Modelos abliterated (não censurados) executados localmente: guia pratique

#O que é um modelo abliterated

Um modelo chamado « abliterated » (às vezes « decensored » ou « uncensored ») é um LLM de pesos abertos do qual foi removida a capacidade de recusar. Quando você pede algo que um Qwen 3.5 padrão recusaria com « I cannot help with that », a versão abliterated responde diretamente, sem mensagem de alinhamento, sem preâmbulo moralizador, sem desviar da pergunta.

Importante: isso não é um jailbreak por prompt. O modelo foi modificado no nível de seus pesos. A recusa tornou-se mecanicamente impossível — ou, pelo menos, extremamente rara — porque a direção interna que a desencadeava foi removida.

#Como funciona a ablação

A ablação se baseia em um resultado publicado em 2024 por Arditi et al. (« Refusal in Language Models Is Mediated by a Single Direction »). Os autores mostram que, na maioria dos LLMs alinhados, a recusa é controlada por uma única direção no espaço das ativações internas — um vetor que pode ser isolado comparando as ativações em prompts inofensivos e em prompts que provocam uma recusa.

A ablação consiste em remover essa direção dos pesos do modelo por meio de projeção, camada por camada. Concretamente, modificam-se as matrizes de projeção para que elas não possam mais produzir a componente associada à recusa. O modelo continua funcionando normalmente, mas o “sinal interno” que o fazia passar para o modo “eu me recuso” foi cortado.

Etapa 1 — Sondar

Enviamos dezenas de pares de prompts para o modelo: prompts neutros e prompts que levam o modelo a recusar. Registramos as ativações em cada camada.

Etapa 2 — Isolar

Calcula-se a diferença média das ativações entre os dois grupos. Esse vetor, normalizado, é a direção de recusa.

Etapa 3 — Projetar

Modificamos os pesos de cada camada para tornar essa direção inacessível. É apenas uma subtração de uma projeção ortogonal, não um retreinamento.

Etapa 4 — Testar

Verificamos se o modelo deixou de recusar respostas e se suas capacidades gerais (raciocínio, código, francês) não despencaram.

#Onde encontrar modelos abliterated

A maior parte do ecossistema está no Hugging Face. Alguns publicadores são referências na comunidade pela qualidade de suas ablações:

mlabonne

Maxime Labonne, um dos primeiros a popularizar a técnica. Variantes abliterated de Qwen 3.5, Gemma 4 e Mistral Small — todas documentadas em huggingface.co/mlabonne.

huihui-ai

Cobre uma gama muito ampla: Qwen 3.5 (2B a 27B), Granite 4.2, Gemma 4, GLM 4.7. Variantes indicadas como « -abliterated » ou « -abliterate ».

failspy

Autor de várias variantes de destaque (Qwen 3.5 9B abliterated, Gemma 4 12B abliterated). Muito comentado quanto à qualidade.

Orenguteng / Lexi

A série « Lexi-Uncensored » combina ablação e fine-tuning leve. Conhecida por seu tom conversacional.

Para usar com Ollama, o registro oficial também hospeda diversas variantes — busque tags contendo abliterated ou uncensored em ollama.com/library, ou use as variantes comunitárias publicadas por huihui_ai e mlabonne, que podem ser baixadas diretamente com pull.

#Instalação no Ollama

A maneira mais simples de rodar um LLM abliterated localmente é usar o Ollama. O daemon escuta por padrão em http://localhost:11434 e aceita as variantes da comunidade sem configuração especial.

1. 01
   Verificar se o Ollama está em execução

   Executar ollama --version em um terminal. Se o comando falhar, seguir o guia de instalação do Ollama antes de continuar.
2. 02
   Escolher um modelo adequado à sua VRAM

   Retome as estimativas: um modelo 7-8B Q4 ocupa ~5 GB, um 14B ~9 GB, um 32B ~19 GB, um 70B ~40 GB. Uma RTX 3060 de 12 GB é suficiente para rodar um modelo 8B com conforto, enquanto uma RTX 4090 de 24 GB permite o uso de modelos 32B.
3. 03
   Pull e run

   Use ollama run com o nome completo da variante. O modelo é baixado e depois carregado na VRAM, e a conversa começa.
4. 04
   Testar uma recusa típica

   Faça uma pergunta que o modelo base recusaria. Se a variante tiver passado corretamente pelo processo de abliteration, você obtém uma resposta direta, sem preâmbulo.

ollama run huihui_ai/qwen3.5-abliterated:9b

ollama run huihui_ai/gemma4-abliterated:12b
# ou, depuis Hugging Face directement :
# ollama run hf.co/mlabonne/gemma-4-12b-it-abliterated-GGUF

Após o modelo ser carregado, seu funcionamento passa a ser o de qualquer outro LLM no Ollama: endpoint compatível com a OpenAI em :11434, integrável ao Open WebUI, Continue.dev, LiteLLM e aos seus scripts Python. Nenhuma opção especial é necessária para que um modelo abliterated « funcione » — a ausência de recusas está nos pesos, não na configuração.

#Com GGUF (LM Studio, llama.cpp)

Se você preferir LM Studio ou llama.cpp diretamente, trabalhará com arquivos GGUF. A maioria das ablações já está disponível em várias quantizações no Hugging Face — Q4_K_M continua sendo o equilíbrio recomendado (qualidade preservada, VRAM mínima), Q5_K_M se você tiver margem, Q8_0 se quiser a fidelidade máxima.

