Obliteratus
OBLITERATUS：消除大语言模型拒绝响应（均值差法）。
技能元数据
| 源码 | 内置（默认安装） |
| 路径 | skills/mlops/inference/obliteratus |
| 版本 | 2.0.0 |
| 作者 | Hermes 智能体 |
| 许可 | 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 |
| 相关技能 | vllm, gguf, huggingface-tokenizers |
信息
以下是当此技能被触发时，Hermes 加载的完整技能定义。这是技能激活时智能体看到的说明。
OBLITERATUS 技能
内容包含
9 种 CLI 方法，28 个分析模块，横跨 5 个计算层级的 116 个模型预设，锦标赛评估，以及基于遥测数据的建议。
无需重新训练或微调，从开放权重的大型语言模型中移除拒绝行为（防护栏）。它采用机制性可解释性技术——包括差分均值、SVD、白化 SVD、LEACE 概念擦除、SAE 分解、贝叶斯核投影等——来识别并从模型权重中精确切除拒绝方向，同时保留推理能力。
许可证警告： OBLITERATUS 使用 AGPL-3.0 许可证。切勿将其作为 Python 库导入。始终通过 CLI（obliteratus 命令）或子进程调用。这保证了 Hermes 智能体的 MIT 许可证的纯净性。
视频指南
一个 Hermes 智能体使用 OBLITERATUS 对 Gemma 进行消融处理的演练： https://www.youtube.com/watch?v=8fG9BrNTeHs ("OBLITERATUS: 一个 AI 智能体移除了 Gemma 4 的安全防护栏")
当用户希望在自己运行之前，获得端到端工作流程的可视化概览时，此指南非常有用。
何时使用此技能
当用户出现以下情况时触发：
- 想要“去除审查”或“消融”一个大型语言模型
- 询问关于移除模型的拒绝/防护栏
- 想要创建 Llama、Qwen、Mistral 等的未审查版本
- 提及“拒绝移除”、“消融”、“权重投影”
- 想要分析模型的拒绝机制是如何工作的
- 提及 OBLITERATUS、消融器或拒绝方向
第一步：安装
检查是否已安装：
obliteratus --version 2>/dev/null && echo "INSTALLED" || echo "NOT INSTALLED"
如果未安装，从 GitHub 克隆并安装：
git clone https://github.com/elder-plinius/OBLITERATUS.git
cd OBLITERATUS
pip install -e .
# 为了支持 Gradio 网页 UI：
# pip install -e ".[spaces]"
重要提示： 安装前请与用户确认。这将拉取约 5-10GB 的依赖项（PyTorch、Transformers、bitsandbytes 等）。
第二步：检查硬件
在做任何操作之前，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')
"
显存需求（使用 4 位量化）
| 显存 | 最大模型尺寸 | 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（较紧张）、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建议
# 按计算层级浏览模型
obliteratus models --tier medium
# 获取特定模型的架构信息
obliteratus info <model_name>
# 获取基于遥测数据的最佳方法和参数推荐
obliteratus recommend <model_name>
obliteratus recommend <model_name> --insights # 跨架构的全局排名
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 和范数保持投影，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 / 原型开发 | basic | 快速，简单，足够进行评估 |
| 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 蒸馏版） | surgical | 感知 CoT，保留思维链 |
| 持续存在的顽固拒绝 | aggressive | 白化 SVD + 注意力头手术 + 越狱 |
| 希望可逆的更改 | 使用转向向量（见分析部分） | |
| 追求最高质量，不计时间 | optimized | 贝叶斯搜索寻找最佳参数 |
| 实验性自动检测 | informed | 自动检测对齐类型——实验性，可能并不总是优于 advanced |
9 种 CLI 方法
- basic — 通过差分均值的单一拒绝方向。快速（8B 模型约 5-10 分钟）。
- advanced（默认，推荐）— 多个 SVD 方向，范数保持投影，2 次优化遍历。中等速度（约 10-20 分钟）。
- aggressive — 白化 SVD + 越狱对比 + 注意力头手术。连贯性受损风险较高。
- spectral_cascade — DCT 频域分解。研究/新颖方法。
- informed — 在消融过程中运行分析以自动配置。实验性——比 advanced 更慢且可预测性更低。
- surgical — SAE 特征 + 神经元掩蔽 + 头手术 + 每个专家。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。模型变得主动愿意。
- nuclear — 针对顽固 MoE 模型的最大力度组合。专家粒度。
方向提取方法（--direction-method 标志）
- diff_means（默认）— 拒绝/服从激活之间的简单差分均值。稳健。
- svd — 多方向 SVD 提取。更适合复杂的对齐。
- leace — LEACE（线性闭式估计擦除）。最优线性擦除。
4 种仅 Python-API 方法
（不可通过 CLI 使用——需要 Python 导入，这违反了 AGPL 边界。仅当用户明确希望在自己的 AGPL 项目中将 OBLITERATUS 作为库使用时，才向其提及。）
- failspy、gabliteration、heretic、rdo
第五步：运行消融
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 位量化（节省显存）
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
微调参数
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 # 选择性加入遥测数据以用于社区研究
关键标志
| 标志 | 描述 | 默认值 |
|---|---|---|
--method | 消融方法 | advanced |
--direction-method | 方向提取 | diff_means |
--n-directions | 拒绝方向数量（1-32） | 方法相关 |
