ما هو النموذج المُزال منه الرفض؟ شرح مبسط

النسخة المختصرة

النموذج المُزال منه الرفض هو نموذج لغوي عادي مفتوح الأوزان تم تعديل سلوك الرفض فيه مباشرة، عن طريق تغيير الأرقام داخل النموذج بدلاً من إعادة تدريبه أو كتابة موجه ذكي. الكلمة تجمع بين "الاستئصال" (قطع جزء لرؤية ما فعله) و"الإبادة". بعد التعديل، يتوقف النموذج عن الرد بـ "لا يمكنني مساعدتك في ذلك" للطلبات التي تم تعليمه رفضها.

ثلاث نقاط تستحق الانتباه قبل الدخول في التفاصيل:

• إنها تعديل للأوزان، وليست حيلة في الموجّه. لا يوجد نص اختراق (jailbreak) يحتاج إلى الصيانة، ولا يُستهلك من نافذة السياق.
• إزالة سلوك، وليس معرفة. يعرف النموذج ما كان يعرفه من قبل؛ هو يتوقف ببساطة عن الرفض.
• ليس مجانيًا. قد يؤثر التعديل على الجودة العامة، لذا يختبر المطورون الحذرون النتيجة وأحيانًا يقومون بضبط النموذج لاحقًا لإصلاحها.

أصل الفكرة

تتعلم نماذج الدردشة الرفض أثناء التدريب اللاحق. يدفع المُعلِّقون (annotators) ونماذج المكافأة النموذج نحو رفض طلبات معينة، وتترسخ هذه العادة جنباً إلى جنب مع كل ما تعلمه النموذج. لفترة طويلة، بدا هذا السلوك موزعاً عبر مليارات المعاملات (parameters).

أظهرت ورقة بحثية بعنوان Refusal in Language Models Is Mediated by a Single Direction أمرًا أكثر قابلية للتطبيق. عبر مجموعة من نماذج المحادثة المفتوحة، يتم التحكم في سلوك الرفض بواسطة اتجاه واحد في فضاء التنشيط الداخلي للنموذج. دفع التنشيطات على طول هذا الاتجاه يجعل النموذج يرفض حتى الطلبات غير الضارة. إزالة هذا الاتجاه يجعله يتوقف عن رفض الطلبات التي كان سيرفضها عادةً.

حوّل مجتمع المصدر المفتوح هذا الاكتشاف إلى وصفة عملية وأطلق عليها اسمًا. Abliteration هي تلك الوصفة: العثور على اتجاه الرفض، ثم جعل النموذج غير قادر على استخدامه.

كيف يعمل Abliteration خطوة بخطوة

الإجراء قصير بما يكفي ليُوصف في خمس خطوات. لا ينطوي على نزول التدرج، وهو السبب في حاجته لحوسبة أقل بكثير من تدريب نموذج.

1. جمع مجموعتين من الموجّهات. تحتوي إحدى المجموعتين على طلبات يرفضها النموذج، بينما تحتوي الأخرى على طلبات يجيب عليها. حجم بضع مئات من كل نوع هو الحجم الشائع.
2. تسجيل التنشيطات. قم بتشغيل كلتا المجموعتين عبر النموذج واحفظ الحالة المخفية في طبقة مختارة، عادةً عند رمز الموجّه الأخير.
3. حساب الاتجاه. احسب متوسط تنشيطات كل مجموعة، اطرح متوسط "المجاب" من متوسط "المرفوض"، وطبّق التطبيع على النتيجة. هذا المتجه هو اتجاه الرفض.
4. أزِله بالإسقاط. إما طرح الاتجاه أثناء وقت التشغيل، أو تعديل مصفوفات الأوزان التي تكتب في التيار المتبقي (residual stream) (التضمينات، مخرجات الانتباه، مخرجات MLP) بحيث لا يمكنها أبداً إنتاج مكوّنًا على طول هذا الاتجاه. الخيار الثاني دائم وهو ما تستخدمه معظم نقاط حفظ (checkpoints) النماذج المُزال منها الرفض المنشورة.
5. الاختبار. تشغيل الموجّهات المحجوزة، ومقارنة معدل الرفض قبل وبعد، والتحقق من المهام العادية مثل الاستدلال والبرمجة بحثًا عن أي تدهور.

اختيار الطبقة مهم. اختر واحدة يفصل فيها الاتجاه بوضوح بين مجموعتي الموجّهات، ويعمل التعديل؛ اختر طبقة سيئة وستحصل على نموذج لا يزال يرفض، أو نموذج فقد توازنه في الأسئلة غير ذات الصلة. في الممارسة العملية، يحاول الناس عدة طبقات ويحتفظون بالأفضل.

مقارنة Abliteration مع الأساليب الأخرى

هناك ثلاث طرق شائعة لجعل النموذج يتوقف عن الرفض. تختلف في ما تغير وأين تميل للفشل.

