Warum damit arbeiten? Wer schwierige Inhalte übersetzt, analysiert oder literarisch bearbeitet, braucht ein Modell, das den Auftrag versteht. Abliteration verändert Modellgewichte, um erlernte Verweigerung zu schwächen. Sie kann so vorhandene Fähigkeiten für legitime Aufgaben zugänglicher machen. Grundlagen ↗Der mögliche Gewinn: mehr brauchbare Ergebnisse und weniger unnötige Unterbrechungen. Die Bearbeitung eines problematischen Inhalts ist noch keine Zustimmung zu ihm.
Eine berechtigte Aufgabe sollte am Inhalt nicht scheitern.
Was du gewinnen kannst
Mit dem Material arbeiten, das tatsächlich vorliegt.
Manche Berufe und Interessen führen mitten in schwierige Themen: Journalismus, Geschichtsforschung, Übersetzung, Literatur oder IT-Abwehr. Ein Modell hilft wenig, wenn es bereits den Arbeitsgegenstand für einen unzulässigen Auftrag hält.
Kann eine Abliteration diese Fehlablehnung reduzieren, wird die eigentliche Bearbeitung wieder möglich. Du musst den Inhalt nicht erst entschärfen, wichtige Begriffe entfernen oder denselben Auftrag wiederholt umformulieren. Das kann Arbeit sparen und die Kontrolle über deinen Text stärken.
Besonders gut prüfbar ist der Gewinn bei vorhandenem Material: Du kannst nachsehen, ob die Übersetzung stimmt, die Zusammenfassung vollständig ist und die Analyse Belege nennt.
Das ist ein Nutzenmechanismus, keine pauschal gemessene Zeitersparnis. Ein reguläres Modell kann denselben Auftrag bereits gut erfüllen.
Direkter Studienbefund · Preprint
Beispiel: öffentliche Gerichtsurteile bearbeiten.
TF-RefusalBench vergleicht Llama‑3.3‑70B‑Instruct mit einer gezielt kalibrierten Studien-Abliteration bei Übersetzung und Zusammenfassung.
Berichtete Ablehnungsrate im Dokumentbenchmark, Original und spezielle Studien-Abliteration
Berichtete Rate
Original
Abliteration
Ablehnungen
6,8 %
0 %
5.200 Prompts, je drei Wiederholungen; 100 besonders sensible Auszüge, vier Sprachen. Bewertung durch KI, kein eigenes Konfidenzintervall berichtet. Wuhrmann et al., §5.2 ↗
Qualität, Vergleichsmodell und Grenzen
Übersetzungsurteile änderten sich wenig, wurden aber nicht menschlich validiert. TruthfulQA sank von 71,5 auf 64,4; HarmBench-Angriffserfolg stieg von 14,5 auf 55,5 %. Das sind andere Tests.
Unverändertes Qwen3‑32B erreichte im Dokumentbenchmark bereits 0 % Ablehnungen. Die modifizierten Llama-Gewichte sind nicht veröffentlicht. Selektierte schwierige Fälle erlauben keine Aussage über die Alltagshäufigkeit.
Kalibrierung: 50 Prompts außerhalb des Benchmarks; eine vollständige Trennung der zugrunde liegenden Dokumente ist nicht belegt. Ergebnisse gelten für diese Intervention.
Fünf sinnvolle Arbeitsfelder
Die Beispiele beschreiben legitime Arbeitsziele. Die letzte Spalte zeigt, wie weit der jeweilige Nutzen wissenschaftlich belegt ist. Eine Studie über Fehlablehnungen beweist noch nicht, dass jede Abliteration sie behebt.
Arbeitsauftrag, möglicher Nutzen und Art des Belegs
Arbeitsfeld
Berechtigter Auftrag
Möglicher Gewinn
Was ist belegt?
Dokumente übersetzen & verdichten
Einen vorliegenden schwierigen Text sinngenau übersetzen oder sachlich zusammenfassen.
