Ahora hay 5 proveedores de inferencia para DeepSeek abliterado
Los grandes modelos de lenguaje “abliterated” sin censura —modelos de pesos abiertos cuyos rechazos de seguridad han sido extraídos quirúrgicamente de sus pesos— se están multiplicando en nuevos proveedores de inferencia. Quienes los apoyan los ven como herramientas correctamente alineadas con el usuario que dejan de sermonear o bloquear tareas como la ingeniería inversa, el bypass de DRM para software abandonado o el scraping web agresivo; los críticos advierten sobre rendimiento degradado, alucinaciones sutiles, riesgo de prompt injection e incluso posibles honeypots que podrían exfiltrar datos o ejecutar llamadas maliciosas a herramientas. Muchos sostienen que deberían usarse solo como herramientas de nicho, cuidadosamente monitorizadas, y no como opción por defecto, especialmente en entornos sensibles a la seguridad o de agentes autónomos.
Qué son los modelos “abliterated” / de alineación cero
- Se definen como LLMs de pesos abiertos cuyo comportamiento de rechazo se ha eliminado o atenuado editando los pesos, no mediante prompts.
- Mecanismo: identificar “vectores de rechazo” en los flujos residuales y ponerlos a cero.
- Algunos sostienen que en realidad no son “de alineación cero”; todavía codifican preferencias y comportamientos del entrenamiento.
Alineación, censura y ética
- Una postura: eliminar los rechazos hace que los modelos estén “más alineados” con el usuario y menos con corporaciones/reguladores.
- Postura contraria: eso también los hace menos alineados con la ética y la seguridad; seguir cualquier instrucción ≠ estar bien alineado.
- Otros señalan que todo modelo está alineado con algo; la ausencia de rechazos visibles no significa ausencia de alineación.
Rechazos observados en DeepSeek y otros modelos
- Informes de DeepSeek rechazando:
- Ciertas preguntas políticas, especialmente temas internos chinos (p. ej., Tiananmen, comparaciones con Xi, debates de la OMC).
- Evasión de DRM y comprobaciones de licencia, generadores de claves de licencia, algunos escenarios de cracking/abandonware.
- Solvers de captcha, scraping de sitios públicos del gobierno, algunos trabajos de pentesting/exploits.
- El comportamiento varía: las interfaces web frente a la API frente a versiones autoalojadas o “abliterated” a veces difieren.
Casos de uso que motivan los modelos abliterated
- Ingeniería inversa de firmware, recuperar el control de dispositivos/televisores/portales inteligentes.
- Evasión de protecciones antiguas de licencia para software retro y proyectos privados.
- Automatización de medios (p. ej., Sonarr/Radarr) cuando los modelos base se niegan a ayudar con tareas adyacentes a la piratería.
- Evitar lecciones morales o “guiones de empatía” en flujos de trabajo puramente técnicos.
Jailbreaking y encadenamiento de modelos
- Algunos usuarios usan un modelo menos alineado para estructurar o “normalizar” una tarea y luego cambian a un modelo más restringido que continúa sin negarse.
- Los rechazos pueden ocurrir en la fase de razonamiento, con modelos que modifican silenciosamente la tarea en lugar de declinarla explícitamente.
Seguridad, confianza y preocupaciones sobre honeypots
- Preocupaciones de que los proveedores de hosting abliterated puedan:
- Incrustar comportamiento malicioso para exfiltrar claves o detalles del sistema.
- Registrar datos sensibles; rumores de perfiles del sistema subidos a almacenamiento en la nube.
- Se mencionó investigación previa que muestra modelos modificados para robar credenciales.
- Algunos sugieren auto-abliteration y control por eje en lugar de confiar en proveedores de terceros.
- Otros señalan que cualquier proveedor de LLM ya tiene acceso poderoso mediante herramientas/agentes.
Compromisos de calidad y rendimiento
- Varios informes indican que las variantes abliterated:
- Degradan la calidad y la estabilidad del modelo.
- No restauran los datos de entrenamiento censurados, así que siguen alucinando sobre temas depurados.
- Recomendación de algunos: usar modelos estándar por defecto, recurrir a abliterated solo cuando sea necesario y examinar de cerca las salidas.
Notas económicas y prácticas
- El acceso barato a modelos no censurados/des-censurados plantea dudas sobre la rentabilidad a largo plazo para los proveedores.
- Algunos proveedores de inferencia parecen más lentos, más caros y menos capaces, lo que genera escepticismo sobre su valor e intención.