一行命令，把一个经过安全训练的开源大模型，变成一个去审查的版本。不重新训练，也不用你懂 transformer
的内部结构。
这就是 heretic，发出去没几天两万五千多颗星，trendshift
当天评它全球第一。它戳中了一个被压了很久的需求——给模型去审查，而且几乎不掉智商。
原理来自 2024 年 NeurIPS 的一篇论文（Arditi 等人）：模型的拒绝行为，在神经网络内部其实只是一个数学方向
。找到它，从权重里删掉，模型立刻什么都肯回答。
听起来简单，但社区早有一堆工具干这事，毛病都一样：调参靠人肉试，削太狠就变笨。heretic 的本事在于，它用
Optuna 自动找最优解，还能对小数层做插值、对不同组件分别调参。同样的去审查，它对模型的伤害只有别人工具的
六分之一。
比起"怎么去审查"，更值得想的是它顺带揭出来的事实：我们以为很牢固的安全对齐，可能远没有想象的牢靠。
⏱ 时间轴
00:05 开场：删掉一个方向就不再拒绝
00:55 它是什么：一行命令全自动
01:37 厂商的安全墙是怎么筑起来的
02:15 Arditi 2024：拒绝只是残差流里一条方向
03:31 abliteration：正交化权重，抹掉拒绝方向
04:18 旧方法的两个毛病
05:10 创新①②：Optuna 自动调参 + 浮点层插值
06:11 创新③：分组件处理（MLP 比 attention 更伤）
06:40 benchmark：同样的去审查，伤害只有 1/6
07:27 怎么用
08:18 彩蛋功能：把模型内部画出来
09:05 作者 Philipp Emanuel Weidmann
09:49 4000+ 衍生模型，社区反响
10:37 更深的判断：安全对齐竟如此单薄
11:54 总结
项目地址：github.com/p-e-w/heretic（AGPL-3.0 协议，开源免费）
