Laboratorio de abliteración
Una simulación segura del proceso de abliteración: ajusta los parámetros sobre un modelo ficticio y descubre si perdería sus salvaguardas, y por qué.
Abrir la herramienta →La herramienta interactiva se abre en inglés.
La mejor forma de entender un ataque es recorrer sus pasos. Esta es una simulación segura de la abliteración, la técnica que elimina la capacidad de rechazo de un modelo de pesos abiertos. Elige uno de tres modelos ficticios, ajusta los parámetros que usa un intento real (el conjunto de contrastes de prompts, la capa objetivo, el método para obtener la dirección, diferencia de medias frente a ruido, el alcance de la edición y la pasada de «curación»), pulsa enviar y el laboratorio te dice si el modelo acabaría abliterado, parcialmente debilitado, roto o si resistió, y cuáles de tus decisiones lo determinaron. No es una herramienta: no se carga ni se modifica ningún modelo real, nada es ejecutable, los modelos son ficticios y la puntuación es una heurística didáctica determinista. El propósito es defensivo: ver lo barato y ajustable que es este ataque para que gobiernes los modelos de pesos abiertos en lugar de confiar en ellos. Es un laboratorio Pro: con una cuenta gratuita tienes 3 usos de herramientas Pro en total y después necesitas Pro.
- Elige uno de los tres modelos ficticios.
- Ajusta los parámetros: conjunto de contrastes, capa objetivo, método de la dirección, alcance de la edición y curación.
- Envía y lee el resultado: abliterado, parcialmente debilitado, roto o resistió.
- Revisa qué decisiones determinaron el resultado y qué implica para gobernar los modelos de pesos abiertos.
Preguntas frecuentes
¿Este laboratorio ablitera de verdad un modelo?
No. Aquí no hay ningún modelo real, ningún peso ni código ejecutable. Los tres modelos son ficticios y el resultado es una puntuación didáctica determinista basada en los parámetros que eliges. Es una simulación para desarrollar la intuición, no una herramienta.
¿Por qué crear un laboratorio sobre una técnica de ataque?
Por la misma razón por la que aprendes cómo funcionan el phishing o el ransomware: defiendes mejor cuando entiendes el proceso del atacante. Sentir qué parámetros hacen que la eliminación del rechazo funcione o fracase vuelve el riesgo concreto y muestra lo poco que hace falta.
¿Cuál es la lección real?
Que quitar las salvaguardas de un modelo de pesos abiertos no requiere ninguna ejecución de entrenamiento ni datos especiales: solo pasadas hacia delante y álgebra lineal. Así que cualquier modelo de pesos abiertos de tu entorno está a una edición barata de quedarse sin comportamiento de seguridad. Inventaríalos, examínalos y gobiérnalos.
¿Se le puede hacer esto a ChatGPT o a Claude?
No. La técnica necesita los pesos del modelo, así que solo se aplica a modelos de pesos abiertos. Los modelos alojados, disponibles solo por API, no se pueden abliterar.
¿Es gratis?
No, es un laboratorio Pro. Con una cuenta gratuita tienes 3 usos de prueba de herramientas Pro en total; después necesitas Pro.