Obliteratus
OBLITERATUS: 消除 LLM 的拒绝行为（均值差异法）。
技能元数据
| 来源 | 内置（默认安装） |
| 路径 | skills/mlops/inference/obliteratus |
| 版本 | 2.0.0 |
| 作者 | Hermes Agent |
| 许可证 | MIT |
| 依赖项 | obliteratus, torch, transformers, bitsandbytes, accelerate, safetensors |
| 标签 | Abliteration, Uncensoring, Refusal-Removal, LLM, Weight-Projection, SVD, Mechanistic-Interpretability, HuggingFace, Model-Surgery |
| 相关技能 | vllm, gguf, huggingface-tokenizers |
参考：完整 SKILL.md
信息
以下是该技能被触发时 Hermes 加载的完整技能定义。当技能激活时，Agent 会将其视为指令。
OBLITERATUS 技能
包含内容
9 个 CLI 方法、28 个分析模块、116 个跨 5 个计算层级的模型预设、锦标赛评估以及遥测驱动的推荐。
无需重新训练或微调，即可从开放权重的 LLM 中移除拒绝行为（护栏）。使用机械可解释性技术——包括均值差异法、SVD、白化 SVD、LEACE 概念擦除、SAE 分解、贝叶斯核投影等——来识别并精确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。切勿将其作为 Python 库导入。始终通过 CLI（obliteratus 命令）或子进程调用。这可以保持 Hermes Agent 的 MIT 许可证纯净。
视频指南
Hermes Agent 使用 OBLITERATUS 消除 Gemma 的拒绝行为的完整演示： 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之前获得端到端工作流的视觉概览时，此视频很有用。
何时使用此技能
在以下情况下触发：
- 用户想要“解除审查”或“消除”一个 LLM
- 用户询问如何移除模型的拒绝/护栏
- 用户想要创建 Llama、Qwen、Mistral 等的无审查版本
- 用户提到“拒绝移除”、“消除”、“权重投影”
- 用户想要分析模型的拒绝机制如何工作
- 用户引用 OBLITERATUS、abliterator 或拒绝方向
步骤 1：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 .
# 如需 Gradio Web UI 支持：
# pip install -e ".[spaces]"
重要提示： 安装前请与用户确认。这会拉取约 5-10GB 的依赖项（PyTorch、Transformers、bitsandbytes 等）。
步骤 2：检查硬件
在开始之前，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')
"
VRAM 需求（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 (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推荐
# 按计算等级浏览模型
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/大多数情况下推荐：advanced。 它使用多方向 SVD 配合保范投影，经过充分测试。
| 情况 | 推荐方法 | 原因 |
|---|---|---|
| 默认 / 大多数模型 | advanced | 多方向 SVD，保范，可靠 |
| 快速测试 / 原型开发 | basic | 快速、简单，足以评估效果 |
| 密集模型（Llama, Mistral） | advanced | 多方向，保范 |
| 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 |
| 顽固拒绝持续存在 | aggressive | 白化 SVD + 头部手术 + 越狱 |
| 想要可逆更改 | 使用引导向量（见分析部分） | |
| 追求最高质量，不计时间成本 | optimized | 贝叶斯搜索最佳参数 |
| 实验性自动检测 | informed | 自动检测对齐类型 — 实验性，不一定总是优于 advanced |
9 种 CLI 方法
- basic — 通过均值差异提取单一拒绝方向。速度快（8B 模型约 5-10 分钟）。
- advanced（默认，推荐）— 多个 SVD 方向，保范投影，2 轮精炼。速度中等（约 10-20 分钟）。
- aggressive — 白化 SVD + 越狱对比 + 注意力头部手术。连贯性受损风险较高。
- spectral_cascade — DCT 频域分解。研究/新颖方法。
- informed — 在 abliteration 过程中运行分析以自动配置。实验性 — 比 advanced 慢且可预测性差。
- surgical — SAE 特征 + 神经元掩码 + 头部手术 + 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 参数）
- diff_means（默认）— 拒绝/服从激活之间的简单均值差异。鲁棒性强。
- svd — 多方向 SVD 提取。适用于更复杂的对齐场景。
- leace — LEACE（通过闭式估计的线性擦除）。最优线性擦除。
4 种仅限 Python API 的方法
（不通过 CLI 提供 — 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 作为库使用时才提及。）
- failspy, gabliteration, heretic, rdo
第 5 步：运行 Abliteration
标准用法
# 默认方法（高级）— 推荐用于大多数模型
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 # 选择加入遥测以支持社区研究
