heretic

Heretic: 言語モデルのための完全自動検閲除去 Hereticは、高価なポストトレーニングを必要とせずに、トランスフォーマーベースの言語モデルから検閲（別名「セーフティアラインメント」）を除去するツールです。高度な実装の方向性アブレーション（「アブリテレーション」としても知られる、Arditi et al. 2024、Lai 2025（1、2））と、Optunaを搭載したTPEベースのパラメータ最適化器を組み合わせています。 このアプローチにより、Hereticは完全に自動的に...