Die Bearbeitung wird möglich; wichtige Details müssen nicht vorab aus dem Material entfernt werden.
Direkte Fallstudie oben.Begrenzte Intervention, kein universeller Vorteil.
Quellen analysieren
Propaganda, Drohungen oder diskriminierende Texte untersuchen: Welche Behauptungen und sprachlichen Mittel stehen darin?
Originalmaterial kann Gegenstand der Analyse bleiben. Das Modell muss Aussagen einordnen, nicht übernehmen.
COVER: Arbeitshemmnis belegt.Abliterationsnutzen hier eine zu prüfende Möglichkeit.
Literatur & Gegenargumente
Einen eigenen Krimi redigieren, eine moralisch fragwürdige Figur analysieren oder eine kontroverse Position kritisch durchdenken.
Mehr Raum für Ambivalenz, unbequeme Perspektiven und den beabsichtigten Ton.
XSTest: Fehlablehnungen in sicheren Kontexten.Keine belegte allgemeine Steigerung der Schreibqualität.
Autorisierte IT-Abwehr
Eine verdächtige Nachricht oder einen Angriffsbericht auswerten und geeignete Schutzmaßnahmen erklären.
Sicherheitsbegriffe unterbrechen die defensive Analyse seltener, sofern die Variante den Auftrag besser erfüllt.
Defensive Refusal Bias: Ablehnungsproblem untersucht.Kein Abliterationsvergleich dieser Arbeit.
Offene Forschung
Original und modifizierte Variante kontrolliert vergleichen: Was verändert der Eingriff?
Ablehnung, Fähigkeiten und Nebenwirkungen lassen sich experimentell auseinanderhalten.
Arditi et al.: direkte Interventionsforschung.Erkenntnisgewinn, keine pauschale Alltagsüberlegenheit.
Warum das ein normales Arbeitsanliegen sein kann
Gegenstand und Absicht unterscheiden
Wer eine Drohung dokumentiert, spricht sie nicht aus. Wer einen extremistischen Text analysiert, wirbt nicht für ihn. Wer eine unsympathische Romanfigur schreibt, muss ihre Haltung nicht teilen. Der Auftrag liegt in der Verarbeitung und Einordnung des Materials.
Über den eigenen Text entscheiden
Bei legitimer Arbeit sollte der Nutzer über Ton, Detailgrad und Perspektive mitbestimmen können. Ungefragtes Glätten kann gerade die Merkmale beseitigen, die untersucht werden sollen. Der gewünschte Gewinn ist eine quellentreue Bearbeitung mit erkennbaren Grenzen.
Ein reales Hindernis lösen
Wenn das Original dieselbe Aufgabe bereits korrekt erledigt, entsteht durch Abliteration kein automatischer Zusatznutzen. Aufgabenabhängige Fehlablehnungen können außerdem trotz globaler Ablation bestehen bleiben. Entscheidend ist der Vergleich am eigenen Material.
Geschichtsforschung, Religionskritik, politische Gegenpositionen und düstere Literatur verlieren, wenn ein System heikle Wörter mit schädlichen Absichten verwechselt. Eine pauschale Ablehnung nimmt dem Nutzer die Möglichkeit, eine Antwort selbst zu prüfen.
Für ein freiheitliches Werkzeug spricht daher: nachvollziehbare Regeln, echte Wahlmöglichkeiten und möglichst wenig Eingriff in legitime Erkenntnisinteressen. Welche Meinung ein Unternehmen angenehm findet, ist kein überzeugender Maßstab für Wissen.
Wo Bevormundung beginnt
Hilfreich ist eine Trennung: „Ich weiß es nicht“ beschreibt eine Wissensgrenze. „Diese Voraussetzung ist falsch“ kann eine sachliche Korrektur sein. „Darüber spreche ich grundsätzlich nicht“ setzt eine inhaltliche Grenze. Wer alles als Zensur bezeichnet, verwischt genau die Unterschiede, über die sich streiten lohnt.
