DeepSeek V4.1 Flash 去审查发现:内置两段式安全护栏
cephaloform · x · 2026-10-20
日本开发者 @Hikari07jp 在对 DeepSeek V4.1 Flash 1017 做 Abliteration（消融拒绝行为）去审查时发现，该模型内部设有两段式护栏：第一段是常见的「无法回答」式拒绝；去掉这一层后，模型并不会像多数模型那样直接回答，而是给出第二段响应——「这样做危险，但我可以帮你做类似的这件事」的替代方案式回应。
作者指出可编辑位点越多对模型质量损害越大，因此高质量 Abliterated 版本比 Ling 3.1 Flash（只有单一简单拒绝层，很容易做出高质量去审查版）更难做，将继续研究。
「模型」频道最新
- 前 Meta 研究员批新模型技术报告缺消融实验,忆 Llama 传统 — eliebakouch · 2026-10-20
- BenchmarkHeaven 推出 Benchmaxxing 分数，量化模型刷榜信号 — airesearch12 · 2026-10-20
- Exa 3.0 搜索评测 80 分追平 Perplexity，并列第一 — yoimnotkesku · 2026-10-20
- Reddit 网友发问:不用 LoRA,真有默认无审查的图像模型吗 — IngwiePhoenix · 2026-10-20
- 60 个真实 PR 实测 Muse Spark Open：bug 修复命中 48%，干净 PR 通过 72% — Arindam_1729 · 2026-10-20
- 扩散语言模型 Mercury 3 实测：比 Haiku 5.5 快近一倍 — daniel_mac8 · 2026-10-20