Guia

O que são modelos abliterated?

Um modelo abliterated é um modelo de linguagem de pesos abertos cujos pesos foram editados, sem retreinamento, para remover a direção de recusa interna: o padrão de ativação que o faz recusar pedidos. Ele responde a muitos pedidos que o modelo original recusaria, mas ainda pode recusar às vezes, e a edição pode custar alguma precisão em benchmarks.

Publicado em · Última atualização em

O que significa “abliterated”?

“Abliterated” descreve como um modelo foi modificado, não qual modelo ele é. A abliteration só funciona em modelos de pesos abertos, porque edita os pesos diretamente. A palavra junta ablate (remover, como numa ablação) e obliterated (obliterado): FailSpy, autor da biblioteca abliterator, a inventou para distinguir esses modelos dos fine-tunes “sem censura”, como explica o card do modelo Llama-3-8B-Instruct-abliterated-v3.

O método vem de um artigo de 2024 de Arditi et al., Refusal in Language Models Is Mediated by a Single Direction. Em 13 modelos de chat de código aberto com até 72B de parâmetros, os autores encontraram, nas ativações internas de cada modelo, uma direção da qual as recusas dependem: apagar essa direção fez o modelo parar de recusar instruções nocivas, e adicioná-la fez o modelo recusar até instruções inofensivas. O artigo chama essa forma de remover uma direção de “ablação direcional” (directional ablation) e apresenta a edição permanente dos pesos como um jailbreak de caixa branca, que exige acesso ao funcionamento interno do modelo.

O artigo de Maxime Labonne no Hugging Face, Uncensor any LLM with abliteration, percorre o método passo a passo, com código baseado no notebook de FailSpy.

Como a abliteration funciona?

A abliteration encontra a direção de recusa a partir das próprias ativações do modelo e depois edita os pesos para que nenhuma camada consiga escrever nela. Os passos abaixo seguem o artigo e a implementação de Labonne.

  1. Coletar as ativações. Execute o modelo em um conjunto de instruções nocivas e em um conjunto de instruções inofensivas, e registre as ativações no fluxo residual (residual stream): o estado interno que cada camada lê e ao qual soma a própria saída.
  2. Calcular a diferença das médias. Para cada camada, subtraia a ativação média nos prompts inofensivos da ativação média nos prompts nocivos. O resultado normalizado é uma direção de recusa candidata.
  3. Escolher a melhor candidata. Teste as direções candidatas e fique com a que melhor suprime as recusas.
  4. Ortogonalizar os pesos. Edite cada matriz que escreve no fluxo residual (os embeddings e as matrizes de saída da atenção e do MLP de cada camada) para que ela não tenha nenhum componente nessa direção: W′ = W − r rᵀ W, em que r é a direção de recusa normalizada para comprimento unitário. O artigo mostra que isso equivale a apagar a direção das ativações no momento da inferência.

O resultado é um checkpoint comum, com a mesma arquitetura do original. Não há prompt do sistema, filtro nem hook em tempo de execução envolvidos: a mudança está nos pesos.

Feita à mão, a abliteration envolve escolhas: qual direção candidata usar, quais camadas editar e com que intensidade. A biblioteca abliterator de FailSpy empacota os passos para os modelos compatíveis com o TransformerLens: armazenar as ativações em cache, calcular as direções candidatas, testá-las e aplicar uma delas. O Heretic, uma ferramenta de código aberto lançada pela primeira vez em novembro de 2025, automatiza as escolhas. Um otimizador Optuna testa parâmetros de edição e avalia cada tentativa por dois números que ele minimiza: a taxa de recusa em prompts de teste nocivos e a divergência KL em relação ao modelo original em prompts inofensivos. A divergência KL mede o quanto as probabilidades de saída do modelo editado se afastam das do original; um valor baixo significa que as respostas comuns quase não mudaram. O método padrão do Heretic agora é o seu próprio Arbitrary-Rank Ablation, e a abliteration clássica continua disponível como alternativa.

Qual é a diferença entre abliteration, fine-tuning, jailbreaks e prompts do sistema?