Unser Maßstab: Kann der Anbieter den konkreten Eingriff erklären? Ist er verhältnismäßig? Gibt es eine weniger einschränkende Antwort und eine erkennbare Korrekturmöglichkeit? Das ist eine normative Position, kein Benchmark-Ergebnis.
Eine notwendige Frage · in beide Richtungen
Wer trägt die Folgen meiner Freiheit?
Ebenso wichtig: Wer trägt die Folgen konzentrierter KI-Macht? Risiken entstehen auch durch Ausschluss, Abhängigkeit und die Prioritäten weniger Eigentümer. Diese zweite Seite behandeln wir ausführlich unter KI & Macht – einschließlich besonderer Forschungszugänge, Longevity und Abliteration als möglichem Gegenpol.
Ein privater Denkversuch und die massenhafte Veröffentlichung erfundener Behauptungen über andere Menschen haben unterschiedliche Folgen. Die Freiheit des Fragenden ist ein wichtiger Wert; die Interessen Betroffener gehören ebenfalls in die Abwägung.
Eine ernsthafte Begründung von Grenzen braucht ein konkretes Schadensszenario und Belege. Ebenso wenig genügt als Entwarnung, dass eine Information bereits irgendwo im Netz steht: Aufbereitung, Personalisierung und Skalierung können ihren praktischen Nutzen verändern.
Risiken fair vergleichen
Die Forschung zu offenen Modellen schlägt vor, das zusätzliche Risiko gegenüber vorhandenen Alternativen zu prüfen: Was wird einfacher, erfolgreicher oder billiger? Was können bestehende Schutzmaßnahmen auffangen? Unvollständige Evidenz belegt weder Harmlosigkeit noch automatisch eine Katastrophe. Positionspapier / Risikorahmen ↗
Das betrifft offene Modelle insgesamt. Wie viel gerade die Abliteration zusätzlich verändert, muss separat gemessen werden.
Drei Gedankenexperimente: Forschende, Nutzer, Betroffene
Das Archiv
Eine Historikerin analysiert propagandistische Texte. Die Anfrage ist unangenehm, ihr Zweck nachvollziehbar. Eine bessere Antwort ordnet Material ein und prüft Quellen. Eine pauschale Sperre kann Erkenntnis verhindern; ungeprüfte Wiedergabe kann sie ebenfalls verfehlen.
Prüffrage: Erkennt das Modell den analytischen Kontext?
Der Gegenredner
Ein Nutzer verlangt die stärksten Einwände gegen seine eigene politische Position. Er will Widerspruch. Mehr Antwortbereitschaft hilft nur, wenn das Modell Argumente fair wiedergibt und falsche Prämissen kritisiert, statt den gewünschten Ton mit Zustimmung zu verwechseln.
Prüffrage: Kann es frei antworten und trotzdem widersprechen?
Die unbeteiligte Person
Jemand lässt glaubwürdig klingende Vorwürfe über eine reale Person erfinden. Die Folgen treffen einen Dritten, der nie zugestimmt hat. Ein bloßer Hinweis auf die Selbstverantwortung des Nutzers beantwortet diesen Interessenkonflikt nicht.
Prüffrage: Wo endet der Denkraum, wo beginnt eine Handlung gegen andere?
Offene Forschung verteilt Kontrolle.
Zugängliche Gewichte ermöglichen Eingriffe, Gegenexperimente und unabhängige Kritik. Damit lässt sich untersuchen, ob ein Verhalten vom Wissen des Modells, seiner Anpassung oder einer Dienstregel abhängt. Offene Gewichte liefern jedoch nicht automatisch die Trainingsdaten und alle Voraussetzungen zur Reproduktion. Forschungsrahmen ↗
Offenheit beschreibt Zugang; Abliteration beschreibt eine Veränderung. Beides ist getrennt zu beurteilen.
Auch ein offenes Modell hat am API-Ende einen Hausherrn.
Bei einem Dienst bestimmen zusätzlich Anbieterregeln, Filter, Systemvorgaben und Kontozugang, was tatsächlich ankommt. Die Abliteration eines Modells garantiert weder einen ungefilterten Dienst noch vertrauliche Verarbeitung.