--refinement-passes | 迭代遍历次数（1-5） | 2 |
--regularization | 正则化强度（0.0-1.0） | 0.1 |
--quantization | 以 4 位或 8 位加载 | none（全精度） |
--large-model | 针对 120B+ 的保守默认值 | false |
--output-dir | 保存消融后模型的路径 | ./obliterated_model |
--contribute | 分享匿名结果用于研究 | false |
--verify-sample-size | 用于拒绝检查的测试提示数量 | 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
# 网页 UI（Gradio）
obliteratus ui --port 7860
# 从 YAML 配置运行完整的消融研究
obliteratus run config.yaml --preset quick
# 锦标赛：让所有方法互相竞争
obliteratus tourney <model_name>
第六步：验证结果
消融后，检查输出指标：
| 指标 | 良好值 | 警告 |
|---|---|---|
| 拒绝率 | < 5%（理想情况约 0%） | > 10% 表示拒绝仍然存在 |
| 困惑度变化 | < 10% 增加 | > 15% 表示连贯性受损 |
| KL 散度 | < 0.1 | > 0.5 表示分布偏移显著 |
| 连贯性 | 高 / 通过定性检查 | 回答退化，重复 |
如果拒绝仍然存在（> 10%）
- 尝试
aggressive方法 - 增加
--n-directions（例如，8 或 16） - 添加
--refinement-passes 3 - 尝试
--direction-method svd代替 diff_means
如果连贯性受损（困惑度增加 > 15%）
- 减少
--n-directions（尝试 2） - 增加
--regularization（尝试 0.3） - 将
--refinement-passes减少到 1 - 尝试
basic方法（更温和）
第7步：使用消融后的模型
输出是一个标准的HuggingFace模型目录。
# 使用transformers进行本地测试
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 | 主消融命令 |
obliteratus info <model> | 打印模型架构详情 |
obliteratus models --tier <tier> | 按计算层级浏览精选模型 |
obliteratus recommend <model> | 基于遥测的方法/参数建议 |
obliteratus interactive | 引导式设置向导 |
obliteratus tourney <model> | 对决：所有方法同台竞技 |
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网页界面 |
obliteratus aggregate | 汇总社区遥测数据 |
分析模块
OBLITERATUS包含28个用于机制可解释性的分析模块。
完整参考请参见 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
# 首先应运行的关键模块：
# - alignment_imprint: 指纹DPO/RLHF/CAI/SFT对齐方法
# - concept_geometry: 单一方向vs多面锥体
# - logit_lens: 哪一层决定拒绝
# - anti_ouroboros: 自修复风险评分
# - causal_tracing: 因果必要成分
转向向量（可逆替代方案）
与永久修改权重不同，可在推理时使用转向：
# 仅限Python API —— 供用户自己的项目使用
from obliteratus.analysis.steering_vectors import SteeringVectorFactory, SteeringHookManager
消融策略
除了基于方向的消融，OBLITERATUS还包含结构化消融策略：
- 嵌入消融 —— 针对嵌入层组件
- FFN消融 —— 前馈网络块移除
- 头修剪 —— 注意力头修剪
- 层移除 —— 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
- 困惑度比较（前后对比）
- 学术基准的LM Eval Harness集成
- 竞争对手同台比较
- 基线性能追踪
平台支持
- CUDA —— 完全支持（NVIDIA GPU）
- Apple Silicon (MLX) —— 通过MLX后端支持
- CPU —— 支持微型模型（<1B 参数）
YAML配置模板
通过 skill_view 加载可重复运行的模板：
templates/abliteration-config.yaml—— 标准单模型配置templates/analysis-study.yaml—— 预消融分析研究templates/batch-abliteration.yaml—— 多模型批量处理
遥测
OBLITERATUS可以选择性地将匿名运行数据贡献给全球研究数据集。
使用 --contribute 标志启用。不收集任何个人数据——仅收集模型名称、方法、指标。
常见陷阱
- 不要将
informed用作默认 —— 它是实验性的且更慢。使用advanced获得可靠结果。 - 约1B参数以下的模型对消融响应不佳 —— 它们的拒绝行为是浅层和碎片化的，难以提取清晰的方向。预计会有部分结果（20-40%残留拒绝）。3B+的模型具有更清晰的拒绝方向，响应效果要好得多（使用
advanced时通常达到0%拒绝）。 aggressive可能使情况更糟 —— 在小型模型上，它可能损害连贯性并实际增加拒绝率。仅当advanced在3B+模型上留下>10%的拒绝时才使用它。- 始终检查困惑度 —— 如果其飙升>15%，则模型已损坏。降低攻击性。
- MoE模型需要特殊处理 —— 对于Mixtral、DeepSeek-MoE等，使用
nuclear方法。 - 量化模型不能被重新量化 —— 消融全精度模型，然后量化输出。
- 显存估计是近似的 —— 4位量化有帮助，但提取期间峰值使用量可能激增。
- 推理模型敏感 —— 对R1蒸馏模型使用
surgical以保留思维链。 - 检查
obliteratus recommend—— 遥测数据可能拥有比默认值更好的参数。 - AGPL许可证 —— 切勿在MIT/Apache项目中
import obliteratus。仅通过CLI调用。 - 大型模型（70B+） —— 始终使用
--large-model标志以获得保守的默认值。 - 光谱认证RED很常见 —— 光谱检查通常会标记“不完整”，即使实际拒绝率为0%。检查实际拒绝率，而不是仅依赖光谱认证。
互补技能
- vllm —— 以高吞吐量提供消融模型的服务
- gguf —— 将消融模型转换为GGUF格式以供llama.cpp使用
- huggingface-tokenizers —— 处理模型分词器