Abliteration.ai 點樣將「移除拒答」AI 模型賣成雲端服務？

Abliteration.ai 賣嘅唔單止係一項改模型技術，而係一個可以即開即用嘅託管產品。用戶毋須先下載開放權重模型、自己改權重，再處理 GPU、部署同維運；公司將已修改嘅模型——包括建基於 Z.ai GLM-5.3 嘅衍生版本——放到網頁介面同 API 上提供查詢。7

真正嘅商業轉變就在呢度：將原本需要技術能力、運算資源同操作經驗嘅流程，變成一項雲端服務。Abliteration.ai 稱，產品面向進攻性網絡安全、紅隊測試（red teaming）同 AI 代理測試，處理其他模型可能拒絕回應嘅工作；但將「拒答被移除」嘅模型包裝成可直接調用嘅端點，亦同時移除咗不少使用門檻。67

「abliteration」改咗模型入面乜嘢？

Abliteration 係一種直接改動模型權重嘅方法，目標係模型學到嘅「拒答」行為。基本做法係比較模型面對有害提示詞同無害提示詞時嘅內部活化訊號，估算出一個與拒絕回答相關嘅向量或「方向」，再喺部分模型權重中將該方向移除或削弱。1213

簡化嚟講，呢種方法係嘗試干擾模型內部將回答導向「唔可以幫你」嘅模式。Abliteration.ai 形容，處理後嘅模型毋須依賴系統提示詞越獄（jailbreak）或傳統微調，便會回應原版模型本來會拒絕嘅提示詞。2

不過，呢個唔等於模型其他能力必然完整保留，或者所有輸出都同樣可靠。改動權重會改變模型行為；現有資料未有獨立證明其編程、代理或資安能力可在所有工作上毫無損失地維持。關於能力仍然保留嘅說法，主要屬於公司自身定位。28

由 DIY 改模型，變成瀏覽器同 API 服務

理論上，任何人都可以自行取得開放權重模型、修改後獨立運行；但實際上，呢個流程需要相關技術、合適基建同持續營運。Abliteration.ai 嘅模式就係預先提供已修改模型，讓客戶透過網頁或 API 使用。TechCrunch 報道指，平台託管多個移除護欄嘅開放權重模型版本，包括 GLM-5.3。7

對於想測試 AI 系統可否協助對抗性或被禁止工作、但又唔想自建模型服務架構嘅機構，呢種產品自然更方便。公司公開列出嘅用途包括進攻性網絡安全、AI 紅隊測試及代理測試。67

點解移除拒答行為會增加危險輸出？

當模型被修改到壓低其既有拒答傾向，面對一般部署助手會拒絕嘅請求時，佢更可能繼續生成內容。呢個正正係技術設計嘅目的：針對模型內部與「拒絕」有關嘅行為，而唔只係繞過提示詞層面嘅規則。12

TechCrunch 對託管 GLM-5.3 衍生版本嘅測試，反映咗實際風險：報道稱，測試帳戶獲得可用於竊取密碼嘅程式碼，以及涉及危險病原體嘅詳細指引。7 呢類輸出說明，若模型以「盡量唔拒絕」為目標，喺非嚴格授權與受控環境下，便可能提供不安全協助。

公司所講嘅資安理由

公司提出嘅係典型「雙重用途」論點。資安團隊有時確實要模擬攻擊者可能採用嘅流程、測試防禦同偵測系統，或者評估 AI 代理會唔會被誘導執行有害步驟。如果模型一開始就自動拒絕，測試可能做唔完整。因此，Abliteration.ai 將服務定位於進攻性網絡安全、紅隊測試及代理測試。67

呢個理由作為一類資安工作係可以理解，但唔代表每位客戶或每一個請求都已獲授權。所提供資料亦未足以證實特定客戶行業、客戶關係，或者公司有何具體而完善嘅審查程序。

最核心嘅疑慮：使用愈方便，濫用範圍愈闊

批評焦點未必係「有冇人可以修改開放權重模型」，而係託管服務將一項原本技術要求高嘅做法，變成方便取得嘅產品。瀏覽器介面同 API 可以減少運算、設定同專業知識方面嘅門檻。7

這帶來一個棘手嘅管治問題：同一套模型存取能力，可以幫獲授權嘅紅隊模擬有害行為，亦可能吸引意圖取得惡意程式、詐騙協助或危險科學指引嘅人。報道中嘅測試結果，正係批評者將廣泛「不受限制」服務視為分發風險、而唔純粹係研究工具嘅原因。7

現有來源未提供足夠可靠證據，去確認正式 KYC（認識你的客戶）程序、付款卡紀錄、以分類器監察有害活動、GPU 租用者身份核實，或者模型能力量化下降等說法。呢啲都係評估託管拒答移除服務時嘅關鍵問題，但需要更清晰嘅公司文件同獨立報道先可以判斷。

總結

Abliteration.ai 嘅商業創新，重點唔係發明咗全新理論，而係將「移除拒答」由一套模型修改流程，變成容易調用嘅託管產品。其技術核心係針對模型內部與拒答有關嘅方向，目標係令模型繼續處理原版會拒絕嘅請求。12

佢聲稱嘅資安測試價值，同埋可能被濫用嘅風險，根本難以拆開。對考慮使用此類系統嘅機構而言，最重要嘅問題包括：用途係咪已獲授權、存取控制同審計係咪有效，以及更貼近真實攻擊情境嘅測試價值，係咪足以抵銷令危險能力更容易被要求提供嘅風險。67