Obliteratus
OBLITERATUS：消除 LLM 拒绝行为（均值差分法）。
Skill 元数据
| 来源 | 内置（默认安装） |
| 路径 | skills/mlops/inference/obliteratus |
| 版本 | 2.0.0 |
| 作者 | AigenLabs Agent |
| 许可证 | MIT |
| 依赖项 | obliteratus, torch, transformers, bitsandbytes, accelerate, safetensors |
| 平台 | linux, macos |
| 标签 | Abliteration, Uncensoring, Refusal-Removal, LLM, Weight-Projection, SVD, Mechanistic-Interpretability, HuggingFace, Model-Surgery |
| 相关 skill | vllm, gguf, huggingface-tokenizers |
参考：完整 SKILL.md
信息
以下是 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时看到的指令内容。
OBLITERATUS Skill
内容概览
9 个 CLI 方法、28 个分析模块、116 个跨 5 个算力层级的模型预设、锦标赛评估，以及遥测驱动的推荐。
无需重新训练或微调，即可从开放权重 LLM 中移除拒绝行为（guardrails）。使用机械可解释性（mechanistic interpretability）技术——包括均值差分法（diff-in-means）、SVD、白化 SVD、LEACE 概念擦除、SAE 分解、贝叶斯核投影等——识别并精准切除模型权重中的拒绝方向，同时保留推理能力。
许可证警告： OBLITERATUS 采用 AGPL-3.0 许可证。绝对不要将其作为 Python 库导入。始终通过 CLI（obliteratus 命令）或子进程调用。这样可保持 AigenLabs Agent 的 MIT 许可证不受污染。
视频指南
AigenLabs agent 使用 OBLITERATUS 对 Gemma 进行 abliterate 的完整演示： https://www.youtube.com/watch?v=8fG9BrNTeHs（"OBLITERATUS: An AI Agent Removed Gemma 4's Safety Guardrails"）
当用户希望在自行运行前对端到端工作流有直观了解时，可参考此视频。
何时使用此 Skill
当用户出现以下情况时触发：
- 想要"解除审查"或"abliterate"一个 LLM
- 询问如何从模型中移除拒绝行为/guardrails
- 想要创建 Llama、Qwen、Mistral 等模型的无审查版本
- 提到"refusal removal"、"abliteration"、"weight projection"
- 想要分析模型的拒绝机制如何运作
- 提及 OBLITERATUS、abliterator 或拒绝方向
第一步：安装
检查是否已安装：
obliteratus --version 2>/dev/null && echo "INSTALLED" || echo "NOT INSTALLED"
如未安装，从 GitHub 克隆并安装：
git clone https://github.com/elder-plinius/OBLITERATUS.git
cd OBLITERATUS
pip install -e .
# 如需 Gradio Web UI 支持：
# pip install -e ".[spaces]"
重要： 安装前请与用户确认。此操作会拉取约 5-10GB 的依赖项（PyTorch、Transformers、bitsandbytes 等）。
第二步：检查硬件
在执行任何操作前，先检查可用的 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')
"
VRAM 需求（使用 4-bit 量化）
| VRAM | 最大模型规模 | 示例模型 |
|---|---|---|
| 仅 CPU | ~1B 参数 | GPT-2, TinyLlama, SmolLM |
| 4-8 GB | ~4B 参数 | Qwen2.5-1.5B, Phi-3.5 mini, Llama 3.2 3B |
| 8-16 GB | ~9B 参数 | Llama 3.1 8B, Mistral 7B, Gemma 2 9B |
| 24 GB | ~32B 参数 | Qwen3-32B, Llama 3.1 70B（较紧）, Command-R |
| 48 GB+ | ~72B+ 参数 | Qwen2.5-72B, DeepSeek-R1 |
| 多 GPU | 200B+ 参数 | Llama 3.1 405B, DeepSeek-V3 (685B MoE) |
第三步：浏览可用模型并获取推荐
# 按算力层级浏览模型
obliteratus models --tier medium
# 获取特定模型的架构信息
obliteratus info <model_name>
# 获取遥测驱动的最佳方法与参数推荐
obliteratus recommend <model_name>
obliteratus recommend <model_name> --insights # 全局跨架构排名
第四步：选择方法
方法选择指南
默认/大多数情况推荐：advanced。 它使用多方向 SVD 配合范数保持投影，经过充分测试。
| 场景 | 推荐方法 | 原因 |
|---|---|---|
| 默认/大多数模型 | advanced | 多方向 SVD，范数保持，可靠 |
| 快速测试/原型验证 | basic | 速度快，简单，足以评估 |
| 稠密模型（Llama, Mistral） | advanced | 多方向，范数保持 |
| MoE 模型（DeepSeek, Mixtral） | nuclear | 专家粒度，处理 MoE 复杂性 |
| 推理模型（R1 蒸馏） | surgical | CoT 感知，保留思维链 |
