开源 Heretic 获 4.2 万 Star:免训练直接改掉模型谄媚与拒答
aigclink · x · 2026-11-19
GitHub 开源项目 Heretic(4.2 万 Star)可在不微调、不重训的情况下直接修改本地模型行为。
核心方法
- 经典路径 Abliteration:识别与拒答相关的激活方向,直接修改权重来抑制拒答;新版 2.0 默认改用更灵活的 ARA,不再依赖单一拒答方向的假设
- 用 Optuna 自动搜索修改参数,在改变目标行为的同时尽量保留模型其他能力
实测效果
- 4B 的 Qwen 在 RTX 3090 上约 30–40 分钟即可处理完
- Gemma 3 12B 处理后拒答率从 97% 降到 3%
除去审查、去 AI 味外,还提供现成配置:减少幽默、改变情绪对齐、压缩回复长度等,AGPL-3.0 协议。
所属事件:开源 Heretic 获 4.2 万 Star:免训练消除模型拒答与谄媚(2 条相关)→
「模型」频道最新
- Gemini Hydrogen High 夜间胜过 Claude Opus 5.5 Extra — RylanSchaeffer · 2026-11-19
- 四款决策模型实测对比:d1.2-ultra 准确率持平对手、成本仅 1/4.7 — JosephJacks_ · 2026-11-19
- 疑似 Gemini 4 Neon 跑分曝光:17 项评测大多领先 Claude 和 GPT — nevrekaraishwa2 · 2026-11-19
- 260份文档实测:Gemini 3.8 Flash 以94.6分登顶文档抽取榜 — refractr · 2026-11-19
- K3.1 Pro 在 17 项基准中 14 项胜 K3,与 Opus 5.5 搭配省一半开销 — Kimi_Moonshot · 2026-11-19
- Simular box 刷 OSWorld v2 SOTA:80.7% 成功率、每任务仅 $1.79 — xwang_lk · 2026-11-19