AI 解除审查研究综述：权重修改与提示攻击不可混为一谈

Comfortable-Pay611 · reddit · 2026-08-21

作者在使用 SenseNova Deep Research 对比 36 个来源后发现，所谓的“AI 解除审查”实际上包含四个不同领域：1. Heretic/Abliteration：直接修改模型权重或内部表示；2. llm-attacks：在提示词和推理层进行攻击；3. DIPPER/TempParaphraser：重写输出以欺骗检测器（属于检测器研究而非解禁）；4. 水印/签名：追踪来源（与解禁无关）。作者指出，由于不同层级测量指标（拒绝率、检测分、水印鲁棒性）各异，无法建立统一的排行榜。此外，作者引用 Heretic 创建者观点，指出在图像模型中简单替换文本编码器并不能有效解除审查。