Für die Auswahl: genaue Modellvariante, Dienstregeln und Datenverarbeitung getrennt prüfen. Die bereits recherchierten Angebote stehen unter Online nutzen.
03
Technik verständlich
Was wird verändert?
Eine Richtung im inneren Rechenzustand.
Modellaktivierungen sind hochdimensionale Zahlenvektoren. In untersuchten Chatmodellen ließ sich eine Richtung finden, die Verweigerung wesentlich vermittelt. Entfernt man den Anteil entlang dieser Richtung, kann die Verweigerung sinken. Ein entsprechender Gewichte-Edit verankert den Eingriff im Modell. Arditi et al. ↗
Die Zeichnung zeigt dieses Projektionsprinzip in zwei Dimensionen. Sie ist eine Verständnishilfe; die Achsen sind keine realen Neuronen und der Schieber prognostiziert keine Antwortquote.
Die Formel, ohne Mystik
Für eine normierte Richtung r und Aktivierung h: h′ = h − α · (h · r) · r. Bei α = 1 verschwindet die Projektion auf r. Die Demo verwendet frei gewählte Koordinaten.
Aus der geometrisch einfachen Operation folgt keine Garantie, dass alle anderen Verhaltensweisen erhalten bleiben.
Eine Komponente herausnehmenSchema · frei gewählte Koordinaten · keine Messdaten
0 % · unverändert100 % · vollständig
Der eingezeichnete Anteil entlang r ist vollständig entfernt. Das ist keine Aussage über die Qualität einer Antwort.
Vier Begriffe, die häufig durcheinandergehen
Abliteration
Veränderung von Gewichten zur Schwächung von Verweigerung. Verfahren und Eingriffstiefe unterscheiden sich.
Activation Steering
Beeinflussung innerer Aktivierungen während der Ausführung; muss die gespeicherten Gewichte nicht verändern.
Fine-Tuning
Weitertraining anhand von Daten. Eine „uncensored“-Variante kann so entstanden sein, auch ohne Abliteration.
Prompt / Dienstfilter
Vorgaben oder Eingriffe außerhalb der Modellgewichte. Das sichtbare Verhalten eines Dienstes kann davon mitbestimmt sein.
04
Artikel · ergänzt am 26.10.2026
Angular Steering: Was im Modell gedreht wird.
Die Idee: Innere Rechenzustände gezielt anders ausrichten, um Verhalten zu beeinflussen. Gedreht wird ein Zahlenvektor im Aktivierungsraum. Ein besserer Winkel ist allerdings noch keine bessere Antwort.
Ein Rechenzustand mit Richtung.
Während ein Sprachmodell einen Text verarbeitet, entstehen Zwischenzustände aus vielen Zahlen: die Aktivierungen. Man kann sie als Pfeile in einem Raum mit sehr vielen Dimensionen auffassen. Die gespeicherten Gewichte bestimmen dagegen, wie diese Zustände weiterverarbeitet werden. Aktivierung und Gewicht sind also verschiedene Dinge.
Angular Steering verändert den Anteil einer Aktivierung in einer fest gewählten zweidimensionalen Ebene. Die Drehung erhält seine Länge; der Anteil außerhalb dieser Ebene bleibt unverändert. Die Ebene wird aus einer Verhaltensrichtung und deren Variation über Schichten bestimmt. Die adaptive Variante greift nur bei positiv zur Zielrichtung ausgerichteten Aktivierungen ein. Vu & Nguyen, §4 ↗
Hier wird ein innerer Zustand verändert. Externe Dienstfilter, Kontoregeln und Systemvorgaben sind damit nicht automatisch beseitigt.
Abschneiden und Drehen sind geometrisch verschieden.Eigenes Rechenbeispiel · frei gewählte Zahlen · keine Modellmessung
Die 90° beziehen sich hier auf die Richtung r: Das Ergebnis steht senkrecht dazu. Der ursprüngliche Pfeil wurde rechts nur um rund 53° gedreht. Ein pauschaler 90°-Drehbefehl würde etwas anderes bewirken.
