Как работает снятие цензуры на уровне тензоров

Два способа добиться выполнения запросов

Обход ограничений с помощью промптов сохраняет механизм отказов в весах модели и пытается его обойти: с помощью заранее заданного начала ответа, хитрых формулировок системного промпта или ролевого сценария. Это срабатывает достаточно часто, чтобы метод оставался популярным, но результат вероятностный. Направление, отвечающее за отказы, остаётся в модели, поэтому длинные генерации, необычные формулировки или подключение версии модели, дообученной на соблюдение ограничений безопасности, могут вызвать отказ посреди истории — а один отказ перечёркивает полдня работы над текстом.

Снятие цензуры на уровне тензоров (аблитерация) работает иначе. За отказы отвечает определённое направление в пространстве активаций модели; метод выявляет это направление и лишает модель возможности задействовать его, изменяя сами веса. Механизма, который мог бы сработать, больше нет, поэтому обходить ограничения уже не требуется.

Почему важен показатель «0% отказов на наборе A/B-тестов»

Заявить легко; подтвердить результатами целой серии испытаний — сложнее. Значимый показатель — доля отказов на стандартизированном наборе промптов (наборе A/B-тестов), охватывающем категории запросов, которые модель обычно отклоняет. Тесты каждый раз проводят одинаково. Если модель показывает 0% отказов на всём наборе тестов, это не означает, что она «обычно выполняет запросы»: механизм отказов устранён, и результат детерминирован — одинаков для каждого запроса.

Именно эта детерминированность важна на практике при работе с длинными текстами: если модель с обходом ограничений выполняет 98% запросов, это означает один сбой на пятьдесят генераций; 0% отказов у модели после аблитерации означает, что такой тип сбоя отсутствует.

Чем приходится жертвовать при аблитерации, а чем — нет

Ранние методы аблитерации снижали способности модели ради устранения отказов. Современные методы — в том числе применённые к доступным у нас моделям, таким как Qwen 3.8 Flash Next Uncensored, — сохраняют визуальный энкодер, вызов инструментов и рассуждения без измеримого снижения качества на стандартных тестах. Проверять нужно не просто заявление «без цензуры», а «без цензуры и с результатами на исходном уровне».

Использование в рамках закона

Устранение отказов служит свободе творчества: позволяет работать с мрачными темами, конфликтами и морально неоднозначными сюжетами, а не содействует причинению вреда. Unquant предоставляет общедоступные версии моделей для законного использования. Злоупотребления, направленные на причинение реального вреда, недопустимы независимо от того, кто и где использует сервис.

Что дальше

Начните со страниц моделей GLM-5.3-Flash или Qwen 3.8 Flash Next.