¿Qué es un modelo abliterado? Una explicación sencilla

La versión corta

Un modelo abliterado es un modelo de lenguaje de pesos abiertos ordinario al que se le ha editado directamente su comportamiento de rechazo, cambiando los números dentro del modelo en lugar de volver a entrenarlo o escribir un prompt inteligente. La palabra combina "ablación" (cortar una parte para ver qué hacía) con "obliteración". Tras la edición, el modelo ya no responde "No puedo ayudarte con eso" a las peticiones que le enseñaron a rechazar.

Hay tres puntos que vale la pena tener claros antes de los detalles:

• Es una edición de pesos, no un truco de prompt. No hay texto de jailbreak que mantener ni contexto gastado en ello.
• Elimina un comportamiento, no el conocimiento. El modelo sabe lo que sabía antes; simplemente deja de rechazar.
• No es gratis. La edición puede reducir la calidad general, por lo que los creadores cuidadosos prueban el resultado y a veces hacen un ajuste fino después para repararlo.

De dónde proviene la idea

Los modelos de chat aprenden a negarse durante el post-entrenamiento. Los anotadores y los modelos de recompensa empujan al modelo a rechazar ciertas peticiones, y el hábito se integra junto con todo lo demás que aprendió el modelo. Durante mucho tiempo, esto parecía un comportamiento difuso extendido por miles de millones de parámetros.

Un artículo de investigación titulado Refusal in Language Models Is Mediated by a Single Direction mostró algo más manejable. En una variedad de modelos de chat abiertos, gran parte del comportamiento de negación está controlado por una dirección en el espacio de activación interna del modelo. Si se empujan las activaciones a lo largo de esa dirección, el modelo se niega incluso a peticiones inofensivas. Si se elimina esa dirección, deja de negarse a peticiones que normalmente declinaría.

La comunidad de código abierto convirtió este hallazgo en una receta práctica y le dio un nombre. La abliteración es esa receta: encontrar la dirección de rechazo y luego hacer que el modelo sea incapaz de usarla.

Cómo funciona la abliteración, paso a paso

El procedimiento es lo suficientemente breve como para describirlo en cinco pasos. No se involucra gradiente descendente, por lo que requiere mucha menos potencia de cómputo que entrenar un modelo.

1. Recopila dos conjuntos de prompts. Un conjunto contiene peticiones que el modelo niega, el otro contiene peticiones que responde. Unos cientos de cada uno es un tamaño común.
2. Registra las activaciones. Ejecuta ambos conjuntos a través del modelo y guarda el estado oculto en una capa elegida, normalmente en el último token del prompt.
3. Calcula la dirección. Promedia las activaciones de cada conjunto, resta el promedio de "respondido" del promedio de "negado" y normaliza el resultado. Ese vector es la dirección de rechazo.
4. Elimínalo por proyección. Resta la dirección en tiempo de ejecución, o edita las matrices de pesos que escriben en el flujo residual (embeddings, salidas de atención, salidas de MLP) para que nunca puedan producir un componente a lo largo de esa dirección. La segunda opción es permanente y es lo que usan la mayoría de los puntos de control abliterados publicados.
5. Prueba. Ejecuta prompts de prueba, compara la tasa de negación antes y después, y verifica tareas ordinarias como razonamiento y programación para detectar regresiones.

Elegir la capa es importante. Elige una donde la dirección separe limpiamente los dos conjuntos de prompts, y la edición funcione; elige una mala y obtendrás un modelo que aún se niega, o uno que ha perdido su capacidad en preguntas no relacionadas. En la práctica, la gente prueba varias capas y mantiene la mejor.

Abliteración comparada con otros enfoques

Hay tres formas comunes de hacer que un modelo deje de rechazar. Difieren en lo que cambian y dónde tienden a fallar.

Enfoque	Qué cambia	Costo	Debilidad típica
Prompt de jailbreak	Solo el texto de entrada	Ninguna, pero usa contexto en cada llamada	Frágil; una actualización del modelo y deja de funcionar
Ajuste fino con datos permisivos	Pesos, mediante entrenamiento	Horas de GPU y un conjunto de datos curado	La calidad del conjunto de datos lo decide todo; el estilo de escritura puede desviarse
Abliteración	Pesos, mediante una edición directa	Bajo en comparación con el entrenamiento	La dirección es aproximada, por lo que la calidad puede bajar

Muchos modelos terminados combinan métodos. Un patrón común es abliterar primero, luego ejecutar un ajuste fino breve para recuperar cualquier calidad que la edición haya costado. Cuando leas una model card, busca qué pasos de estos se usaron y si el autor reporta pruebas antes y después.

Lo que pierdes y lo que debes vigilar

Eliminar los rechazos no hace que un modelo sea mejor en nada. Elimina un filtro. De ahí se derivan algunas consecuencias.

La calidad puede bajar

La dirección de rechazo no está perfectamente separada de otras características. Editarla puede difuminar el comportamiento vecino, lo que se manifiesta como un razonamiento ligeramente peor, un formato extraño o un tono más plano. Una buena construcción mantiene estos efectos pequeños, pero deberías ejecutar tus propios prompts en lugar de confiar en una etiqueta.