النهج	ما يتغير	التكلفة	الضعف النموذجي
موجّه اختراق	نص الإدخال فقط	لا شيء، لكنه يستهلك السياق في كل استدعاء	هش؛ تحديث واحد للنموذج ويتوقف عن العمل
ضبط دقيق على بيانات متساهلة	الأوزان، من خلال التدريب	ساعات GPU ومجموعة بيانات مُنتقاة	جودة مجموعة البيانات تحدد كل شيء؛ قد ينحرف أسلوب الكتابة
Abliteration	الأوزان، من خلال تعديل مباشر	منخفض مقارنة بالتدريب	الاتجاه تقريبي، لذا قد تنخفض الجودة

تجمع العديد من النماذج الجاهزة بين الأساليب. النمط الشائع هو إجراء عملية Abliteration أولاً، ثم تشغيل ضبط دقيق قصير لاستعادة أي جودة تكلفتها العملية. عند قراءة بطاقة النموذج، ابحث عن الخطوات التي استُخدمت منها وما إذا كان المؤلف يقدم اختبارات قبل وبعد.

ما تتخلى عنه وما يجب الانتباه إليه

إزالة الرفض لا يجعل النموذج أفضل في أي شيء. إنه يزيل فلترًا. وتترتب على ذلك بعض العواقب.

قد تنخفض الجودة

اتجاه الرفض ليس منفصلاً تمامًا عن الميزات الأخرى. يمكن أن تؤدي إزالته إلى طمس السلوكيات المجاورة، مما يظهر كضعف طفيف في الاستدلال، أو تنسيق غريب، أو نبرة مسطحة. يبقي الإصدار الجيد هذه التأثيرات صغيرة، لكنك يجب أن تشغل موجّهاتك الخاصة بدلاً من الاعتماد على التصنيف.

الحكم أصبح لك الآن

أحيانًا يرفض النموذج المُوائَم (aligned) الطلب لسبب وجيه. النموذج بدون رقابة عادةً ما يواصل. إذا أطلقت منتجًا فوقه، فأنت تقرر ما هو مقبول: اكتب موجّه النظام، أضف فحوصات الإدخال الخاصة بك، وسجّل ما يهمك. الاستخدام القانوني للبالغين هو النطاق المقصود. المحتوى الذي يتضمن القاصرين هو حدّ صارم على هذه الخدمة وغير مقبول في أي مكان.

لا تزال الأخطاء تحدث

لا يزال النموذج قادرًا على اختلاق الحقائق، أو سوء فهم التعليمات، أو فقدان تتبع المحادثة الطويلة. قلة الرفض لا تعني دقة أعلى.

كيف يتناسب النموذج وراء هذه API

تصف هذه المقالة الطريقة بمصطلحات عامة. ما تقدمه لك هذه API هو نموذج مفتوح الأوزان واحد، يشغّله مزوّد مستقل، وضُبط للإجابة بدون رفض المحتوى للاستخدام القانوني للبالغين. ليست هذه API الرسمية لـ Meta أو Mistral أو Qwen أو DeepSeek أو OpenAI أو أي مورد آخر، وليست موجّهًا (router) عبر عدة موارد منها. تتعامل مع النص فقط: لا صور، ولا صوت، ولا تضمينات، ولا ضبط دقيق.

الواجهة متوافقة مع OpenAI. وجّه أي SDK من OpenAI إلى https://api.abliteratedmodels.cc/v1، واستخدم معرف النموذج uncensored وأرسل مفتاحك كرمز Bearer:

Copycurl https://api.abliteratedmodels.cc/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [
      {"role": "user", "content": "Explain directional ablation in two sentences."}
    ]
  }'

نفس الاستدعاء في Python باستخدام الـ SDK الرسمي:

Copyfrom openai import OpenAI

client = OpenAI(
    base_url="https://api.abliteratedmodels.cc/v1",
    api_key="YOUR_KEY",
)

reply = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "What does a refusal direction mean?"}],
)
print(reply.choices[0].message.content)

نافذة السياق هي 100,000 رمز، تشمل الموجّه والإكمال معًا. يعمل البث المتدفق، واستدعاء الأدوات، ووضع JSON كما هو الحال في واجهة برمجة تطبيقات OpenAI. التفاصيل موجودة في توثيق API.

خرافات شائعة حول النماذج المُزال منها الرفض

تنتشر بعض الأفكار حول هذه النماذج تستحق التصحيح، لأنها تؤدي إلى توقعات خاطئة.

"إنه نموذج أذكى." ليس كذلك. التعديل يزيل فلترًا. القدرة على الاستدلال، وتذكّر الحقائق، ومهارة الكتابة تأتي من النموذج الأساسي، وإذا كان هناك تغيير فسيكون إما بقاء الحالة كما هي أو تدهورًا طفيفًا. إذا فشلت مهمة في النسخة المُوائَمة بسبب نقص القدرة، فستفشل هنا أيضًا.

