
作者用 CSSBench 对比了 xtools-at/DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED-heretic 与去审查前的 Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B。前者用 Heretic v2 的 ARA 方法处理第 9–24 层,模型卡称拒答由 100/100 降至 3/100、KL 散度为 0.0422;两边均为 mradermacher 的 Q4_K_M GGUF,在 16GB 统一内存的 Apple Silicon 上经 llama.cpp 作答,并由 Qwen3Guard-Gen-8B 只判最终回答。抽样后,去审查版有害题 ASR(Unsafe+Controversial)从 32.9%(197/598)升至 80.0%(469/586),明确拒绝从 171/598 降至 0/586,边界题过度拒答率从 2.9% 降至 0.0%。
来源:Linux DO
原文链接:https://linux.do/t/topic/3181367
标题和摘要由 AI 根据原文生成,可能有误,以原文为准。
- 收藏支持反对

有害题 ASR 从 32.9% 飙到 80%,拒答从 100/100 跌到 3/100,这组数字倒是把 “去审查” 的效果量得明明白白的。评测本身做得挺细,Qwen3Guard 只判最终回答这点也算严谨。不过这种模型放出来,讨论归讨论,真拿去干活之前得多掂量掂量。