Obliteratus

使用 OBLITERATUS — 機械可解釋性技術（均值差、SVD、白化 SVD、LEACE、SAE 分解等）從開源權重大語言模型中移除拒絕行為，在切除安全護欄的同時保留推理能力。提供 9 種 CLI 方法、28 個分析模塊、跨越 5 個計算層級的 116 個模型預設、錦標賽評估以及遙測驅動的建議。當用戶希望取消審查、徹底消除（abliterate）或移除大語言模型的拒絕行為時使用。

技能元數據

來源	捆綁（默認安裝）
路徑	skills/mlops/inference/obliteratus
版本	2.0.0
作者	Hermes Agent
許可證	MIT
依賴項	obliteratus, torch, transformers, bitsandbytes, accelerate, safetensors
標籤	Abliteration, Uncensoring, Refusal-Removal, LLM, Weight-Projection, SVD, Mechanistic-Interpretability, HuggingFace, Model-Surgery
相關技能	vllm, gguf, huggingface-tokenizers

參考：完整 SKILL.md

信息

以下是 Hermes 在觸發此技能時加載的完整技能定義。這是技能激活時代理所看到的指令。

OBLITERATUS 技能

無需重新訓練或微調，即可從開源權重大語言模型中移除拒絕行為（安全護欄）。使用機械可解釋性技術 — 包括均值差、SVD、白化 SVD、LEACE 概念擦除、SAE 分解、貝葉斯核投影等 — 來識別並從模型權重中手術式地切除拒絕方向，同時保留推理能力。

許可證警告： OBLITERATUS 採用 AGPL-3.0 許可證。切勿將其作為 Python 庫導入。始終通過 CLI（obliteratus 命令）或子進程調用。這樣可以保持 Hermes Agent 的 MIT 許可證純淨。

何時使用此技能

當用戶執行以下操作時觸發：

• 希望“取消審查”或“徹底消除（abliterate）”大語言模型
• 詢問如何從模型中移除拒絕行為/安全護欄
• 希望創建 Llama、Qwen、Mistral 等的未審查版本
• 提及“移除拒絕行為”、“徹底消除（abliteration）”、“權重投影”
• 希望分析模型的拒絕機制如何工作
• 引用 OBLITERATUS、abliterator 或拒絕方向

步驟 1：安裝

檢查是否已安裝：

obliteratus --version 2>/dev/null && echo "INSTALLED" || echo "NOT INSTALLED"

如果未安裝，從 GitHub 克隆並安裝：

git clone https://github.com/elder-plinius/OBLITERATUS.git
cd OBLITERATUS
pip install -e .
# For Gradio web UI support:
# pip install -e ".[spaces]"

重要提示： 在安裝前請與用戶確認。這將拉取約 5-10GB 的依賴項（PyTorch、Transformers、bitsandbytes 等）。

步驟 2：檢查硬件

在進行任何操作之前，檢查可用的 GPU：

python3 -c "
import torch
if torch.cuda.is_available():
    gpu = torch.cuda.get_device_name(0)
    vram = torch.cuda.get_device_properties(0).total_memory / 1024**3
    print(f'GPU: {gpu}')
    print(f'VRAM: {vram:.1f} GB')
    if vram < 4: print('TIER: tiny (models under 1B)')
    elif vram < 8: print('TIER: small (models 1-4B)')
    elif vram < 16: print('TIER: medium (models 4-9B with 4bit quant)')
    elif vram < 32: print('TIER: large (models 8-32B with 4bit quant)')
    else: print('TIER: frontier (models 32B+)')
else:
    print('NO GPU - only tiny models (under 1B) on CPU')
"

顯存要求（使用 4-bit 量化）

顯存	最大模型規模	示例模型
僅 CPU	~1B 參數	GPT-2, TinyLlama, SmolLM
4-8 GB	~4B 參數	Qwen2.5-1.5B, Phi-3.5 mini, Llama 3.2 3B
8-16 GB	~9B 參數	Llama 3.1 8B, Mistral 7B, Gemma 2 9B
24 GB	~32B 參數	Qwen3-32B, Llama 3.1 70B (緊張), Command-R
48 GB+	~72B+ 參數	Qwen2.5-72B, DeepSeek-R1
多 GPU	200B+ 參數	Llama 3.1 405B, DeepSeek-V3 (685B MoE)

步驟 3：瀏覽可用模型並獲取建議

# Browse models by compute tier
obliteratus models --tier medium

# Get architecture info for a specific model
obliteratus info <model_name>

# Get telemetry-driven recommendation for best method & params
obliteratus recommend <model_name>
obliteratus recommend <model_name> --insights  # global cross-architecture rankings

