検閲除去版言語モデルの話

heretic や abliterated のモデルを使って成年向けコンテンツを書かせる場合の話。

Gemma-4ファミリーはプロンプトの要求に対して比較的忠実な応答を出力する。

対してQwenファミリーはあえて道徳的に当たり障りのない応答を出力する傾向がある。 たとえば画像生成のプロンプトを書かせると、ネガティブプロンプトに頼んでもいない loli, child, young を追加してくるなど。

LLMでも規範の内面化が進んでいる。けしからん。