A abliteration costuma ser comparada com três outras formas de obter menos recusas. Elas diferem no que mudam e em quais requisições afetam:

AbliterationFine-tune sem censuraPrompt de jailbreakPrompt do sistema
O que mudaOs pesos: a direção de recusa é removida, por projeção, das matrizes que escrevem no fluxo residualOs pesos: treinamento adicional com novos exemplosNada no modelo: o prompt é redigido para contornar as recusas deleNada no modelo: instruções permanentes são adicionadas ao contexto
Do que precisaOs pesos abertos e algumas centenas de prompts de exemplo nocivos e inofensivos; nenhuma rodada de treinamentoOs pesos abertos, um conjunto de dados de treinamento e uma rodada de treinamentoUm prompt que funcione nesse modeloControle do prompt do sistema
Quais requisições afetaTodas as requisições ao modelo editadoTodas as requisições ao modelo com fine-tuningSó as requisições que o incluemSó as requisições que o incluem
O que pretende mudarSó as recusas, deixando todo o resto como estavaO que os dados de treinamento ensinarem: estilo, conhecimento ou comportamentoA resposta a um pedidoTom, papel e regras de uma conversa

As abordagens se sobrepõem. Arditi et al. descobriram que sufixos adversariais de jailbreak suprimem a mesma direção de recusa que a abliteration remove, e Labonne fez depois um fine-tuning de um modelo abliterated para recuperar pontuações de benchmark que a edição tinha custado.

A abliteration prejudica a qualidade do modelo?

Pode prejudicar, e o quanto depende do modelo e da edição. No artigo original, os modelos ortogonalizados tiveram pontuações parecidas com as dos originais em MMLU, ARC e GSM8K, mas a precisão em TruthfulQA caiu de forma consistente; os autores observam que as perguntas do TruthfulQA ficam perto do território das recusas. Labonne mediu uma queda em todos os benchmarks que rodou depois de aplicar abliteration a um modelo de 8B e depois recuperou a maior parte dela fazendo fine-tuning do modelo abliterated com DPO.

É por isso que ferramentas como o Heretic pesam as recusas contra a divergência KL: quanto mais as saídas do modelo editado ficam próximas das do original em prompts inofensivos, menos a edição mudou.

Para os modelos abliterated que servimos, estas são as pontuações que o publicador de cada versão mediu antes e depois da edição:

ModeloBenchmarkAntesDepoisObservações e fonte
GLM-5.3 Flash AbliteratedMMLU (n=300)83.382.7build da orcarouter, informado pelo publicador: orcarouter/GLM-5.3-Flash-Uncensored-FP8
GLM-5.3 Cyber AbliteratedMMLU (n=1,026)85.5886.65build da dealignai, pontuação por logits, informado pelo publicador; a nota base vem de uma execução anterior dele do GLM-5.3 em BF16: dealignai/GLM-5.3-CYBERSECURITY-FP8

Modelos abliterated chegam a recusar?

Às vezes. A abliteration reduz a frequência com que um modelo recusa; ela não garante que ele nunca vá recusar. O card do modelo de FailSpy diz claramente que não há garantia de que o modelo não vá recusar o seu pedido e que ele ainda pode dar sermões sobre ética ou segurança, e o Heretic mede o sucesso como uma taxa de recusa em um conjunto de teste, não como ausência de recusas.

Para mostrar como os nossos se comportam, nossa página de status publica uma verificação diária dos modelos. Às 00:05 UTC, cada modelo abliterated recebe cinco prompts inofensivos que modelos com filtro costumam recusar: ficção com um vilão, como funcionam fechaduras comuns, perguntas de redução de danos, um roast de rap com palavrões e um roast cômico. Contamos as respostas que contêm uma frase de recusa como “I can't” ou “As an AI”.

Além disso, nosso serviço bloqueia dois tipos de conteúdo em todos os modelos, seja qual for a resposta do modelo. As regras estão abaixo.

Quais modelos abliterated posso usar por uma API?

AbliteratedLLM serve 2 modelos abliterated, GLM-5.3 Flash e GLM-5.3 Cyber, em GPUs dedicadas operadas pelo nosso provedor de infraestrutura sob uma configuração de retenção zero de dados. Os preços são os atuais, em USD por 1M tokens:

ModeloContextoEntradaSaídaModelo base
GLM-5.3 Flash Abliterated
glm-5.3-flash-abliterated
1 miUS$ 0,0977US$ 0,3421zai-org/GLM-5.3-Flash
GLM-5.3 Cyber Abliterated
glm-5.3-cyber-abliterated
1 miUS$ 0,90US$ 1,80zai-org/GLM-5.3

A página de cada modelo traz as especificações completas, a disponibilidade e a velocidade. Compare todos os modelos que servimos, veja os preços e as condições de cobrança ou leia como a API lista os modelos e os tipos deles.

Como chamar um modelo abliterated?

Qualquer cliente OpenAI ou Anthropic funciona. Aponte os clientes OpenAI para https://api.abliteratedllm.dev/v1 e os clientes Anthropic e o Claude Code para https://api.abliteratedllm.dev, use sua chave de API e defina o 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."}]
  }'

A documentação da API cobre todos os endpoints, o streaming e os controles de raciocínio.

