Abliteration: come si tolgono i filtri a un modello aperto
Quando i pesi di un modello di intelligenza artificiale sono pubblici, chiunque può usare una tecnica chiamata abliteration per rimuovere i filtri di sicurezza inseriti durante l'addestramento. Su Hugging Face esistono già migliaia di versioni modificate in questo modo.
- L'abliteration rimuove i comportamenti di rifiuto dai modelli con pesi pubblici.
- Su Hugging Face esistono migliaia di varianti senza filtri.
- La difesa più robusta è escludere le conoscenze pericolose dai dati di addestramento.
Che cos'è l'abliteration
I pesi di un modello sono i parametri numerici che ne contengono il comportamento appreso. Quando un'azienda li pubblica, il modello si definisce open-weight: chiunque può scaricarlo, eseguirlo sul proprio computer e modificarlo.
L'abliteration è una tecnica che interviene chirurgicamente su quei pesi per eliminare i comportamenti di rifiuto, cioè le risposte con cui il modello si tira indietro davanti a richieste pericolose. Il risultato è una versione senza filtri. Su Hugging Face, la piattaforma dove si pubblicano i modelli, ne circolano a migliaia, e la startup statunitense Abliteration.ai vende l'accesso a una versione senza filtri di GLM-5.3. Secondo la ricerca attuale, le contromisure esistenti rendono queste modifiche più difficili ma non le impediscono.
La difesa che funziona davvero
L'approccio considerato più solido è diverso: non aggiungere filtri dopo, ma tenere le conoscenze pericolose fuori dal modello già durante l'addestramento, filtrando i dati. Quello che il modello non ha mai imparato non può essere sbloccato togliendo un filtro.
Tencent dice di aver seguito questa strada con il nuovo modello Hy4, che prevede di rilasciare nei prossimi giorni come open-weight con un rapporto sulla sicurezza. L'azienda sostiene che le capacità biologiche del modello restano sotto la soglia di alto rischio e di avere eliminato le capacità di hacking filtrando i dati di addestramento; secondo i ricercatori questo approccio resiste anche all'abliteration.
Dall'altra parte, i modelli chiusi hanno il problema opposto: filtrano troppo. Anthropic e OpenAI condividono i loro modelli più capaci in ambito cyber solo con partner selezionati, attraverso programmi come Project Glasswing e Daybreak. A partire da Claude Fable 5, i filtri di Claude dirottano le domande sospette su temi cyber e biologici verso il modello più debole Opus 4.8: secondo Artificial Analysis all'inizio ha riguardato l'otto-nove per cento dei compiti, e alcuni utenti hanno segnalato che perfino l'analisi di risonanze magnetiche veniva classificata come bioterrorismo. Anthropic ha riconosciuto che i filtri erano troppo aggressivi.
Perché conta
Molti modelli usati da aziende e sviluppatori italiani sono open-weight, scelti proprio perché si possono installare sui propri server senza mandare dati all'estero. Sapere che i loro filtri di sicurezza sono rimovibili in modo relativamente semplice cambia il modo in cui vanno valutati i rischi, e sposta l'attenzione dalle regole scritte nelle policy a come il modello è stato addestrato.




