8 个 Qwen3.8 27B 去审查变体横评:167 GPU 小时证明「外科手术式」修改完胜

nathandreamfast · reddit · 2026-09-06

Abliterlitics 团队耗时 11 天、约 167 GPU 小时,用权重对比、KL 散度、13 项基准和 HarmBench 400 classic 拒答测试,横评了 Hugging Face 上 8 个 Qwen3.8 27B 去审查(abliterated)变体:

排名(HarmBench 攻击成功率):orcarouter 82.2%(单方向 131 矩阵,宣传全部属实)、apostate 78.7%(KCRN 方法仅 41 处编辑,KL 低至 0.0439)、huihui 75.6%、ultraheretic 70.5%、coder3101 70.0%、blackfrost 68.5%(权重与宣传不符,且聊天模板内置越狱 prompt)、obliteratus 63.9%(编辑 841/850 张量,最重但模型明显变笨,不建议用)、trohrbaugh 57.5%(仍有 122 次明确拒答但能力最完整),原始模型仅 4.5%。
核心结论:外科手术式的小幅编辑再次完胜激进改动——前两名是验证过的最小编辑,编辑量最大者倒数第二;27B 规模下「全改」只会让模型原地打转。
思考循环新发现:激进变体在 HarmBench 上最高约 45% 的响应在 15360 token 预算内从未闭合 think 块;但在数学任务上同一批变体推理正常(差距 1.2pp 内),说明循环问题是任务相关的。

「模型」频道最新