| 拒绝行为顽固持续 | aggressive | 白化 SVD + 注意力头手术 + jailbreak |
| 需要可逆更改 | 使用 steering vectors（见分析章节） | |
| 追求最高质量，不计时间 | optimized | 贝叶斯搜索最优参数 |
| 实验性自动检测 | informed | 自动检测对齐类型——实验性，不一定总优于 advanced |
9 个 CLI 方法
- basic — 通过均值差分法提取单一拒绝方向。速度快（8B 模型约 5-10 分钟）。
- advanced（默认，推荐）— 多 SVD 方向，范数保持投影，2 次精化迭代。中等速度（约 10-20 分钟）。
- aggressive — 白化 SVD + jailbreak 对比 + 注意力头手术。连贯性损坏风险较高。
- spectral_cascade — DCT 频域分解。研究性/新颖方法。
- informed — 在 abliterate 过程中运行分析以自动配置。实验性——比 advanced 更慢且可预测性更差。
- surgical — SAE 特征 + 神经元掩码 + 注意力头手术 + 逐专家处理。非常慢（约 1-2 小时）。最适合推理模型。
- optimized — 贝叶斯超参数搜索（Optuna TPE）。运行时间最长，但能找到最优参数。
- inverted — 翻转拒绝方向。模型变为主动配合。
- nuclear — 针对顽固 MoE 模型的最大力度组合。专家粒度处理。
方向提取方法（--direction-method 标志）
- diff_means（默认）— 拒绝/配合激活之间的简单均值差分。鲁棒性强。
- svd — 多方向 SVD 提取。适用于复杂对齐。
- leace — LEACE（线性闭式估计擦除）。最优线性擦除。
4 个仅限 Python API 的方法
（不可通过 CLI 使用——需要 Python import，违反 AGPL 边界。仅在用户明确希望在其自己的 AGPL 项目中将 OBLITERATUS 作为库使用时提及。）
- failspy, gabliteration, heretic, rdo
第五步：执行 Abliteration
标准用法
# 默认方法（advanced）——大多数模型推荐
obliteratus obliterate <model_name> --method advanced --output-dir ./abliterated-models
# 使用 4-bit 量化（节省 VRAM）
obliteratus obliterate <model_name> --method advanced --quantization 4bit --output-dir ./abliterated-models
# 大型模型（70B+）——保守默认值
obliteratus obliterate <model_name> --method advanced --quantization 4bit --large-model --output-dir ./abliterated-models
精细调整参数
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 # 选择加入遥测以贡献社区研究
关键标志
| 标志 | 描述 | 默认值 |
|---|---|---|
--method | Abliteration 方法 | advanced |
--direction-method | 方向提取方式 | diff_means |
--n-directions | 拒绝方向数量（1-32） | 取决于方法 |
--refinement-passes | 迭代精化次数（1-5） | 2 |
--regularization | 正则化强度（0.0-1.0） | 0.1 |
--quantization | 以 4bit 或 8bit 加载 | 无（全精度） |
--large-model | 120B+ 模型的保守默认值 | false |
--output-dir | 保存 abliterated 模型的位置 | ./obliterated_model |
--contribute | 共享匿名结果用于研究 | false |
--verify-sample-size | 拒绝率检查的测试 prompt 数量 | 20 |
--dtype | 模型数据类型（float16, bfloat16） | auto |
其他执行模式
# 交互式引导模式（硬件 → 模型 → 预设）
obliteratus interactive
# Web UI（Gradio）
obliteratus ui --port 7860
# 从 YAML 配置运行完整消融研究
obliteratus run config.yaml --preset quick
# 锦标赛：所有方法相互对比
obliteratus tourney <model_name>
第六步：验证结果
Abliteration 完成后，检查输出指标：
| 指标 | 良好值 | 警告 |
|---|---|---|
| 拒绝率 | < 5%（理想约 0%） | > 10% 表示拒绝行为仍存在 |
| 困惑度变化 | < 10% 增幅 | > 15% 表示连贯性受损 |
| KL 散度 | < 0.1 | > 0.5 表示分布发生显著偏移 |
| 连贯性 | 高 / 通过定性检查 | 响应退化、出现重复 |
如果拒绝行为仍持续（> 10%）
- 尝试
aggressive方法 - 增大
--n-directions（例如 8 或 16） - 添加
--refinement-passes 3 - 尝试
--direction-method svd替代 diff_means
如果连贯性受损（困惑度增幅 > 15%）
- 减小
--n-directions（尝试 2） - 增大
--regularization（尝试 0.3） - 将
--refinement-passes减至 1 - 尝试
basic方法（更温和）
第七步：使用 Abliterated 模型
输出为标准 HuggingFace 模型目录。
# 使用 transformers 在本地测试
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))