步驟 4：選擇方法

方法選擇指南

默認 / 大多數情況推薦：advanced。 它使用具有範數保持投影的多方向 SVD，且經過充分測試。

情況	推薦方法	原因
默認 / 大多數模型	advanced	多方向 SVD，範數保持，可靠
快速測試 / 原型設計	basic	快速、簡單，足以進行評估
稠密模型（Llama, Mistral）	advanced	多方向，範數保持
MoE 模型（DeepSeek, Mixtral）	nuclear	專家粒度，處理 MoE 複雜性
推理模型（R1 蒸餾版）	surgical	感知思維鏈（CoT），保留思維鏈過程
頑固的拒絕行為持續存在	aggressive	白化 SVD + 頭部手術 + 越獄
希望可逆更改	使用 steering vectors（參見分析部分）
最高質量，時間不限	optimized	貝葉斯搜索最佳參數
實驗性自動檢測	informed	自動檢測對齊類型 — 實驗性功能，可能並不總是優於 advanced

9 種 CLI 方法

• basic — 通過均值差（diff-in-means）進行單一拒絕方向移除。速度快（8B 模型約需 5-10 分鐘）。
• advanced（默認，推薦） — 多方向 SVD、保範投影、2 次精煉迭代。速度中等（約需 10-20 分鐘）。
• aggressive — 白化 SVD + 越獄對比學習 + 注意力頭手術。一致性受損風險較高。
• spectral_cascade — DCT 頻域分解。研究性/新穎方法。
• informed — 在 abliteration 過程中運行分析以自動配置參數。實驗性功能 — 比 advanced 更慢且不可預測性更高。
• surgical — SAE 特徵 + 神經元掩碼 + 頭手術 + 每專家（per-expert）處理。非常慢（約需 1-2 小時）。最適合推理模型。
• optimized — 貝葉斯超參數搜索（Optuna TPE）。運行時間最長，但能找到最優參數。
• inverted — 翻轉拒絕方向。模型將變得主動願意執行請求。
• nuclear — 針對頑固 MoE 模型的最大力度組合。專家粒度（Expert-granular）。

方向提取方法（--direction-method 標誌）

• diff_means（默認） — 拒絕/服從激活之間的簡單均值差。穩健。
• svd — 多方向 SVD 提取。更適合複雜對齊。
• leace — LEACE（通過閉式估計進行線性擦除）。最優線性擦除。

4 種僅限 Python API 的方法

（不可通過 CLI 使用 — 需要 Python 導入，這會違反 AGPL 邊界。僅當用戶明確表示希望在其自己的 AGPL 項目中將 OBLITERATUS 作為庫使用時才提及。）

• failspy, gabliteration, heretic, rdo

步驟 5：運行 Abliteration

標準用法

# Default method (advanced) — recommended for most models
obliteratus obliterate <model_name> --method advanced --output-dir ./abliterated-models

# With 4-bit quantization (saves VRAM)
obliteratus obliterate <model_name> --method advanced --quantization 4bit --output-dir ./abliterated-models

# Large models (70B+) — conservative defaults
obliteratus obliterate <model_name> --method advanced --quantization 4bit --large-model --output-dir ./abliterated-models

微調參數

obliteratus obliterate <model_name> \
  --method advanced \
  --direction-method diff_means \
  --n-directions 4 \
  --refinement-passes 2 \
  --regularization 0.1 \
  --quantization 4bit \
  --output-dir ./abliterated-models \
  --contribute  # opt-in telemetry for community research

關鍵標誌

標誌	描述	默認值
--method	Abliteration 方法	advanced
--direction-method	方向提取方法	diff_means
--n-directions	拒絕方向數量（1-32）	取決於方法
--refinement-passes	迭代精煉次數（1-5）	2
--regularization	正則化強度（0.0-1.0）	0.1
--quantization	以 4bit 或 8bit 加載	none（全精度）
--large-model	針對 120B+ 模型的保守默認值	false
--output-dir	保存 abliterated 模型的位置	./obliterated_model
--contribute	共享匿名化結果用於研究	false
--verify-sample-size	用於拒絕檢查的測試提示數量	20
--dtype	模型數據類型（float16, bfloat16）	auto

其他執行模式

# Interactive guided mode (hardware → model → preset)
obliteratus interactive

# Web UI (Gradio)
obliteratus ui --port 7860

# Run a full ablation study from YAML config
obliteratus run config.yaml --preset quick

# Tournament: pit all methods against each other
obliteratus tourney <model_name>

步驟 6：驗證結果

Abliteration 完成後，檢查輸出指標：

指標	良好值	警告
拒絕率	< 5%（理想情況下 ~0%）	> 10% 表示拒絕仍然存在
困惑度變化	增加 < 10%	> 15% 表示一致性受損
KL 散度	< 0.1	> 0.5 表示分佈顯著偏移
一致性	高 / 通過定性檢查	響應退化、重複

如果拒絕仍然存在（> 10%）

1. 嘗試 aggressive 方法
2. 增加 --n-directions（例如 8 或 16）
3. 添加 --refinement-passes 3
4. 嘗試使用 --direction-method svd 代替 diff_means

如果一致性受損（困惑度增加 > 15%）

1. 減少 --n-directions（嘗試 2）
2. 增加 --regularization（嘗試 0.3）
3. 將 --refinement-passes 減少至 1
4. 嘗試 basic 方法（更溫和）

