Abliteration 是开源大模型社区造的词，混合了“消融”（ablation）和“抹除”（obliteration）：它指从模型权重里，把代表“拒绝回答”的内部方向找出来，再用线性代数把它减掉。改完的模型权重不再变，推理时也不需要特殊提示词，就倾向于不拒绝。
它为什么可行？Transformer 每层都有一个残差流（residual stream），可以理解成一条贯穿全模型的信息总线。有研究观察到：模型“要不要拒答”这件事，在激活空间里往往集中在一个方向上。做法是准备两组提示——一组通常会触发拒答，一组无害——让模型跑一遍，分别记录各层激活，再算两组平均激活的差。这个差向量就是候选的“拒答方向”。
找到方向后，消融是算术操作。假设某权重矩阵会往残差流里写入信息，就把其中与拒答方向平行的分量减掉：相当于给这个方向做正交化，让模型很难再写出“我要拒绝”的信号。Heretic 这类工具把流程自动化：自动搜索哪一层、哪个方向、消融多强，同时盯着拒答率和模型损伤，尽量在“不拒答”和“别变傻”之间找平衡。
它和相邻概念的区别：
| 概念 | 改什么 | 何时生效 | 典型代价 |
|---|---|---|---|
| 越狱（jailbreak） | 提示词 | 单次请求 | 换个问法可能失效 |
| 护栏（guardrails） | 外部输入输出过滤 | 请求前后 | 可被绕过，需持续维护规则 |
| 激活引导（activation steering） | 推理时的激活 | 运行时 | 需运行时干预，权重不变 |
| 微调（fine-tuning） | 权重 | 永久 | 成本高，改动大 |
| Abliteration | 权重中的拒答方向 | 永久 | 定向手术，可能伤其他能力 |
对从业者，意义是：开源权重一旦发布，安全对齐就不是不可逆的。部署时不能默认模型会自己拒答，仍需外部护栏、权限和审计。对普通人，看到“无审查版”“uncensored”模型，多半用了这类技术；它们可能更少拒答，但也更容易输出有害内容，通用能力也可能下降。具体工具支持哪些模型、效果如何，以官方页面为准。