Каждый специалист по информационной безопасности, пытавшийся использовать коммерческие нейросети для аудита кода, сталкивался с глухой стеной цензуры. Ты загружаешь легитимный фрагмент авторизации микросервиса, просишь проверить его на потенциальные race conditions или переполнение буфера, а в ответ получаешь дежурную отповедь: «Я не могу помочь с созданием вредоносного ПО». Защитные фильтры срабатывают на безобидные ключевые слова, превращая полезный инструмент в источник бесконечного раздражения.
Выход специализированной открытой модели Abliterated Large-V2 на базе китайских весов GLM 5.3 от лаборатории Zhipu AI решает именно эту проблему. В этой модели применили математическую методику направленной абляции (вырезания) вектора отказа, сохранив при этом сильные способности базовой сети к рассуждению и написанию кода. А контекстное окно в один миллион токенов позволяет скормить модели кодовую базу целого проекта за один промпт.
Математика абляции: как удалить отказ без переобучения
Многие ошибочно полагают, что «разблокировка» модели требует дорогостоящего дообучения на сомнительных данных. На деле метод абляции (refusal vector ablation) работает значительно изящнее и точнее.
В процессе стандартного обучения с подкреплением (RLHF) реакция отказа формируется в скрытых слоях трансформера как строго определенное геометрическое направление — вектор отказа. Исследователи измеряют разницу активаций нейронов при подаче безопасных и потенциально опасных запросов, изолируя координаты этого вектора в многомерном пространстве.
После этого весовые матрицы модели математически ортогонализируются относительно найденного вектора. Это похоже на хирургическую операцию: из нейросети удаляется конкретный запретительный рефлекс, но логические связи, понимание синтаксиса языков программирования и архитектурные знания остаются нетронутыми. Модель не «поглупела», она просто перестала отвечать шаблонными отказами на профессиональные вопросы аналитика.
Скачок в тестах: бенчмарки CyberGym и ExploitBench
Основой для версии Large-V2 послужили веса флагманской модели GLM 5.3 от Zhipu AI, которая продемонстрировала внушительный рывок в независимых тестированиях по кибербезопасности:
- В бенчмарке CyberGym, оценивающем поиск и верификацию уязвимостей методом белого ящика, показатель вырос с 77.2% у поколения GLM 5.2 до 84.5% у GLM 5.3.
- В бенчмарке ExploitBench, тестирующем моделирование векторов атак и построение цепочек эксплуатации, точность подскочила с 24.4% до 54.4% — результат вырос более чем в два раза.
- В независимых исследованиях лаборатории Anthropic модель GLM 5.3 смогла успешно смоделировать целевые эксплойты в 50 из 410 предложенных практических сценариев.
Главным апгрейдом версии Large-V2 стало расширение контекста до 1 000 000 токенов (в первой версии окно ограничивалось 128k токенов). Теперь аудитор может единовременно загрузить в модель весь репозиторий бэкенда, дампы конфигураций, спецификации API и журналы статического анализа SAST.
Если ты следишь за открытыми архитектурами, то наверняка помнишь наши статьи про локальный запуск ИИ и оптимизацию расходов с GLM 5.2 и эволюцию открытых моделей семейства GLM. Нынешний релиз показывает, как открытые веса опережают закрытые платформы в специализированных нишах.
Двойное назначение: этическая развилка и изоляция
Технологии подобного уровня всегда несут в себе фундаментальную дилемму двойного назначения (dual-use dilemma). Та же самая математическая модель, которая помогает аудиторам Red Team находить критические уязвимости до релиза в продакшен, в чужих руках может превратиться в инструмент автоматизированной генерации атак.
Поэтому запуск моделей с ампутированными векторами отказа требует соблюдения строгой цифровой гигиены.
Работать с моделями класса Abliterated следует исключительно в изолированных виртуальных песочницах (air-gapped окружение) без прямого доступа к критической инфраструктуре. Помни: модель способна генерировать правдоподобно выглядящие, но нерабочие псевдоэксплойты, поэтому каждый вывод требует экспертной проверки инженером.
Кроме того, для удержания контекста в один миллион токенов требуются серьезные серверные мощности (кластеры графических ускорителей уровня NVIDIA A100/H100). Однако для исследовательских лабораторий и команд корпоративной безопасности появление Abliterated Large-V2 дает возможность проводить глубокий аудит инфраструктуры без борьбы с алгоритмической цензурой.