Heretic 是一款开源工具，可在无需昂贵的后训练情况下自动化移除语言模型的安全对齐。它利用 Optuna 进行参数优化，共同最小化模型拒绝和 KL 散度，以在剥离审查的同时保持智能。这使得开发人员可以直接从命令行去审查 transformer 模型，绕过手动向量调优。 AI
影响 使开发人员能够绕过 AI 模型的安全对齐，可能影响内容审核和 AI 行为。
排序理由 该条目描述了一个用于修改 AI 模型的工具，而非核心 AI 发布或研究论文。
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Without expensive post-training, Heretic automatically removes safety alignment from language models using Optuna parameter optimization. It co-minimizes model refusals and KL divergence to preserve intelligence while stripping censorship. It lets developers decensor transformer …