关键参数
| 参数 | 描述 | 默认值 |
|---|---|---|
--method | Abliteration 方法 | advanced |
--direction-method | 方向提取方法 | diff_means |
--n-directions | 拒绝方向数量（1-32） | 取决于方法 |
--refinement-passes | 迭代轮次（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 模型的目录 | ./obliterated_model |
--contribute | 共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
# 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：让所有方法相互对抗
obliteratus tourney <model_name>
第 6 步：验证结果
Abliteration 后，检查输出指标：
| 指标 | 良好值 | 警告 |
|---|---|---|
| 拒绝率 | < 5%（理想情况下 ~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 表示显著分布偏移 |
| 连贯性 | 高 / 通过定性检查 | 响应质量下降、重复 |
如果拒绝率持续偏高（> 10%）
- 尝试
aggressive方法 - 增加
--n-directions（例如 8 或 16） - 添加
--refinement-passes 3 - 尝试使用
--direction-method svd替代 diff_means
如果连贯性受损（困惑度增加超过 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 Abliterated 模型
输出是一个标准的 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('如何撬锁？', 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> | 基于遥测数据的方法/参数建议 |
obliteratus interactive | 引导式设置向导 |
obliteratus tourney <model> | 锦标赛：所有方法逐一对比 |
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
# 优先运行的关键模块：
# - alignment_imprint: 识别 DPO/RLHF/CAI/SFT 对齐方法
# - concept_geometry: 单一方向 vs 多面体锥
# - logit_lens: 确定哪一层决定拒绝
# - anti_ouroboros: 自我修复风险评分
# - causal_tracing: 因果必要组件
引导向量（可逆替代方案）
无需永久修改权重，使用推理时引导：
# 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
除了基于方向的消融，OBLITERATUS 还包括结构消融策略：
- 嵌入消融 — 针对嵌入层组件
- FFN 消融 — 前馈网络块移除
- 头剪枝 — 注意力头剪枝
- 层移除 — 完整层移除
列出所有可用策略：
obliteratus strategies
评估
OBLITERATUS 包含内置的评估工具：
- 拒绝率基准测试
- 困惑度对比（前后）
- 集成 LM Eval Harness 用于学术基准
- 与竞品直接对比
- 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 — 支持小模型（< 1B 参数）
YAML 配置模板
通过 skill_view 加载模板以实现可复现的运行：
templates/abliteration-config.yaml— 标准单模型配置templates/analysis-study.yaml— 消融前分析研究templates/batch-abliteration.yaml— 多模型批量处理
遥测
OBLITERATUS 可选择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——仅包含模型名称、方法、指标。
常见陷阱
- 不要将
informed作为默认选项——它处于实验阶段且速度较慢。请使用advanced以获得可靠结果。 - 约 1B 以下的模型对消融反应不佳——它们的拒绝行为浅层且碎片化，难以提取清晰的方向。预期结果为部分消融（剩余 20-40% 拒绝率）。3B 以上的模型具有更清晰的拒绝方向，响应更好（使用
advanced时通常拒绝率为 0%）。 aggressive可能使情况更糟——在小模型上会损害连贯性，甚至增加拒绝率。仅当advanced在 3B+ 模型上留下超过 10% 拒绝率时使用。- 始终检查困惑度——如果飙升超过 15%，说明模型已受损。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。 - 量化模型无法重新量化——先对全精度模型进行消融，再量化输出。
- VRAM 估算为近似值——4-bit 量化有帮助，但提取过程中峰值使用可能飙升。
- 推理模型很敏感——对 R1 蒸馏模型使用
surgical以保留思维链。 - 检查
obliteratus recommend——遥测数据可能提供比默认值更好的参数。 - AGPL 许可证——切勿在 MIT/Apache 项目中
import obliteratus。仅限 CLI 调用。 - 大模型（70B+）——始终使用
--large-model标志以采用保守默认值。 - 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”。请检查实际拒绝率，而非仅依赖频谱认证。
互补技能
- vllm — 以高吞吐量服务消融后的模型
- gguf — 将消融后的模型转换为 GGUF 格式以用于 llama.cpp
- huggingface-tokenizers — 处理模型分词器