipos de contenido en todos los modelos.

Comprobación diaria del modeloPolítica de uso aceptable

¿La abliteration hace que un modelo sea menos capaz?

Puede. En el artículo original, los modelos editados obtuvieron puntuaciones similares a las de los originales en MMLU, ARC y GSM8K, mientras que la precisión en TruthfulQA bajó de forma sistemática. Maxime Labonne midió caídas en todos los benchmarks que ejecutó tras aplicar abliteration a un modelo de 8B. Nuestras páginas de modelos muestran la puntuación de antes y después que midió quien publica cada versión, cuando hay una publicada.

Modelos abliterated que ofrecemos

¿Puedo aplicar abliteration a un modelo por mi cuenta?

Sí, si tienes los pesos abiertos y suficiente memoria de GPU para ejecutar el modelo. Heretic automatiza la búsqueda de una edición que mantenga bajas tanto las negativas como la divergencia KL, y la biblioteca abliterator de FailSpy ofrece las piezas para hacerlo a mano. El README de Heretic indica unos 30 a 40 minutos para un modelo de 4B en una RTX 3090.

¿Puedo llamar a un modelo abliterated con el OpenAI SDK o el Anthropic SDK?

Sí. Nuestros modelos abliterated se sirven a través de API compatibles con OpenAI y Anthropic. Configura la URL base de un cliente de OpenAI como https://api.abliteratedllm.dev/v1, o la de un cliente de Anthropic como https://api.abliteratedllm.dev, usa tu clave de API y pasa el ID de un modelo abliterated de nuestra lista de modelos. Chat Completions, Messages y Responses admiten streaming.

Lista de modelosDocumentación de la API

Fuentes