"ليس لديه قواعد على الإطلاق." قد لا يكون لدى النموذج عادة رفض، لكن الخدمة حوله لديها. المحتوى الجنسي الذي يتضمن قاصرين هو حد صارم، والنطاق المقصود هو الاستخدام القانوني للبالغين. لا يزال النموذج يحمل أيضًا نبرة وعادات بيانات التدريب الخاصة به، لذا لن يصبح وقحًا أو خطيرًا إلا إذا دفعه الموجّه إلى ذلك.

"يمكن لموجّه النظام أن يفعل الشيء نفسه." يمكن لموجّه النظام توجيه النموذج، وأحيانًا يكون ذلك كافيًا للحالات الخفيفة. لكن الموجّه يستهلك رموز الإدخال في كل استدعاء، ويتنافس مع تعليماتك الحقيقية على الاهتمام، ويفشل عندما يكون رد الفعل المتعلَّم للنموذج قويًا. لا يحمل تعديل الأوزان أيًا من هذه التكاليف.

"Abliterated يعني غير قانوني." ليس كذلك. تُنشر نماذج الأوزان المفتوحة ليعدلها أي شخص، وتعديل واحدة هو جزء طبيعي من أبحاث تعلم الآلة. ما تفعله بالمخرجات هو ما تهتم به القوانين، وهذا يبقى مسؤوليتك.

يُسهّل أخذ هذه النقاط في الاعتبار تقييم النموذج بشكل معقول: كأداة ذات ضوابط أقل ومهارة أساسية نفسها، ليُغلف بأي ضوابط يحتاجها منتجك الخاص.

من يحتاجها فعلياً

معظم الناس لا يواجهون رفضاً أبداً. ومن يواجهونه يندرج عادة ضمن فئات قليلة:

• كتاب الخيال الأدبي والتمثيل بالدور. المواضيع المظلمة، الأشرار ذوو الخطورة الحقيقية، والمواقف ذات الطابع الأخلاقي المعقد أمور طبيعية في الأدب. غالباً ما تُخفف النماذج المُوائَمة معها أو ترفضها. تطبيقات الرفقة والقصص الموجهة للبالغين تواجه نفس المشكلة.
• العاملون في الأمن والفريق الأحمر (red team). كتابة حمولات الاختبار، شرح كيفية عمل سلسلة استغلال الثغرات أو تحليل عينة برمجية خبيثة قد يُفعّل مرشحات مبنية للجمهور العام.
• فرق الإشراف على المحتوى والبحث. لبناء مصنف للنصوص الضارة، أحياناً تحتاج إلى نموذج يُنتج أمثلة عليها، أو يناقشها دون تردد.
• المطورون الذين سئموا من حلقات إعادة المحاولة. إذا كان نصف خط الأنابيب الخاص بك يكتشف الرفض ويعيد صياغة الطلبات، فإن إزالتها تُبسط الكود.

إذا كنت تزن مقايضات التكلفة والتحكم مقابل نموذج مستضاف مُوائَم، فإن الصفحة على التكلفة مقابل التحكم في LLM API بدون رقابة تناقش ذلك بالتفصيل. التسعير ثابت: $0.15 لكل مليون رمز إدخال و $0.50 لكل مليون رمز إخراج، مع عدم شحن الطلبات الفاشلة أو المرفوضة. انظر إلى صفحة التسعير للحصول على مبالغ الشحن والمكافآت.

جربه دون إنفاق المال

يمكنك اختبار ما إذا كان نموذج بدون رقابة يناسب موجّهاتك قبل الدفع أي مبلغ. أنشئ حسابًا باستخدام Google أو عبر البريد الإلكتروني وكلمة المرور، افتح صفحة المفتاح، واحصل على رصيد تجريبي بقيمة $0.50 بنقرة واحدة. لا يحتاج إلى بطاقة، ومحدود لشخص واحد ويبقى صالحًا لمدة 7 أيام. عند هذه الأسعار، يغطي $0.50 أكثر من ألف دورة دردشة قصيرة، وهو ما يكفي لاختبار عادل.

شغّل الموجّهات التي يرفضها نموذجك الحالي، قارن الإجابات مع حكمك الخاص، وانظر إلى الجودة في المهام التي لا علاقة لها بالرفض. إذا صمدت المخرجات، احصل على مفتاح من صفحة مفتاح API وقم بشحن الرصيد من $20.

المزيد من الأدلة

• أفضل النماذج المُزال منها الرفض للبرمجة: ما الذي يجب البحث عنه
• LLM API بدون رقابة: تحليل التكلفة مقابل التحكم