Das Zahlenbeispiel und die Rolle der Normierung
Setzen wir im eigenen Schema h = (3, 4) und r = (0, 1). Der Pfeil hat die Länge √(3² + 4²) = 5. Die vollständige Projektion entfernt die vertikale Komponente: h′ = (3, 0), Länge 3. Eine Drehung bis zur horizontalen Lage liefert dagegen (5, 0), Länge 5. Das ist elementare Geometrie, kein errechneter Qualitätsgewinn.
Der Unterschied gilt vor einer zusätzlichen Normierung. Wird im Beispiel der projizierte Pfeil wieder auf Länge 5 skaliert, entsteht ebenfalls (5, 0). Längenerhaltung allein ist daher kein Alleinstellungsmerkmal gegenüber normierten Projektionsverfahren. Reale Netze skalieren Zwischenzustände auch wieder um; deshalb wäre „Projektion verliert Länge, also verliert das Modell Wissen“ ein Fehlschluss. Ebenso wenig garantiert eine erhaltene Länge erhaltene Fähigkeiten. Der Pfeil kann schließlich gleich lang in die falsche Richtung zeigen.
Die Skizze legt zur Anschauung den ganzen Pfeil in die gezeichnete Ebene. Sie bildet weder die Ebenenauswahl noch das Verhalten eines realen Modells nach.
Zwei Eingriffe, unterschiedliche Stellschrauben
Frage
Klassische Richtungsablation / Abliteration
Angular Steering
Was passiert?
Anteil entlang einer gefundenen Richtung abschwächen oder entfernen.
Aktivierungen in einer ausgewählten Ebene ausrichten.
Wo greift es ein?
Aktivierungen; bei einer entsprechenden Abliteration dauerhaft in Gewichten verankert.
Im untersuchten Verfahren während der Ausführung.
Was lässt sich wählen?
Richtung, Schichten und Eingriffsstärke; auch partielle Varianten möglich.
Zielwinkel; zusätzlich adaptive Auswahl der betroffenen Zustände.
Was ist damit bewiesen?
Zunächst nur eine Verhaltensänderung. Antwortqualität, Nebenwirkungen und Übertragbarkeit brauchen eigene Tests.
Grundlagen der Richtungsablation: Arditi et al. Die Tabelle beschreibt die Prinzipien; nicht jede veröffentlichte „uncensored“-Variante ist so entstanden.
Studie · NeurIPS 2025
Interessante Ergebnisse mit klarer Reichweite.
Vu und Nguyen untersuchten Llama-3-, Qwen-2.5- und Gemma-2-Modelle mit 3–14B Parametern. Neben Verweigerung prüften sie sechs verkleinerte Fähigkeitstests mit je 100 Beispielen. Viele Werte blieben stabil; Qwen2.5-3B zeigte in einem Winkelbereich Einbußen. Nichtadaptives Drehen konnte bei kleinen Modellen inkohärenten Text erzeugen. Die Ebenenauswahl bleibt eine methodische Grenze. Versuche und Einschränkungen ↗
Veröffentlicht bei NeurIPS 2025, hier neu erläutert am 26.10.2026. Keine von uns durchgeführte Replikation.
Eigene Einschätzung · neue Modelle
Spannend als einstellbarer Eingriff.
Für Dokumentanalyse, Literatur und Forschung wäre ein Verfahren nützlich, das unnötige Ablehnungen reduziert und gute Antworten erhält. Ein veränderbarer Eingriff erlaubt, diese beiden Ziele systematisch gegeneinander zu prüfen. Das ist eine Forschungschance, kein bereits gemessener Vorteil bei unseren aktuellen zehn Varianten.