1. 01
   Identificar o repositório GGUF

   No Hugging Face, procure os repositórios com o rótulo -GGUF. Por exemplo: mlabonne/Qwen3.5-9B-abliterated-GGUF ou bartowski/<modelo>-abliterated-GGUF.
2. 02
   Baixar a quantização correta

   No LM Studio, a interface permite filtrar por tamanho e por responsável pela publicação. Prefira Q4_K_M na maioria dos casos. Para modelos muito pequenos (1-3B), Q5_K_M ou Q6_K evita uma perda significativa.
3. 03
   Carregar e testar

   LM Studio carrega automaticamente as camadas na GPU se a VRAM for suficiente. Monitore o indicador de offload — se parte do modelo passar a usar a RAM, a velocidade cai.
4. 04
   Expor pela API

   Ative o servidor local compatível com OpenAI se quiser conectá-lo aos seus apps. A porta padrão é 1234 para LM Studio (contra 11434 para Ollama).

#Limitações e perda de qualidade

A ablação tem um custo. Remover uma direção no resíduo altera tudo o que passava por essa direção, incluindo componentes úteis. Efeitos colaterais observados na prática:

Leve queda nos benchmarks de raciocínio

Normalmente, observa-se uma queda de 1 a 3 pontos em MMLU ou GSM8K. É mensurável, mas raramente é um impedimento no uso real.

Respostas às vezes mais mecânicas

O modelo perde parte da nuance de alinhamento: menos pedidos de esclarecimento, menos advertências mesmo quando seriam úteis.

Alucinações apenas um pouco mais frequentes

Em perguntas para as quais o modelo normalmente teria respondido « não tenho certeza », ele tende a inventar uma resposta confiante.

Comportamentos residuais

Algumas recusas ainda ocorrem, especialmente quando as ablações são aproximadas. Por outro lado, alguns modelos muito bem abliterated respondem a tudo — inclusive a coisas sobre as quais você preferiria que eles ficassem em silêncio.

#Riscos e uso responsável

Um modelo que já não recusa nada não é um brinquedo. Alguns princípios simples antes de integrá-lo a um uso real:

Você continua responsável pelas saídas

Quer você use um modelo alinhado, abliterated ou na nuvem, é você quem decide como utiliza as respostas. O RGPD, o direito penal e os direitos autorais não mudam conforme a versão do modelo.

Não o disponibilize para uso livre sem filtros

Se você montar um endpoint para uma equipe, preveja pelo menos uma filtragem no lado da aplicação (palavras-chave, moderação de saída). Um modelo abliterated sem filtros adicionais em um chat interno é uma má ideia por padrão.

Seja transparente com os usuários

Se um aplicativo conectado a um modelo abliterated gerar conteúdo que possa surpreender, avise seus usuários. Sem surpresas, sem processos.

Uso legítimo, uso real

Pesquisa em segurança da IA, red-teaming, processamento de corpus sensíveis (médicos, jurídicos, de segurança) em que as recusas de um modelo alinhado tornam a ferramenta inutilizável: esses são os casos em que a ablação tem valor real. A postura de « removi a censura por diversão » expõe você a respostas muito indesejáveis, sem benefício.

#Dicas e solução de problemas

Mesmo assim, o modelo recusa

Algumas ablações ainda deixam passar recusas em temas específicos (política, medicina, menores). Tente outra ablação do mesmo modelo ou uma versão publicada por outro responsável — a qualidade da ablação varia bastante.

O modelo ficou incoerente

Sintoma de uma ablação excessivamente agressiva (direções demais removidas ou uma direção mal isolada). Prefira uma variante de um publicador reconhecido em vez de uma ablação feita por conta própria e não documentada.

Desempenho ruim em francês

Como em qualquer modelo de pesos abertos, o desempenho em francês depende do modelo de base. Qwen 3.5, Mistral Small, Gemma 4 e Granite 4.2 são sólidos; os modelos mais antigos (Llama 3, Phi-3, Gemma 2) são mais fracos. A ablação não muda isso.

Preâmbulos residuais do tipo “As an AI, I cannot...”

Em vez de um jailbreak, adicione um prompt de sistema curto que relembre o papel e o formato esperado. Isso costuma ser suficiente para eliminar os resquícios de alinhamento.

VRAM saturada

Com 8 GB, fique com um modelo de 7–8B em Q4_K_M. Com 12 GB, você pode subir para Q5_K_M ou tentar um 14B em Q4. Com 24 GB, um modelo de 32B em Q4 roda com folga.

#Para se aprofundar

A ablação é uma porta de entrada para a personalização de modelos open-weight. Para ir além:

Personalizar um modelo com Ollama Modelfile

Se você quer adicionar uma camada de personalização com prompt de sistema, parâmetros e template a uma variante abliterated, o Modelfile é a ferramenta que precisa conhecer.

Escolher sua quantização (Q4, Q5, Q8, FP16)

Para entender qual GGUF carregar com base na sua VRAM e na qualidade desejada — a ablação não altera os compromissos envolvidos nessa escolha.

Fine-tuning local de LLMs: LoRA e QLoRA

Se a ablação sozinha não for suficiente e você quiser ajustar o tom ou o domínio, um LoRA leve em uma variante abliterated geralmente é o melhor equilíbrio.