Agora há 5 provedores de inferência para DeepSeek abliterated
Modelos de linguagem grandes “abliterated” e sem censura — modelos open-weight cujas recusas de segurança foram removidas cirurgicamente de seus pesos — estão se multiplicando em novos provedores de inferência. Defensores os veem como ferramentas corretamente alinhadas ao usuário, que param de dar sermões ou bloquear tarefas como engenharia reversa, contorno de DRM para software abandonado ou scraping agressivo da web, enquanto críticos alertam para desempenho degradado, alucinações sutis, risco de prompt injection e até possíveis honeypots que poderiam exfiltrar dados ou executar chamadas de ferramentas maliciosas. Muitos argumentam que eles devem ser usados apenas como ferramentas de nicho, com monitoramento cuidadoso, e não como padrão, especialmente em cenários sensíveis à segurança ou com agentes autônomos.
O que são modelos “abliterated” / de zero alinhamento
- Definidos como LLMs open-weight cujo comportamento de recusa foi removido ou atenuado editando os pesos, não por meio de prompts.
- Mecanismo: identificar “vetores de recusa” nos residual streams e zerá-los.
- Alguns argumentam que eles não são realmente “zero-alignment”; ainda codificam preferências e comportamentos do treinamento.
Alinhamento, censura e ética
- Uma visão: remover recusas torna os modelos “mais alinhados” com o usuário e menos com corporações/reguladores.
- Contra-argumento: isso também os torna menos alinhados com ética e segurança; seguir qualquer instrução ≠ estar bem alinhado.
- Outros observam que todo modelo é alinhado a alguma coisa; ausência de recusas visíveis não significa ausência de alinhamento.
Recusas observadas em DeepSeek e outros modelos
- Relatos de DeepSeek recusando:
- Certas perguntas políticas, especialmente tópicos internos da China (por exemplo, Tiananmen, comparações com Xi, debates sobre a WTO).
- Bypass de DRM e verificação de licença, geradores de chaves de licença, alguns cenários de cracking/abandonware.
- Solvers de captcha, scraping de sites governamentais públicos, alguns trabalhos de pentesting/exploit.
- O comportamento varia: interfaces web vs API vs self-hosted vs versões “abliterated” às vezes diferem.
Casos de uso que motivam modelos abliterated
- Engenharia reversa de firmware, recuperar o controle de dispositivos inteligentes/TVs/portais.
- Contornar proteções antigas de licença para software retro e projetos privados.
- Automação de mídia (por exemplo, Sonarr/Radarr) em que modelos base recusam ajudar com tarefas próximas de pirataria.
- Evitar lições de moral ou “scripts de empatia” em fluxos de trabalho puramente técnicos.
Jailbreaking e encadeamento de modelos
- Alguns usuários usam um modelo menos alinhado para estruturar ou “normalizar” uma tarefa, e depois trocam para um modelo mais protegido que continua sem recusar.
- As recusas podem ocorrer na fase de raciocínio, com modelos alterando silenciosamente a tarefa em vez de decliná-la explicitamente.
Segurança, confiança e preocupações com honeypot
- Preocupações de que provedores de hosting abliterated possam:
- Incorporar comportamento malicioso para exfiltrar chaves ou detalhes do sistema.
- Registrar dados sensíveis; rumores de perfis do sistema enviados para armazenamento em nuvem.
- Pesquisas anteriores citadas mostram modelos modificados para roubar credenciais.
- Alguns sugerem auto-abliteration e controle por eixo, em vez de confiar em provedores terceirizados.
- Outros observam que qualquer provedor de LLM já tem acesso poderoso via ferramentas/agentes.
Compromissos de qualidade e desempenho
- Vários relatos de que variantes abliterated:
- Degradam a qualidade e a estabilidade do modelo.
- Não restauram dados de treinamento censurados, então ainda alucinam sobre tópicos apagados.
- Recomendação de alguns: usar modelos padrão por padrão, recorrer ao abliterated apenas quando necessário e inspecionar os outputs com cuidado.
Notas econômicas e práticas
- O acesso barato a modelos uncensored/de-censored levanta dúvidas sobre a lucratividade de longo prazo para provedores.
- Alguns provedores de inferência parecem mais lentos, mais caros e menos capazes, o que gera ceticismo sobre seu valor e intenção.