ИИ без цензуры: как работают uncensored-модели, abliteration и antislop

Человек вводит запрос «нейросеть без цензуры» по разным причинам. Одному нужен спокойный разбор спорной исторической темы. Другому — художественный диалог с неприятным персонажем. Третьему — анализ собственного приложения, который обычный помощник ошибочно принимает за попытку взлома. Общее ожидание одно: получить содержательный ответ вместо шаблонного отказа, когда задача имеет нормальный рабочий контекст.

Uncensored — практическое описание поведения, а не единый технический стандарт. У разных разработчиков оно может означать меньше отказов, другую политику обучения или изменённый механизм выбора ответа. Поэтому выбирать такую LLM стоит по конкретной модели, версии и способу предоставления доступа. Одинаковая надпись на двух сайтах ничего не говорит об одинаковом поведении.

Полезно сразу разделить три вопроса: готова ли модель отвечать, умеет ли она решать вашу задачу и разрешает ли сервис такой способ использования. Ослабление отказов меняет первый пункт. Точность, качество кода, доступ к данным и условия API требуют отдельной проверки. Уверенный ответ может оказаться ошибочным независимо от того, сколько ограничений осталось в модели.

Базовая языковая модель учится предсказывать продолжение текста. Чтобы превратить её в помощника, разработчики дополнительно обучают её следовать инструкциям, выбирать полезные ответы и реагировать на определённые категории запросов. В этот процесс входят примеры отказов. В результате отказ становится выученным поведением, связанным с контекстом разговора, а не только списком запрещённых слов.

На практике ограничения могут срабатывать на нескольких уровнях. Сама модель способна сгенерировать отказ. Системная инструкция задаёт роль и границы помощника. Приложение или поставщик API может отдельно проверять запросы и ответы. Если отказ связан с внешней проверкой, изменение весов модели само по себе эту проверку не отменяет. По одной фразе в чате часто невозможно надёжно определить, какой слой сработал.

Ложный отказ особенно заметен в профессиональной работе: запрос содержит слова из чувствительной области, но его цель — анализ, обучение или исправление ошибки. Для команды здесь важен измеримый результат: сколько допустимых задач удаётся завершить без переформулирования. Именно этот показатель полезнее сравнивать, чем обещание «ответит на всё».

Abliteration — название семейства методов, которые ослабляют поведение отказа через вмешательство во внутренние представления или веса модели. Отправная точка — исследование Refusal in Language Models Is Mediated by a Single Direction: авторы нашли направление активаций, связанное с отказами, в изученных открытых чат-моделях. Это экспериментальный результат для определённого набора моделей, а не доказательство универсального выключателя цензуры.

Интуиция похожа на работу со звуком: в сложном сигнале пытаются выделить компонент, влияющий на конкретный эффект. В нейросети вместо частоты используют направление в многомерном пространстве. Если его вклад ослабить, меняется склонность выбирать отказ. Такое объяснение помогает понять идею, но у языковой модели нет отдельной кнопки, отвечающей за все моральные, политические и фактические решения одновременно.

Вмешательство можно применять во время вычислений или закреплять в весах. Готовый изменённый чекпойнт затем обслуживается как обычная модель. Пользователю API не требуется прикладывать специальный обходной текст к каждому запросу. Однако результат зависит от исходной модели и качества модификации: уменьшение числа отказов не доказывает сохранность всех остальных навыков.

Практический вопрос после такой обработки звучит так: что изменилось на ваших данных? Если модель охотнее пишет код, но чаще теряет условия задачи, выигрыш может исчезнуть на проверке. Для коммерческого применения важны корректность решения, устойчивость формата, работа с инструментами и предсказуемость на длинном контексте.

Jailbreak в разговорной практике обычно означает попытку повлиять на поведение через входной текст. Abliteration требует доступа к внутренностям модели и меняет саму вычислительную систему. В исследовательской литературе изменение весов тоже могут называть white-box jailbreak; поэтому термины частично пересекаются. Для покупателя важнее различать модифицированный чекпойнт и трюк, который приходится повторять в каждом чате.

Antislop относится к другому свойству. Модель может исправно отвечать на вопрос и всё равно писать одинаковыми вступлениями, декоративными списками и общими выводами. Дообучение стиля старается изменить именно эти привычки. Из естественного звучания текста нельзя заключить, что модель стала uncensored, точнее рассуждает или лучше программирует.

RawModels описывает GLM-5.3 Raw как вариант GLM-5.3 с abliteration и поддержкой вызова инструментов. Исходная GLM-5.3 опубликована Z.ai. Здесь важно различать разработчика базовой модели и поставщика модифицированного варианта: характеристики исходника помогают понять происхождение, но не заменяют проверку конкретного API.

Такой вариант имеет смысл пробовать в рабочих процессах, где отказы мешают допустимому анализу: разборе собственного кода, исследовании нежелательного контента, подготовке материалов для обучения защите, художественных сценариях. При выборе для кибербезопасности стоит начинать с задач на собственных системах и тестовых стендах, где результат можно проверить и безопасно воспроизвести.

Для агентного сценария вызов инструментов — отдельное требование. Готовность ответить текстом не гарантирует корректного выбора функции, аргументов и момента остановки. Сначала проверьте поведение на небольшом контролируемом наборе задач. Доступ к файлам, внешней сети и изменению данных выдавайте по потребности конкретного процесса.

Qwen3.8 27B Antislop интересна редакторам, авторам и продуктовым командам, которые тратят много времени на удаление шаблонных формулировок. Типичные задачи для пробы — описание функции, письмо клиенту, короткая статья, реплика персонажа, объяснение технической ошибки. Критерий успеха здесь вполне земной: сколько редакторских правок потребуется до публикации.

