Les modèles "non censurés" ou "abliterated" font référence à des versions modifiées de Gemma 4 où les comportements de refus de sécurité ont été réduits ou supprimés grâce à des techniques d'affinage. Ces modèles sont créés par la communauté open source, et non par Google DeepMind.
Cette page explique ce qu'est l'abliteration, en quoi ces modèles diffèrent du Gemma 4 de base, et fournit des conseils aux chercheurs et développeurs qui ont besoin de modèles avec des taux de refus réduits pour des cas d'utilisation légitimes.
L'abliteration est une technique qui identifie et modifie les représentations internes responsables du comportement de refus dans les modèles de langage. Contrairement à l'affinage sur des données nuisibles, l'abliteration fonctionne en trouvant la "direction de refus" dans l'espace d'activation du modèle et en l'atténuant.
Le résultat est un modèle qui est plus disposé à suivre les instructions et à discuter d'une plus large gamme de sujets, tout en conservant la plupart de ses capacités générales et de ses connaissances. Les scores de benchmark sont généralement à 1-3% du modèle original.
Identifie la direction de refus dans le flux résiduel du modèle et l'orthogonalise. C'est la méthode la plus courante, nécessitant un calcul minimal et préservant la qualité du modèle.
Entraîne un petit adaptateur LoRA sur des ensembles de données qui incluent divers exemples de suivi d'instructions. L'adaptateur modifie le comportement du modèle tout en gardant les poids de base intacts.
Utilise l'optimisation des préférences pour entraîner le modèle à préférer les réponses utiles aux refus. Plus intensif en calcul mais peut produire des résultats plus nuancés.
Les variantes Gemma 4 non censurées créées par la communauté sont disponibles sur Hugging Face. Recherchez des termes comme "abliterated", "uncensored" ou "unfiltered" :
Vérifiez toujours la qualité du modèle en consultant les avis de la communauté, les scores de benchmark et le nombre de téléchargements avant d'utiliser tout modèle communautaire.
Les auteurs écrivant de la fiction qui inclut des conflits, de la tension ou des thèmes matures peuvent avoir besoin de modèles qui ne refusent pas de s'engager dans des scénarios narratifs difficiles.
Les professionnels de la cybersécurité testant les systèmes d'IA pour détecter des vulnérabilités ont besoin de modèles capables de discuter de sujets de sécurité sans restrictions.
Les chercheurs étudiant la sécurité, le biais et l'alignement de l'IA ont besoin de modèles non filtrés pour comprendre et documenter les comportements des modèles.
Les développeurs construisant des applications avec leurs propres systèmes de sécurité peuvent préférer un modèle de base sans restrictions intégrées, en appliquant à la place leurs propres garde-fous spécifiques au domaine.
Les modèles non censurés sont des outils puissants qui s'accompagnent de responsabilités :
Respectez toujours les lois et réglementations locales concernant le contenu généré par IA
Implémentez vos propres mesures de sécurité appropriées à votre contexte de déploiement
N'utilisez pas ces modèles pour générer du contenu nuisible, illégal ou trompeur
Considérez les implications éthiques de votre cas d'utilisation avant le déploiement
La licence Apache 2.0 accorde la liberté de modifier, mais pas la liberté des conséquences
Non. Les variantes non censurées/abliterated sont créées par la communauté open source, et non par Google DeepMind. Les modèles officiels Gemma 4 incluent un entraînement de sécurité et des filtres de contenu.
La licence Apache 2.0 permet la modification et la redistribution de Gemma 4, y compris la création de variantes non censurées. Cependant, la façon dont vous utilisez la sortie doit être conforme aux lois applicables dans votre juridiction.
Les modèles abliterated obtiennent généralement des scores à 1-3% près de l'original sur les benchmarks standards. La principale différence réside dans le comportement de refus, et non dans la capacité générale. Certains utilisateurs rapportent une amélioration du suivi des instructions.
L'approche la plus courante utilise la bibliothèque failspy/abliterator sur Hugging Face. Elle nécessite un GPU avec suffisamment de VRAM pour charger le modèle, et le processus prend quelques heures pour le modèle 31B.
L'abliteration est plus rapide et préserve davantage les capacités du modèle original. L'affinage offre plus de contrôle sur le comportement mais nécessite des données d'entraînement et plus de calcul. De nombreux modèles communautaires combinent les deux approches.
Oui, si le modèle est disponible au format GGUF. Importez-le dans Ollama avec un Modelfile personnalisé. Certains registres Ollama communautaires hébergent également directement des variantes non censurées.
Que vous choisissiez les modèles officiels ou les variantes communautaires, démarrez avec Gemma 4 dès aujourd'hui.