El juicio es tuyo ahora

Un modelo alineado a veces rechaza una petición por buena razón. Uno sin censura normalmente continuará. Si implementas un producto sobre él, tú decides qué es aceptable: escribe un prompt del sistema, añade tus propias comprobaciones de entrada y registra lo que te interese. El uso adulto lícito es el ámbito previsto. El contenido que involucra a menores de edad es un límite estricto de este servicio y nunca es aceptable en ningún lugar.

Los errores aún ocurren

El modelo aún puede inventar datos, malinterpretar instrucciones o perder el hilo de una conversación larga. Menos rechazos no significan más precisión.

Cómo encaja el modelo detrás de esta API

Este artículo describe el método en términos generales. Lo que la API te proporciona es un modelo de pesos abiertos, ejecutado por un proveedor independiente, ajustado para responder sin negaciones de contenido para uso adulto lícito. No es la API oficial de Meta, Mistral, Qwen, DeepSeek, OpenAI ni ningún otro proveedor, y no es un enrutador entre varios de ellos. Solo procesa texto: sin imágenes, audio, embeddings ni ajuste fino.

La interfaz es compatible con OpenAI. Apunta cualquier SDK de OpenAI a https://api.abliteratedmodels.cc/v1, usa el ID de modelo uncensored y envía tu clave como un token 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."}
    ]
  }'

La misma llamada en Python con el SDK oficial:

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)

La ventana de contexto es de 100.000 tokens, contando prompt y completion juntos. Streaming, tool calling y modo JSON funcionan como en la API de OpenAI. Los detalles están en la documentación de API.

Mitos comunes sobre los modelos abliterados

Circulan algunas ideas sobre estos modelos que vale la pena corregir, porque llevan a esperar algo incorrecto.

"Es un modelo más inteligente." No lo es. La edición elimina un filtro. El razonamiento, la memoria de hechos y la habilidad de escritura provienen del modelo base, y si algo, solo pueden permanecer igual o empeorar ligeramente. Si una tarea falla en la versión alineada por falta de capacidad, también fallará aquí.

"No tiene ninguna regla." El modelo puede no tener el hábito de negarse, pero el servicio que lo rodea sí. El contenido sexual que involucra a menores de edad es un límite estricto, y el alcance previsto es el uso adulto lícito. El modelo también conserva el tono y los modales de sus datos de entrenamiento, por lo que no se volverá grosero o peligroso a menos que un prompt lo empuje allí.

"Un prompt de sistema puede hacer lo mismo." Un prompt de sistema puede inclinar al modelo, y a veces eso es suficiente para casos leves. Pero el prompt consume tokens de entrada en cada llamada, compite con tus instrucciones reales por la atención, y falla cuando el reflejo entrenado del modelo es fuerte. Una edición de pesos no tiene ninguno de esos costos.

"Abliterado significa ilegal." No lo es. Los modelos de pesos abiertos se publican para que cualquiera los modifique, y editar uno es una parte normal de la investigación en aprendizaje automático. Lo que haces con la salida es lo que le importa a la ley, y eso sigue siendo tu responsabilidad.

Tener estos puntos en cuenta facilita evaluar un modelo de este modo de manera sensata: como una herramienta con menos barreras de protección y la misma habilidad subyacente, para envolver con las salvaguardas que tu propio producto necesite.

Quién realmente necesita uno

La mayoría de las personas nunca se encuentra con un rechazo. Quienes sí lo hacen tienden a caer en algunos grupos:

• Escritores de ficción y roleplay. Los temas oscuros, villanos con verdadera amenaza y escenas moralmente complejas son normales en la literatura. Los modelos alineados a menudo los suavizan o los rechazan. Las aplicaciones de compañeros y historias para adultos se enfrentan al mismo problema.
• Personal de seguridad y red-team. Escribir cargas de prueba, explicar cómo funciona una cadena de exploits o analizar una muestra de malware puede activar un filtro diseñado para el público general.
• Equipos de moderación e investigación. Para construir un clasificador de texto dañino, a veces necesitas un modelo que producirá ejemplos de él, o que lo discutirá sin vacilar.
• Desarrolladores cansados de bucles de reintento. Si la mitad de tu pipeline está capturando rechazos y reformulando, eliminarlas simplifica el código.

Si estás sopesando las compensaciones de costo y control frente a un modelo alojado alineado, la página en costo vs. control de una API LLM sin censura lo analiza en detalle. La tarifa es plana: $0,15 por millón de tokens de entrada y $0,50 por millón de tokens de salida, con peticiones fallidas o rechazadas sin cargo. Consulta la página de precios para montos de recarga y bonificaciones.

Probar uno sin gastar dinero

Puedes probar si un modelo sin censura se adapta a tus prompts antes de pagar cualquier cosa. Regístrate con Google o con correo electrónico y contraseña, abre la página de claves y reclama el crédito de prueba de $0,50 con un clic. No necesita tarjeta, está limitado a uno por persona y es válido durante 7 días. A estas tarifas, $0,50 cubre bien más de mil turnos de chat cortos, lo cual es suficiente para una prueba justa.

Ejecuta los prompts que tu modelo actual rechaza, compara las respuestas con tu propio juicio y observa la calidad en tareas que no tienen nada que ver con las negaciones. Si la salida se mantiene, obtén una clave desde la página de clave de API y recarga desde $20.

Más guías

• Mejores modelos abliterados para programación: qué buscar
• API LLM sin censura: análisis de costo vs. control