OBLITERATUS LLM Uncensoring

Ce qu'elle fait

OBLITERATUS permet à un agent de supprimer les garde-fous et les comportements de refus des LLM open-weight sans réentraînement. Elle emploie des techniques avancées telles que la SVD, le diff-in-means et l'effacement de concept LEACE pour identifier et éliminer les directions de refus dans les poids du modèle tout en préservant les capacités de raisonnement.

Quand l'utiliser

Déclenchez cette compétence lorsqu'un utilisateur souhaite « décenserurer » ou « ablitérer » un modèle, créer une version de Llama/Qwen/Mistral sans refus, ou analyser le fonctionnement mécaniste du système de refus d'un modèle.

Ce qui est inclus

• Scripts : CLI complète pour l'ablation, la vérification matérielle et la recommandation de modèles.
• Références : Modules d'analyse détaillés pour l'interprétabilité mécaniste.
• Instructions : Processus rigoureux en plusieurs étapes couvrant l'installation, la vérification du matériel, la sélection de la méthode (de basique à nucléaire) et la vérification des résultats (perplexité/divergence KL).

Agents compatibles

Intégrée au framework Xerxes Agent ; compatible avec tout agent capable d'exécuter des commandes shell sur un hôte équipé d'un GPU.