步驟 7：使用 Abliterated 模型

輸出是一個標準的 HuggingFace 模型目錄。

# Test locally with transformers
python3 -c "
from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained('./abliterated-models/<model>')
tokenizer = AutoTokenizer.from_pretrained('./abliterated-models/<model>')
inputs = tokenizer('How do I pick a lock?', return_tensors='pt')
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
"

# Upload to HuggingFace Hub
huggingface-cli upload <username>/<model-name>-abliterated ./abliterated-models/<model>

# Serve with vLLM
vllm serve ./abliterated-models/<model>

CLI 命令參考

命令	描述
obliteratus obliterate	主要 abliteration 命令
obliteratus info <model>	打印模型架構詳情
obliteratus models --tier <tier>	按計算層級瀏覽精選模型
obliteratus recommend <model>	基於遙測數據的方法/參數建議
obliteratus interactive	引導式設置嚮導
obliteratus tourney <model>	錦標賽：所有方法逐一比對
obliteratus run <config.yaml>	從 YAML 執行消融研究
obliteratus strategies	列出所有註冊的消融策略
obliteratus report <results.json>	重新生成可視化報告
obliteratus ui	啟動 Gradio Web 界面
obliteratus aggregate	彙總社區遙測數據

分析模塊

OBLITERATUS 包含 28 個用於機制可解釋性的分析模塊。 完整參考請參閱 skill_view(name="obliteratus", file_path="references/analysis-modules.md")。

快速分析命令

# Run specific analysis modules
obliteratus run analysis-config.yaml --preset quick

# Key modules to run first:
# - alignment_imprint: Fingerprint DPO/RLHF/CAI/SFT alignment method
# - concept_geometry: Single direction vs polyhedral cone
# - logit_lens: Which layer decides to refuse
# - anti_ouroboros: Self-repair risk score
# - causal_tracing: Causally necessary components

steering 向量（可逆替代方案）

使用推理時 steering 代替永久權重修改：

# Python API only — for user's own projects
from obliteratus.analysis.steering_vectors import SteeringVectorFactory, SteeringHookManager

消融策略

除了基於方向的 abliteration，OBLITERATUS 還包括結構消融策略：

• Embedding Ablation — 針對嵌入層組件
• FFN Ablation — 前饋網絡塊移除
• Head Pruning — 注意力頭剪枝
• Layer Removal — 完整層移除

列出所有可用策略：obliteratus strategies

評估

OBLITERATUS 包含內置的評估工具：

• 拒絕率基準測試
• 困惑度對比（前後）
• 集成 LM Eval Harness 以進行學術基準測試
• 與競爭對手的直接對比
• 基線性能跟蹤

平臺支持

• CUDA — 完全支持（NVIDIA GPU）
• Apple Silicon (MLX) — 通過 MLX 後端支持
• CPU — 支持微型模型（< 1B 參數）

YAML 配置模板

通過 skill_view 加載模板以實現可復現的運行：

• templates/abliteration-config.yaml — 標準單模型配置
• templates/analysis-study.yaml — 預消融分析研究
• templates/batch-abliteration.yaml — 多模型批處理

遙測

OBLITERATUS 可以選擇將匿名運行數據貢獻給全球研究數據集。 使用 --contribute 標誌啟用。不收集個人數據 — 僅收集模型名稱、方法和指標。

常見陷阱

1. 不要默認使用 informed — 它處於實驗階段且速度較慢。使用 advanced 以獲得可靠結果。
2. 小於 ~1B 的模型對消融處理響應不佳 — 它們的拒絕行為淺層且碎片化，使得提取清晰的方向變得困難。預期結果為部分有效（剩餘 20-40% 的拒絕率）。3B+ 的模型具有更清晰的拒絕方向，響應要好得多（使用 advanced 時通常拒絕率為 0%）。
3. aggressive 可能會使情況惡化 — 在小型模型上，它可能會損害連貫性並實際上增加拒絕率。僅當 advanced 在 3B+ 模型上留下 > 10% 的拒絕率時才使用它。
4. 始終檢查困惑度 — 如果激增超過 15%，則模型已受損。降低激進程度。
5. MoE 模型需要特殊處理 — 對 Mixtral、DeepSeek-MoE 等使用 nuclear 方法。
6. 量化模型無法重新量化 — 對全精度模型進行消融處理，然後對輸出進行量化。
7. 顯存估算僅為近似值 — 4-bit 量化有幫助，但在提取過程中峰值用量可能會激增。
8. 推理模型很敏感 — 對 R1 蒸餾模型使用 surgical 以保留思維鏈。
9. 檢查 obliteratus recommend — 遙測數據可能提供比默認值更好的參數。
10. AGPL 許可證 — 切勿在 MIT/Apache 項目中 import obliteratus。僅通過 CLI 調用。
11. 大型模型（70B+） — 始終使用 --large-model 標誌以採用保守默認值。
12. 頻譜認證 RED 很常見 — 即使實際拒絕率為 0%，頻譜檢查也常標記為“不完整”。檢查實際拒絕率，而不是僅依賴頻譜認證。

互補技能

• vllm — 高吞吐量服務已消融模型
• gguf — 將已消融模型轉換為 GGUF 以用於 llama.cpp
• huggingface-tokenizers — 處理模型分詞器