Abliteration AI của Thomas gỡ bỏ guardrails khỏi các open-weight model

Tóm tắt nhanh

• Thomas, một kỹ sư của Apple, đã lập Abliteration AI để gỡ bỏ safeguards khỏi các open-weight model mạnh nhất và cho phép bất kỳ ai dùng chúng. Anh cho rằng các model có guardrails thường từ chối cả những yêu cầu hợp pháp, đặc biệt trong AI prototyping và cybersecurity.
• Thomas bắt đầu phản kháng với hệ thống AI này từ tháng 11/2025, khi thấy các model hosted bởi big labs thay đổi liên tục và có thể chia sẻ thông tin với họ. Anh cũng bực vì các model tự động chặn đầu vào có dữ liệu người dùng, khiến nhiều thử nghiệm của anh bị gián đoạn.
• Khi cố dùng model để phân tích log tấn công mạng hoặc xác định người dùng nào có thể trả tiền cho tính năng mới, Thomas bị chặn yêu cầu và thậm chí bị khóa tài khoản. Anh nói mình chỉ muốn một model trả lời thẳng câu hỏi mà không có quá nhiều vòng lặp từ chối.
• Các model như ChatGPT và Claude có danh sách dài những chủ đề cần né, gồm cả các yêu cầu cybersecurity mà hệ thống cho là có thể ác ý, nội dung người lớn và chủ đề chính trị nhạy cảm. Theo bài viết, ngay cả open-weight model cũng có guardrails tương tự nên đôi khi từ chối cả câu hỏi không nguy hiểm.
• Một số người chỉ trích rằng các lần từ chối còn phục vụ lợi ích kinh doanh của Big AI. OpenAI và Anthropic đều tính thêm tiền để dùng các model không có những guardrails cybersecurity thông thường, và ChatGPT lẫn Claude cũng từ chối tạo dữ liệu có thể dùng để distillation.
• Để tự kiểm soát nhiều hơn, Thomas xây một cụm máy tính giá 20.000 USD trong căn hộ để chạy các model open-weight tốt nhất. Anh thường tải và thử các bản phát hành mới vào buổi tối và thứ Bảy trên homelab của mình.
• Qua kỳ nghỉ Thanksgiving, Thomas bắt đầu tìm cách sửa đổi open-weight model để thay đổi hành vi từ chối của chúng. Anh nhanh chóng tìm đến cộng đồng trên Reddit, Discord và X, nơi mọi người chia sẻ prompt jailbreak ChatGPT hoặc Claude, cũng như cách sửa tham số bên trong model.
• Bài viết mô tả việc gỡ bỏ safeguards là rất rủi ro vì một model không có guardrails có thể hỗ trợ làm meth lab, chế tạo bom hoặc hack một công ty lớn. Vì vậy, nhiều nhà nghiên cứu an toàn AI xem các model này là cực kỳ nguy hiểm.
• Thomas 36 tuổi, lớn lên ở Indiana, học computer science tại Indiana University Bloomington và gia nhập Apple năm 2020. Bài viết đặt anh vào bối cảnh một kỹ sư công nghệ đi ngược lại câu chuyện an toàn AI đang phổ biến trong ngành.

Tóm tắt tự động bằng AI từ bài gốc, có thể có sai sót. Hãy kiểm chứng ở bài gốc.