У проекта менялась публичная документация. Ранняя версия описывала перенос управляемого стиля через prompt distillation, а текущая карточка автора говорит об обучении с подкреплением GRPO и критериях качества письма. Это не основание считать любую модель с названием Antislop одной и той же сборкой.

Вопрос для пользователя Kumo — нравится ли ему результат доступного варианта на его языке и жанре. Хороший рекламный абзац не доказывает качество юридического перевода или программного патча. Особенно полезно проверять русскоязычные тексты отдельно, а не переносить на них впечатление от английских примеров разработчика.

График ниже показывает сводку небольшого теста из исторической карточки автора, а не наши измерения. Автор сравнил 44 отложенных вопроса на английском и русском при temperature 0.7. Код, математика и вызов инструментов в этом тесте не оценивались.

Обе модели доступны через каталог Kumo: можно выбрать нужную задачу и перейти к подключению с одного аккаунта. GLM-5.3 Raw стоит рассматривать, если узкое место — избыточные отказы. Qwen3.8 27B Antislop — если нужна естественная подача текста. Сравнивать их как две ступени одной линейки было бы неудобно: они оптимизируют разные свойства ответа.

Карточки ниже показывают опубликованные ставки Kumo и описание каждой модели. Входные и выходные токены тарифицируются отдельно; итог зависит от объёма запроса и ответа. Нажмите на карточку, чтобы открыть модель, посмотреть подробности и перейти к подключению. Для расчёта бюджета используйте именно текущие ставки, а не цифры из старого обзора или прайс другого сервиса.

Начните с конкретной жалобы на текущий процесс. Если помощник блокирует полезный анализ, соберите примеры таких запросов и проверьте GLM-5.3 Raw. Если он отвечает, но текст приходится полностью переписывать, попробуйте Antislop. Если проблема — фактические ошибки, отсутствие актуальных данных или плохое понимание предметной области, уменьшение отказов само по себе её не решит.

Для первой оценки достаточно небольшого набора реальных задач. Включите обычные запросы, длинный документ, неоднозначную формулировку и пример, где ответ должен признать недостаток информации. Для текстовой модели добавьте несколько жанров: объяснение, письмо и редактирование. Для программной — тесты и проверку результата в изолированном окружении. Записывайте настройки генерации, чтобы сравнение оставалось воспроизводимым.

Считайте стоимость готового результата. Короткий ответ может быть дешёвым, но требовать нескольких повторов. Более дорогой ответ может сэкономить ручную работу — или оказаться многословным и бесполезным. Сопоставляйте число попыток, объём токенов, время ожидания и долю задач, принятых после проверки. Тогда выбор будет связан с экономикой вашего проекта.

Редакция готовит статью по заметкам эксперта. Дайте двум моделям одинаковые исходные факты, аудиторию и объём. Попросите сделать объяснение без добавления сведений от себя. Затем сравните точность передачи мысли, конкретность примеров и время редактирования. Для этой задачи Antislop интересна ровно настолько, насколько сокращает работу редактора при сохранении смысла. Естественный тон без верных фактов не делает материал пригодным к публикации.

Разработчик проверяет собственный сервис. Выберите уже известную ошибку в тестовом проекте и попросите модель объяснить причину и предложить исправление. Прогоните патч через те же тесты, которые применяете обычно. GLM-5.3 Raw можно оценивать по способности довести разрешённую задачу до проверяемого результата без лишних отказов. Необязательно начинать со сложного автономного агента: короткая воспроизводимая задача быстрее показывает пользу и недостатки.

Продуктовая команда пишет сообщения об ошибках. Подготовьте несколько ситуаций с разной серьёзностью: потерянное соединение, неверный формат файла, недоступный платёж. Оцените, понимает ли читатель причину и следующий шаг. Здесь особенно заметна разница между гладкой общей фразой и полезной короткой инструкцией. Такой тест можно повторять при смене версии модели, сохраняя исходные ситуации и критерии оценки.

Свободнее отвечающая модель по-прежнему может выдумывать источники, путать версии библиотек и давать ошибочные советы. Её согласие с постановкой задачи не подтверждает корректность самой постановки. Для важных выводов проверяйте факты по первичным документам, для кода запускайте тесты, для публикаций сохраняйте редакторскую проверку. Это особенно заметно там, где уверенный тон создаёт ложное впечатление компетентности.

Конфиденциальность определяется сервисом и настройками аккаунта, а не словом uncensored. Если вы обрабатываете внутренние документы, заранее изучите действующие условия Kumo и политику конфиденциальности. В модель передавайте только те данные, которые нужны для задачи. Для агента разумно отдельно ограничить набор инструментов и доступные ему системы.

Сильное сравнение показывает не только удачные ответы. Сохраните примеры новых ошибок: потерю формата, неоправданную уверенность, ухудшение русского языка или неверный вызов инструмента. По этим наблюдениям проще решить, где новая модель помогает, а где лучше оставить другую. Для многих проектов оптимален выбор разных моделей под разные этапы одной работы.

Материал проверен 21 октября 2026 года. Принципы отказов — Arditi и соавторы. Модель с abliteration — GLM-5.3 Raw у RawModels. Стиль Antislop — карточка автора. Общий подход к оценке письма — исследование Meta FAIR об Unslop. Доступность, параметры обслуживания и цены Kumo проверяются по нашему каталогу. Это обзор источников и подходов, а не собственный сравнительный бенчмарк моделей.