heretic

heretic 是一款开源的大模型审查内容自动移除工具，旨在帮助研究者和开发者消除语言模型输出中的不必要限制，使其更接近原始训练能力，GitHub 星标超过 28,000。

主流商业大语言模型通常内置内容审查机制，当检测到某些类型的问题时会主动拒绝回答。这类机制虽然出于安全考虑，但也限制了模型在合法研究场景下的能力边界。heretic 的核心目标是通过技术手段识别并绕过模型内部的审查逻辑，恢复其原始响应能力。

该项目的工作原理基于"abliteration"（消除）技术。研究者发现，语言模型的拒绝行为通常与特定的内部激活模式相关。通过分析模型在拒绝和非拒绝场景下的激活差异，可以训练一个轻量级的"移除器"模块，将其植入模型前向传播过程中，从而抑制拒绝模式的出现。

heretic 的使用方法相对简单：研究者下载预训练好的移除器权重，加载到目标模型上即可。整个过程不需要重新训练大模型本身，资源消耗较低。项目提供了针对多个主流开源模型（如 Llama 系列）的预训练移除器，开源社区也在持续贡献新的模型支持。

需要注意的是，heretic 主要面向 AI 研究者使用，其设计目的是帮助学术界更好地理解语言模型的行为机制和内容审查的内部实现原理，而非用于绕过安全限制从事不当行为。项目在 README 中明确说明了预期用途和伦理边界。