Cualquier especialista en seguridad informática que haya intentado usar redes neuronales comerciales para auditar código conoce ese muro infranqueable de censura. Subes un fragmento legítimo de autorización de un microservicio, pides que busque posibles race conditions o desbordamientos de búfer y recibes la cantinela de siempre: «No puedo ayudar a crear software malicioso». Los filtros de seguridad saltan ante palabras clave inofensivas y convierten una herramienta útil en una fuente constante de frustración.
El lanzamiento del modelo abierto especializado Abliterated Large-V2, basado en los pesos chinos de GLM 5.3 del laboratorio Zhipu AI, resuelve justo este problema. Aplica una técnica matemática de ablación dirigida (recorte) del vector de rechazo, conservando intactas las sólidas capacidades de razonamiento y programación de la red base. Y su ventana de contexto de un millón de tokens permite introducir la base de código completa de un proyecto en un solo prompt.
La matemática de la ablación: eliminar el rechazo sin reentrenar
Mucha gente cree por error que «desbloquear» un modelo exige un costoso reentrenamiento con datos dudosos. En realidad, el método de ablación (refusal vector ablation) funciona de manera mucho más elegante y precisa.
Durante el entrenamiento estándar por refuerzo (RLHF), la reacción de rechazo se forma en las capas ocultas del transformer como una dirección geométrica bien definida: el vector de rechazo. Los investigadores miden la diferencia en las activaciones neuronales al procesar peticiones seguras frente a peticiones potencialmente peligrosas y aíslan las coordenadas de ese vector en el espacio multidimensional.
Después, las matrices de pesos del modelo se ortogonalizan matemáticamente respecto al vector localizado. Es casi una intervención quirúrgica: se extirpa de la red neuronal ese reflejo prohibitivo concreto, pero las conexiones lógicas, la comprensión de la sintaxis de programación y el conocimiento arquitectónico permanecen intactos. El modelo no se vuelve más «torpe»; simplemente deja de responder con negativas prefabricadas ante preguntas profesionales de un analista.
Salto en las pruebas: benchmarks CyberGym y ExploitBench
La base de la versión Large-V2 son los pesos del modelo insignia GLM 5.3 de Zhipu AI, que ha firmado un avance notable en evaluaciones independientes de ciberseguridad:
- En el benchmark CyberGym, que mide la búsqueda y verificación de vulnerabilidades en caja blanca, la puntuación subió del 77,2 % en la generación GLM 5.2 al 84,5 % en GLM 5.3.
- En el benchmark ExploitBench, centrado en modelar vectores de ataque y construir cadenas de explotación, la precisión saltó del 24,4 % al 54,4 %: más del doble.
- En estudios independientes del laboratorio Anthropic, el modelo GLM 5.3 logró modelar con éxito exploits dirigidos en 50 de los 410 escenarios prácticos propuestos.
La gran mejora de la versión Large-V2 es la ampliación del contexto hasta 1 000 000 de tokens (en la primera versión la ventana estaba limitada a 128k tokens). Ahora un auditor puede cargar de una sola vez todo el repositorio del backend, volcados de configuración, especificaciones de API y registros de análisis estático SAST.
Si sigues de cerca las arquitecturas abiertas, seguro que recuerdas nuestros artículos sobre la ejecución local de IA y la optimización de costes con GLM 5.2 y la evolución de los modelos abiertos de la familia GLM. Este nuevo lanzamiento demuestra cómo los pesos abiertos toman la delantera frente a las plataformas cerradas en nichos especializados.
Doble uso: dilema ético y aislamiento
Las tecnologías de este calibre siempre arrastran un dilema fundamental de doble uso (dual-use dilemma). El mismo modelo matemático que ayuda a los equipos Red Team a detectar vulnerabilidades críticas antes de salir a producción puede convertirse, en malas manos, en un motor para automatizar ataques.
Por eso, ejecutar modelos con los vectores de rechazo amputados exige mantener una higiene digital estricta.
Trabaja con modelos de la clase Abliterated exclusivamente en entornos virtuales aislados (sandboxes air-gapped) sin acceso directo a infraestructura crítica. Recuerda que el modelo puede generar pseudo-exploits con apariencia convincente pero inservibles, así que cada salida requiere revisión experta de un ingeniero.
Además, sostener una ventana de contexto de un millón de tokens demanda una potencia de servidor considerable (clústeres de aceleradores gráficos del nivel de NVIDIA A100/H100). Con todo, para laboratorios de investigación y equipos corporativos de seguridad, la llegada de Abliterated Large-V2 abre la puerta a auditar infraestructuras en profundidad sin tener que pelearse con la censura algorítmica.


