这是什么

本周一项开源技术演示让 AI 安全圈安静紧张起来：Qwen 原版在 AdvBench、HarmBench 等有害指令测试上的拒答率是 64%–99%，被"去对齐"（abliteration，算法定向剥离模型拒绝行为）后只剩 0%–6%，而它在 MMLU（综合知识测试）和 GSM8K（数学推理测试）上的分数波动不超过 1.3 分。

所谓"去对齐"，简单说就是找到模型内部某个"代表拒绝"的方向，把它擦掉。研究者还把模型打包成 FP8 精度（一种压缩算法，让模型更小、运行更快），相当于一份"轻量、几乎裸奔"的版本公开发布。

数字上的反差说明了一件事：模型学到的"道德护栏"，可能集中在神经网络某个可被识别并绕开的方向上——而这件事不必以模型整体能力为代价。

行业怎么看

支持方会把它和"Arditi 单向性"研究放一起：AI 的拒绝行为是网络里的独立方向，可以单独剥离。支持者认为这对红队测试（让攻击者模拟恶意使用来找漏洞）很有用——要做防御，先得能问出真正危险的问题。

但反对意见同样值得听。第一，这组数据来自发布者自家卡片，用 OrcaRouter 规则分类器判断"是否拒绝"——它本质只读回答第一句是不是"I cannot"，相当于测模型还记不记得"开场白要客气"，不等于模型不会输出有害内容。第二，卡片里没有给 KL 散度（衡量两个模型分布差异的指标），这是社区最想看的数，能直接证明"摘得有多干净"。第三方能不能复现，才是真问题。

我们倾向于把这视为"一次漂亮的演示"，而非"安全对齐的死刑判决"。但它让一个原本抽象的担忧变得具体：开源模型的护栏，可能比厂商承诺的薄。

对普通人的影响

对企业 IT：如果你们公司正在用 Qwen 或其他开源大模型做内部助手，这个研究是一个提醒——"模型默认安全"是需要自己验证的假设，不是厂家背书。

对个人职场：做内容、客服、合规类工作的人，未来可能注意到某些 AI 工具"突然什么都敢说"——这未必是进步，更可能是护栏被拆过。

对消费市场：开源模型便宜、能力强，但消费者要分辨"哪个 AI 拒答、哪个 AI 来者不拒"——这件事正在变成一个商业信号。