Giải thích kỹ thuật gỡ kiểm duyệt ở cấp tensor

Hai cách để mô hình làm theo yêu cầu

Vượt cơ chế từ chối bằng prompt vẫn giữ hành vi từ chối trong các trọng số và tìm cách né tránh: mồi sẵn phần mở đầu phản hồi, dùng những câu lệnh đặc biệt trong prompt hệ thống hoặc đặt yêu cầu vào bối cảnh nhập vai. Cách này thành công đủ thường xuyên để được dùng rộng rãi, nhưng kết quả vẫn mang tính xác suất. Hướng từ chối vẫn tồn tại trong mô hình, nên việc tạo nội dung dài, cách diễn đạt khác thường hoặc những ảnh hưởng len vào từ quá trình tinh chỉnh về an toàn có thể khiến mô hình từ chối giữa chừng - và chỉ một lần từ chối cũng đủ phá hỏng cả buổi chiều tạo nội dung.

Gỡ kiểm duyệt ở cấp tensor (loại bỏ hướng từ chối) là một thao tác khác hẳn. Hành vi từ chối nằm dọc theo một hướng trong không gian kích hoạt của mô hình; kỹ thuật này xác định hướng đó và loại bỏ khả năng hành động theo hướng ấy của mô hình bằng cách chỉnh sửa trực tiếp các trọng số. Không còn hành vi từ chối để kích hoạt, nên cũng không còn cơ chế nào cần vượt qua.

Vì sao "tỷ lệ từ chối 0% trên bộ kiểm thử A/B" là con số quan trọng

Đưa ra tuyên bố thì dễ; chứng minh bằng phân bố kết quả mới khó. Chỉ số có ý nghĩa là tỷ lệ từ chối được đo bằng một bộ prompt chuẩn hóa (bộ kiểm thử A/B), bao quát các nhóm nội dung mà mô hình thường từ chối và luôn được chạy theo cùng một cách. Mô hình đạt tỷ lệ từ chối 0% trên toàn bộ bộ kiểm thử không phải là mô hình "thường làm theo yêu cầu" - hành vi đó đã biến mất một cách tất định, nhất quán với mọi yêu cầu.

Tính tất định ấy tạo nên khác biệt thực tế khi làm việc với nội dung dài: mô hình được vượt cơ chế từ chối có tỷ lệ làm theo yêu cầu 98% đồng nghĩa với một lần thất bại trong mỗi năm mươi lần tạo nội dung; tỷ lệ từ chối 0% của mô hình đã loại bỏ hướng từ chối có nghĩa là kiểu thất bại này không còn tồn tại.

Loại bỏ hướng từ chối phải đánh đổi những gì (và giữ nguyên được những gì)

Các kỹ thuật loại bỏ hướng từ chối đời đầu phải đánh đổi năng lực của mô hình để mô hình làm theo yêu cầu. Thế hệ hiện đại - cùng các mô hình chúng tôi cung cấp, như Qwen 3.8 Flash Next Uncensored - được xây dựng để giữ nguyên bộ mã hóa thị giác, khả năng gọi công cụ và suy luận, không ghi nhận suy giảm năng lực nào có thể đo được trên các bộ đánh giá tiêu chuẩn. Điều cần kiểm chứng không chỉ là "không kiểm duyệt", mà là "không kiểm duyệt và vẫn đạt điểm ngang mô hình gốc".

Phạm vi sử dụng hợp pháp

Việc loại bỏ hành vi từ chối nhằm bảo đảm tự do sáng tạo - các chủ đề đen tối, xung đột, tác phẩm hư cấu với những vấn đề đạo đức phức tạp - chứ không nhằm tạo điều kiện gây hại. Unquant cung cấp các bản dựng được công khai cho mục đích sử dụng hợp pháp; mọi hành vi lạm dụng nhằm gây hại ngoài đời thực đều nằm ngoài phạm vi cho phép, bất kể ở đâu hay do ai thực hiện.

Bước tiếp theo

Bạn có thể bắt đầu từ trang mô hình GLM-5.3-Flash hoặc Qwen 3.8 Flash Next.