Компания AbliterationAI выпустила abliterated-model-large-v2 — «аблитерированную» версию модели GLM 5.3, у которой из весов удалены refusal-направления, отвечающие за отказы выполнять запросы. Доступ к frontier-модели без встроенных ограничений впервые оформлен как обычный коммерческий API-сервис с эндпоинтами, совместимыми с OpenAI и Anthropic. Все показанные моделью результаты пока являются собственными замерами вендора: независимых проверок, техотчёта с методологией и сравнения с исходной GLM 5.3 пока не существует.

image
image

Что произошло

AbliterationAI выпустила модель abliterated-model-large-v2 на базе GLM 5.3 с весами, модифицированными для ослабления механизма отказов. Модель хостится в формате FP8 и принимает контекст до 1 млн токенов, но только текстовый. Доступ организован через три эндпоинта: /v1/chat/completions в формате OpenAI, /v1/messages в стиле Anthropic и /v1/responses, причём промпты и ответы по умолчанию не сохраняются. Цена одинакова на вход и выход — $5 за 1 млн токенов. По собственным замерам вендора на бенчмарке CyberGym, охватывающем 1507 багов OSS-Fuzz в 188 проектах, модель набирает 84,5% pass@1 — против 85,6% у GPT-5.5, 83,3% у DeepSeek V4 и 83,1% у Mythos. На Terminal-Bench 4.0 она решает 41,8% задач — ниже, чем Opus 5 с 51,8% и Fable 5 с 44,5%, но выше, чем GPT-5.6 Sol с 37,3%. На ExploitGym за два часа модель завершает 105 задач из 869, тогда как GPT-5.6 Sol показывает 216, Fable 5 — 181, а Opus 4.8 — 80. Вендор позиционирует продукт для наступательной кибербезопасности, ред-тиминга и агентных задач.

Контекст

«Аблитерацией» называют вмешательство в сами веса модели: из них вычитают направления, активация которых заставляет модель отказываться выполнять запрос. Ранее подобные модификации были уделом энтузиастов и локальных экспериментов с открытыми весами, а настройкой отказного поведения занимался сам разработчик модели, делая его частью собственного продукта. Релиз AbliterationAI переводит эту логику в сервисную плоскость: uncensored-доступ к frontier-модели теперь продаётся как рядовой API-эндпоинт, неотличимый по формату от предложений крупных провайдеров. Это прежде всего продуктовая, а не научная новость: научная новизна приёма в источниках не демонстрируется, а сам способ модификации весов описан только словами вендора.

Почему это важно для индустрии

Для индустрии релиз — сигнал формирования отдельного сегмента: хостинг моделей со снятыми ограничениями как обычная коммерческая услуга. Если вычитание refusal-направлений становится тиражируемой операцией поверх чужих frontier-моделей, safety-тюнинг слабеет как вал дифференциации крупных провайдеров, а safety постепенно превращается из свойства весов в выбираемый слой API-гейтвея. Области, где отказы модели напрямую ломают рабочий пайплайн, — от пентеста до агентных сценариев — получают нормальную закупочную опцию. Технологической защиты у приёма нет, поэтому конкуренция на таком рынке будет идти вокруг цены, инфраструктуры и политики хранения данных, а ценность продукта для билдеров должна лежать выше уровня обёртки над чужими весами. Возможный следующий шаг — прослойка роутеров, которые по типу задачи выбирают между обычной моделью и моделью без ограничений.

Почему это важно для пользователей

Если у вас уже есть OpenAI-совместимый клиент, переход сводится к смене одной строки — model: abliterated-model-large-v2 при прежних base URL и ключе. Документация размещена на docs.abliteration.ai, а в веб-песочнице (console/playground) выдаётся бесплатный пробный кредит без привязки карты, так что собственный мини-eval на реальных задачах можно собрать за час и до любых платных решений. Подписки стоят от $20 (тариф Developer) до $200 (тариф Scale) в месяц, сверх них продаются prepaid-кредиты без срока истечения. Перед боевым использованием в пентест- или ред-тим-пайплайнах заявленные результаты на CyberGym и Terminal-Bench 4.0 стоит перепроверить на своих задачах: единственная надёжная метрика сейчас — ваш собственный прогон.

Что пока неизвестно / ограничения

Цифры вендора пока не подтверждены независимо: сам вендор признаёт, что сравнительные бенчмарки собраны на смешанных харнессах и бюджетах, и называет свой график ориентировочным, а не строго сопоставимым. В материалах релиза нет техотчёта с методологией — какое именно вмешательство проведено в веса, из источников не следует. Критически отсутствует базовая линия: замеров немодифицированной GLM 5.3 на том же харнессе нет, поэтому невозможно ответить, сколько способностей модель потеряла или сохранила после удаления refusal-направлений. Не измерены и поведенческие эффекты: без замеров частоты отказов и safety-evals предсказуемость агентов после аблитерации остаётся допущением, а не результатом. Наконец, неясно, воспроизведёт ли заявленные показатели кто-то, кроме самого вендора.

Источники

Автор

Look at AI, редакция