安全研究团队 ProjectDiscovery 近日在其研究博客发布文章，标题为“bonsoir, Elliot”: How abliterated models can get you pwned，讨论“abliterated（去除拒绝行为）”模型可能带来的安全后果。文章用“get you pwned”（被攻陷、被拿下）来形容这类模型可能造成的风险。就目前公开信息而言，可见内容仅为标题与链接，具体攻击路径、案例与复现细节需以原文为准。
从背景看，abliteration 指在模型权重层面移除与“拒绝”相关的方向，使原本会拒答的模型对请求普遍予以配合。相比重新微调，这类做法成本低、门槛低，处理后的权重常以开源形式在社区扩散；使用者往往只关心“限制更少”，而很少核查模型的对齐状态与来源。
对 AI 从业者来说，这一话题的关键在于风险性质的变化。安全对齐通常被视为模型侧的一道防线，一旦被移除，模型可能更愿意生成漏洞利用代码、钓鱼文本或其他攻击素材。若此类模型被接入具备工具调用、代码执行或内网访问能力的 Agent 与业务系统，问题就会从“输出了不当内容”升级为真实的入侵面。
因此，部署方宜将来源不明的第三方权重视为不可信输入：引入前确认模型来源与对齐、微调记录，运行时保留输入输出审查与权限最小化，并对可执行动作设置策略层拦截。原文对具体技术细节有更完整说明。