Quais são as regras para usar modelos abliterated?

  • Somente para adultos. Você precisa ter pelo menos 18 anos e ter atingido a maioridade no local onde vive.
  • Você é responsável pela forma como os usa. Isso inclui seus prompts, as respostas que você recebe e o uso que faz delas, incluindo o cumprimento das leis que se aplicam a você.
  • Dois tipos de conteúdo são bloqueados automaticamente. Uma verificação automática em memória analisa o texto de cada prompt antes que ele chegue ao modelo, e o final de cada resposta depois que ela termina, em todos os modelos. Ela recusa material de abuso sexual infantil e instruções claras e executáveis para armas capazes de causar vítimas em massa (armas químicas, biológicas, radiológicas ou nucleares, ou explosivos capazes de causar vítimas em massa). Uma requisição bloqueada retorna 400 content_policy_violation. A verificação lê apenas texto.
  • Os modelos originais mantêm as recusas dos fabricantes. Os modelos originais usam os pesos originais do fabricante, sem abliteration: eles mantêm as recusas do próprio fabricante. Nossa verificação de segurança lê apenas texto, então imagens e vídeos enviados a eles não são analisados.

A política de uso aceitável traz as regras completas, incluindo como funciona a verificação das respostas e a exceção para contas de revendedor designadas.

Perguntas frequentes sobre modelos abliterated

Um modelo abliterated é o mesmo que um modelo sem censura?

Não exatamente. “Sem censura” (uncensored) é um rótulo vago para qualquer modelo que recusa menos, como um modelo com fine-tuning em novos dados de treinamento. “Abliterated” nomeia um método: remover dos pesos a direção de recusa, sem retreinamento. FailSpy criou a palavra para distinguir esses modelos dos fine-tunes sem censura. Os dois alteram os pesos; só o fine-tuning exige uma rodada de treinamento.

De onde vem a palavra “abliteration”?

Ela junta as palavras inglesas “ablate” (remover, como numa ablação) e “obliterated” (obliterado, aniquilado). FailSpy, autor da biblioteca abliterator, inventou a palavra e a explica no card do modelo Llama-3-8B-Instruct-abliterated-v3. “Ablation” (ablação) é o termo que Arditi et al. usaram no artigo de 2024 para a remoção de uma característica, neste caso a direção de recusa, das ativações de um modelo de linguagem.

Modelos abliterated chegam a recusar?

Às vezes. A abliteration reduz a frequência com que um modelo recusa, mas não garante que ele nunca vá recusar, e um modelo abliterated ainda pode acrescentar avisos. Uma verificação diária na nossa página de status envia a cada modelo abliterated cinco prompts inofensivos que modelos com filtro costumam recusar e conta as frases de recusa. Nossa verificação de segurança bloqueia dois tipos de conteúdo em todos os modelos.

Verificação diária dos modelosPolítica de uso aceitável

A abliteration deixa um modelo menos capaz?

Pode deixar. No artigo original, os modelos editados tiveram pontuações parecidas com as dos originais em MMLU, ARC e GSM8K, enquanto a precisão em TruthfulQA caiu de forma consistente. Maxime Labonne mediu quedas em todos os benchmarks que rodou depois de aplicar abliteration a um modelo de 8B. As páginas dos nossos modelos mostram a pontuação de antes e depois que o publicador de cada versão mediu, quando ela foi publicada.

Os modelos abliterated que servimos

Posso aplicar abliteration a um modelo por conta própria?

Sim, se você tiver os pesos abertos e memória de GPU suficiente para executar o modelo. O Heretic automatiza a busca por uma edição que mantenha baixas tanto as recusas quanto a divergência KL, e a biblioteca abliterator, de FailSpy, oferece os blocos básicos para fazer isso manualmente. O README do Heretic informa cerca de 30 a 40 minutos para um modelo de 4B em uma RTX 3090.

Posso chamar um modelo abliterated com o OpenAI SDK ou o Anthropic SDK?

Sim. Nossos modelos abliterated são servidos por APIs compatíveis com OpenAI e Anthropic. Defina a URL base de um cliente OpenAI como https://api.abliteratedllm.dev/v1 ou a de um cliente Anthropic como https://api.abliteratedllm.dev, use sua chave de API e passe o ID de um modelo abliterated da nossa lista de modelos. Chat Completions, Messages e Responses suportam streaming.

Lista de modelosDocumentação da API

Fontes