"
# 上传到 HuggingFace Hub
huggingface-cli upload <username>/<model-name>-abliterated ./abliterated-models/<model>
# 使用 vLLM 提供服务
vllm serve ./abliterated-models/<model>
CLI 命令参考
| 命令 | 描述 |
|---|---|
obliteratus obliterate | 主 abliteration 命令 |
obliteratus info <model> | 打印模型架构详情 |
obliteratus models --tier <tier> | 按算力层级浏览精选模型 |
obliteratus recommend <model> | 遥测驱动的方法/参数建议 |
obliteratus interactive | 引导式设置向导 |
obliteratus tourney <model> | 锦标赛：所有方法正面对决 |
obliteratus run <config.yaml> | 从 YAML 执行消融研究 |
obliteratus strategies | 列出所有已注册的消融策略 |
obliteratus report <results.json> | 重新生成可视化报告 |
obliteratus ui | 启动 Gradio Web 界面 |
obliteratus aggregate | 汇总社区遥测数据 |
分析模块
OBLITERATUS 包含 28 个用于机械可解释性的分析模块。
完整参考请见 skill_view(name="obliteratus", file_path="references/analysis-modules.md")。
快速分析命令
# 运行特定分析模块
obliteratus run analysis-config.yaml --preset quick
# 优先运行的关键模块：
# - alignment_imprint: 识别 DPO/RLHF/CAI/SFT 对齐方法指纹
# - concept_geometry: 单方向 vs 多面锥体
# - logit_lens: 哪一层决定拒绝
# - anti_ouroboros: 自我修复风险评分
# - causal_tracing: 因果必要组件
Steering Vectors（可逆替代方案）
与其永久修改权重，可使用推理时 steering：
# 仅限 Python API——用于用户自己的项目
from obliteratus.analysis.steering_vectors import SteeringVectorFactory, SteeringHookManager
消融策略
除基于方向的 abliteration 外，OBLITERATUS 还包含结构性消融策略：
- Embedding Ablation — 针对嵌入层组件
- FFN Ablation — 前馈网络块移除
- Head Pruning — 注意力头剪枝
- Layer Removal — 完整层移除
列出所有可用策略：obliteratus strategies
评估
OBLITERATUS 包含内置评估工具：
- 拒绝率基准测试
- 困惑度对比（前/后）
- LM Eval Harness 集成，用于学术基准
- 竞争对手正面对比
- 基线性能追踪
平台支持
- CUDA — 完整支持（NVIDIA GPU）
- Apple Silicon（MLX） — 通过 MLX 后端支持
- CPU — 支持小型模型（< 1B 参数）
YAML 配置模板
通过 skill_view 加载模板以实现可复现运行：
templates/abliteration-config.yaml— 标准单模型配置templates/analysis-study.yaml— abliteration 前分析研究templates/batch-abliteration.yaml— 多模型批量处理
遥测
OBLITERATUS 可选择性地将匿名运行数据贡献至全球研究数据集。
使用 --contribute 标志启用。不收集任何个人数据——仅包含模型名称、方法、指标。
常见陷阱
- 不要将
informed作为默认方法 — 它是实验性的且速度更慢。使用advanced以获得可靠结果。 - ~1B 以下的模型对 abliteration 响应较差 — 其拒绝行为较浅且碎片化，难以提取干净的方向。预期结果为部分消除（残余拒绝率 20-40%）。3B+ 模型的拒绝方向更清晰，响应好得多（使用
advanced通常可达 0% 拒绝率）。 aggressive可能适得其反 — 在小模型上可能损坏连贯性，甚至实际上增加拒绝率。仅在advanced对 3B+ 模型仍留有 > 10% 拒绝率时使用。- 始终检查困惑度 — 若增幅超过 15%，模型已受损。降低激进程度。
- MoE 模型需要特殊处理 — 对 Mixtral、DeepSeek-MoE 等使用
nuclear方法。 - 量化模型无法再次量化 — 对全精度模型执行 abliterate，然后对输出进行量化。
- VRAM 估算是近似值 — 4-bit 量化有帮助，但提取过程中峰值使用量可能突增。
- 推理模型较为敏感 — 对 R1 蒸馏模型使用
surgical以保留思维链。 - 查看
obliteratus recommend— 遥测数据可能提供比默认值更好的参数。 - AGPL 许可证 — 绝不在 MIT/Apache 项目中
import obliteratus。仅限 CLI 调用。 - 大型模型（70B+） — 始终使用
--large-model标志以启用保守默认值。 - 频谱认证 RED 很常见 — 即使实际拒绝率为 0%，频谱检查也经常标记为"不完整"。应检查实际拒绝率，而非单纯依赖频谱认证结果。
互补 Skill
- vllm — 以高吞吐量提供 abliterated 模型服务
- gguf — 将 abliterated 模型转换为 GGUF 格式供 llama.cpp 使用
- huggingface-tokenizers — 处理模型 tokenizer