Chinese content研究:Abliteration 在 Qwen3.8、Gemma 4 等新模型上并非普遍变难
想了解开源模型去审查(abliteration)现状的可以看这篇:作者把 Qwen、Gemma、OLMo、Mistral 五对新旧模型在 Heretic 2.0 里跑了同一套对比,发现有的新模型更难绕过,有的反而更容易。做安全评估或权重编辑的人值得注意它的方法论提醒:单次实验结论可能不成立。
想了解开源模型去审查(abliteration)现状的可以看这篇:作者把 Qwen、Gemma、OLMo、Mistral 五对新旧模型在 Heretic 2.0 里跑了同一套对比,发现有的新模型更难绕过,有的反而更容易。做安全评估或权重编辑的人值得注意它的方法论提醒:单次实验结论可能不成立。