脱検閲モデル(uncensored / abliterated)

モデル名の「uncensored」「abliterated」「heretic」は、安全対応として学習された拒否挙動を取り除く改造を施した派生版であることを示します。ランキングやトレンドに月百万ダウンロード規模で顔を出す一大ジャンルですが、品質・安全性の保証はなく、当サイトはカタログ収録していません。何を意味する名前なのかを知っておくためのページです。

何が行われているのか

公開モデルはRLHF等の調整で「危険な依頼を断る」振る舞いを学習しています。研究では、この拒否挙動がモデル内部の比較的単純な方向性として表現されていることが示されており(出典参照)、脱検閲改造はそれを打ち消すことで拒否を抑制します。「abliteration」はこの系統の代表的な呼び名、「Heretic」はそれを自動化したツール名で、モデル名に痕跡として残ります。ほかに複数モデルの混ぜ合わせ(マージ)で同様の効果を狙うものもあります。

なぜ流通しているのか

過剰な拒否(無害な創作や医療・セキュリティの正当な質問まで断る)への不満、創作・ロールプレイ用途の需要が主な背景です。ローカルLLMは手元で改造できるため、この種の派生が作りやすい環境でもあります。

利用前に知っておくべきこと

• 安全機構は失われています: 有害・違法な内容の生成を止める仕組みごと外れており、出力の扱いは全て利用者の責任です(改造版を使っても法的責任は変わりません)
• 品質の保証がありません: 拒否の抑制は他の能力に副作用を与えることがあり、掲げられるベンチスコアは独立検証のない自己申告が通例です
• 当サイトの方針: 必要VRAM判定としてはベースモデルと同一で新情報がなく、ベンチ主張は検証不能のため収録していません(ミラー集計からも除外——月次レポートのトピックで扱った判断です)

関連用語

• RLHF・DPO(選好チューニング) — 人間の好みに沿うようモデルを微調整する工程。RLHFとその簡略版DPOがある
• SFT(指示チューニング) — 事前学習済みモデルに「指示への従い方」を教える工程。-Instruct 版はこれを経ている
• 量子化ミラー(bartowski・mradermacherなど) — 新モデルのGGUFを公開直後から配る専門アップローダー。ローカル実需はここに現れる
• ローカルLLMとは — 自分のPCやスマホの中で動かす大規模言語モデル。構成次第で会話を外部に出さずに使える

参考資料(出典)

• https://arxiv.org/abs/2406.11717
• https://huggingface.co/blog/mlabonne/abliteration

▶ あなたのPCで動くモデルを自動判定する(スペック送信なし・ブラウザ内完結)