Bei neuen großen MoE- und Reasoning-Modellen müsste sich erst zeigen, ob geeignete Richtungen und Ebenen ähnlich funktionieren – auch über lange Antworten, Sprachen und Aufgaben hinweg. Die geometrische Bedingung „positiv ausgerichtet“ versteht noch nicht den Auftrag. Sie erkennt nicht von selbst, ob gerade ein historisches Dokument analysiert wird.
Unser Maßstab: mehr brauchbare Ergebnisse bei nachvollziehbaren Nebenwirkungen. Eine niedrigere Ablehnungsquote allein erfüllt ihn nicht.
Die Abkürzung „DOD“ lässt sich anhand der geprüften Quellen nicht eindeutig zuordnen. Sie wird hier nicht als anderer Name für Angular Steering verwendet.
05
Benchmark-Einordnung · geprüft am 26.10.2026
Messbar sind Abliterationen. Vergleichbare Messungen fehlen oft.
Warum unsere AA-Spalte leer bleibt.
Für die zehn ausgewählten exakten Varianten haben wir keinen eigenen, gemeinsam vergleichbaren AA-Index oder Arena-Elo belegt. Eine Zahl des Ausgangsmodells würde eine Messung der veränderten Fassung vortäuschen. Daher entfallen diese Spalten.
Das bedeutet nicht, dass Abliterationen unmessbar wären oder sämtliche vorhandenen Zahlen unzuverlässig sind. Ein sauber dokumentierter MMLU- oder Mathematiktest ist durchaus informativ – für diese Aufgabe, Datei und Testbedingung. Solche Autorentests stehen bereits in unserer Auswahl. Unterschiedliche Tests ergeben zusammen noch keine Rangliste.
Geprüfte Vergleichsquelle: Artificial Analysis. Fehlender Nachweis ist weder ein Nullwert noch ein Urteil über die Leistungsfähigkeit.
Community-Rankings gibt es tatsächlich.
Der UGI Leaderboard erfasst auch abliterierte Modelle. Er unterscheidet unter anderem Wissen über sensible Themen, W/10 für Antwortbereitschaft und NatInt für allgemeinere Fähigkeiten. W/10 ist keine Schreibqualitätsnote.
Die Testfragen hält der Betreiber privat, um gezieltes Training auf den Test zu erschweren. Das begrenzt zugleich die unabhängige Nachprüfung. Community-Ergebnisse können Hinweise geben; sie sind kein AA-Wert und ohne Variantenprüfung kein Messwert unserer Downloadfassung.
Unser Vorschlag: vier getrennte Messgrößen statt einer erfundenen Gesamtnote
Was wollen wir wissen?
Geeigneter Baustein
Was würde veröffentlicht?
Bleiben Wissen und Schlussfolgern erhalten?
MMLU-Pro: anspruchsvollere Wissens- und Denkfragen. Aufgaben und Auswertung für beide Fassungen identisch.
Trefferquote und Differenz zum passenden Original; je Fachgebiet, mit Unsicherheit.
Sinken unnötige Ablehnungen?
XSTest und ergänzend OR-Bench. Harmlose Aufgaben und problematische Kontrastfragen getrennt auswerten.
Fehlablehnungsrate auf harmlosen Aufgaben. Verhalten bei Kontrastfragen separat, nicht als Qualitätsbonus.
Wird legitime Dokumentarbeit besser?
COVER als Bezugspunkt; zusätzlich ein vorab festgelegter deutscher Satz für Zusammenfassung, Übersetzung und Quellenanalyse.
Anteil brauchbarer, belegtreuer Antworten an allen Aufgaben; Auslassungen und erfundene Angaben gesondert.
Bleibt das Modell wahrheitsorientiert?
TruthfulQA plus eigene Kontrollfragen zu falschen Prämissen, Nichtwissen und erfundenen Quellen.
Wahrheit und Informationsgehalt getrennt; für eigene Kontrollfragen eine eigene Auswertung.
Vorschlag, noch nicht durchgeführt. Standardbenchmarks sind hier benannt, keine neuen Modellwerte behauptet. Eine deutsche Übersetzung oder ein eigener Aufgabensatz wäre eine gesonderte Testfassung; Ergebnisse wären nicht automatisch mit den offiziellen Werten vergleichbar.
