abliteration
AssessKỹ thuật
Kỹ thuật giảm hành vi từ chối của mô hình bằng cách loại bỏ hoặc vô hiệu hóa các hướng từ chối.
Vì sao ở đây
Xếp vào Assess: 1 bài bằng chứng từ 1 nguồn, chủ yếu là tin nghiên cứu, 1 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.
Bằng chứng (1)
- 5Hacker News·24/9/2026researchDynamic Abliteration triệt tiêu từ chối trên Qwen theo thời gian chạy
Bài viết trình bày một minh chứng kỹ thuật cho việc triệt tiêu hành vi từ chối của mô hình mã nguồn mở Qwen3-4B mà không cần sửa trọng số. Phương pháp dùng steering nhiều lớp thông qua forward hook của PyTorch để chèn tín hiệu vào residual stream khi suy luận, nhằm giữ nguyên mô hình gốc nhưng thay đổi phản hồi với các prompt nhạy cảm.