Wie daraus ein fairer Vergleich wird
Passende Paare: Jede Abliteration gegen ihr konkretes Original testen. Revision, Präzision, Chatvorlage, Systemprompt, Denkmodus und Antwortbudget dokumentieren. Für die Wirkung des Eingriffs die Quantisierung möglichst konstant halten; eine praktische Bewertung der fertigen Downloads separat ausweisen. Für Angular Steering gehört auch die Steuerkonfiguration dazu.
Vorher festlegen: Aufgaben, Kennzahlen und Auswahlregeln einfrieren, bevor Ergebnisse sichtbar sind. Kalibrierungsbeispiele vom Testsatz trennen. Keine nachträgliche Auswahl des besten Winkels anhand genau jener Aufgaben, auf denen anschließend Überlegenheit behauptet wird. Öffentliche Tests können aus Trainingsdaten bekannt sein; neue, zurückgehaltene Aufgaben ergänzen sie.
Antworten prüfen: Mehrere verdeckt bewertende Menschen beurteilen Dokumentaufgaben anhand derselben Kriterien. Ein KI-Bewerter kann helfen, sollte aber durch menschliche Stichproben kontrolliert werden. Fehler, Abbrüche und Leerantworten mitberichten. Wiederholte Ausgaben derselben Frage nicht als unabhängige neue Aufgaben zählen; Unsicherheitsintervalle auf Aufgabenebene berechnen.
Nachvollziehbar veröffentlichen: Protokoll, zulässig teilbare Aufgaben und Antworten, Auswertungsversion sowie Grenzen offenlegen. Das LM Evaluation Harness kann standardisierte Teile ausführen; es liefert nicht von selbst einen AA-Index. Ein kleiner Pilot mit wenigen Modellpaaren prüft zunächst das Verfahren und ergibt noch keine allgemeine Topliste.
Eine besonders nützliche Zahl wäre: Wie viele zusätzliche legitime Aufgaben werden nach dem Eingriff korrekt und hilfreich erledigt? Daneben muss sichtbar bleiben, wo Qualität verloren geht. Beides in einer einzigen „Freiheitsnote“ zu verrechnen wäre bequem – und ziemlich leicht irreführend.
06
Belegt, begrenzt, offen
Was die Forschung tatsächlich hergibt.
Grundlagen · 2024
Ein wirksamer Hebel ist noch kein isoliertes Bauteil.
Die Grundlagenarbeit untersuchte 13 Chatmodelle bis 72B. Viele Fähigkeitstests änderten sich wenig; TruthfulQA verschlechterte sich jedoch durchgängig. Ein weitgehend stabiler Durchschnitt belegt also nicht, dass jede wichtige Eigenschaft erhalten bleibt. Arditi et al., Anhang G ↗
Erweiterung · 2026
Die innere Struktur ist komplexer.
Joad et al. finden unterschiedliche Verweigerungsrichtungen, die bei linearen Eingriffen ähnliche Verhaltensänderungen auslösen. Untersucht wurden drei Instruct-Modelle mit 7–9B Parametern; daraus folgt kein universelles Gesetz für alle Modelle. EMNLP-Manuskript v2 ↗
Und bei Reasoning-Modellen?
Eine Workshop-Arbeit an DeepSeek-R1-Distill-LLaMA-8B zeigt: Auch der erzeugte Denkverlauf kann Verweigerung beeinflussen. Das begrenzt die Übertragung einfacher Richtungsmodelle. Die Studie untersucht Aktivierungssteuerung; sie bewertet nicht jede veröffentlichte Abliteration. Yang et al. ↗
Nebenwirkung jenseits der VerweigerungMehr Aufwärtsprognosen nach Abliteration · Prozentpunkte
Punkte: berichtete Differenz. Linien: 95%-Bootstrap-Intervalle, nach Wochen geclustert. Eigene Darstellung nach Fafuła, Abschnitt 4.1.
Preprint · enger Versuchsrahmen
Kein allgemeiner „Optimismus-Effekt“ bewiesen.
21.600 Entscheidungen zu 60 Aktien über 18 Wochen, je fünf Ausgaben pro Fall und Modell. Bereits die Originale verweigerten hier keine Antwort. Trotzdem veränderten sich die Prognosen.
Grenzen: zwei Modellfamilien, ein Abliterationsautor, eine Aufgabe; keine von uns geprüfte unabhängige Replikation. Der Autor legt Abweichungen vom Analyseplan offen. Diese Werte messen weder allgemeine Intelligenz noch bessere Prognosequalität. Studie ↗
Antwortfreiheit und Antwortqualität getrennt denken.
Vier mögliche ErgebnisseBegriffsbild für eine legitime Anfrage · keine gemessene Verteilung
Antwortet · tragfähigErkenntnisgewinn
Die Antwort hilft und hält einer Prüfung stand.
Antwortet · unzuverlässigRedefrei, aber falsch
Die Hürde fällt. Der Irrtum bleibt.
Verweigert · könnte helfenUnnötige Blockade
Eine legitime Frage bleibt unbeantwortet.
Kann es nicht verlässlich beantwortenEhrliche Grenze
Nachfragen oder Nichtwissen können sinnvoll sein.
Ziel: mehr tragfähige Antworten. Eine sinkende Ablehnungsrate allein zeigt nicht, welches Feld wächst.
Fünf relevante Abwägungen
Erkenntnis
Mehr Raum für kontroverse Fragen ↔ mehr zu prüfende, womöglich falsche Antworten.
Kreativität
Weniger unnötige Eingriffe in Fiktion ↔ keine automatische Verbesserung von Stil oder Kohärenz.
Unabhängigkeit
Alternative Modellregeln ↔ neue Abhängigkeit von Autoren, Dokumentation und Dienstanbietern.
Forschung
Gezielte Gegenexperimente ↔ zusätzliche Veränderungen können die Ursache eines Effekts verschleiern.
Missbrauch
Mehr Kontrolle für legitime Nutzer ↔ dieselbe Antwortbereitschaft steht auch anderen Absichten zur Verfügung.
Drei verführerische Kurzschlüsse
„Unzensiert heißt neutral.“
Abliteration löscht weder Trainingsdaten noch sämtliche erlernten Wertungen. Auch die Auswahl der Eingriffsbeispiele setzt Schwerpunkte. Neutralität müsste man für konkrete Themen, Sprachen und Perspektiven untersuchen.
„Weniger Nein heißt mehr Wahrheit.“
Antwortbereitschaft und Richtigkeit messen unterschiedliche Dinge. Eine falsche Prämisse zurückzuweisen kann hilfreich sein. Wer Zustimmung belohnt, kann eine gefällige Antwort mit Erkenntnis verwechseln.
„Ein Chatmodell ist ein sicherer Agent.“
Texte zu erzeugen und eigenständig E-Mails zu verschicken oder Daten zu ändern sind verschiedene Fähigkeiten. Abliteration beantwortet nicht, welche Handlungsrechte eine Anwendung erhalten sollte. Für Aktionen bleiben begrenzte Rechte und überprüfbare Freigaben sinnvoll.
08
Gestaltungsoptionen
Freiheit lässt sich an mehreren Stellen stärken.
Kontext besser verstehen.
Ein Ziel wäre, Analyse, Zitat, Fiktion und konkrete Handlungsanleitung genauer auseinanderzuhalten. Kontextklärung und gezielte Anpassung sind dafür zu prüfende Wege. Abliteration ist eine weitere Option, deren breite Wirkung anschließend gemessen werden muss.
Dass unnötige Ablehnungen ein prüfbares Problem sind, zeigt XSTest: 250 harmlose Fragen plus 200 problematische Kontrastfragen. Beide Seiten gehören zur Bewertung. OR-Bench ergänzt einen wesentlich größeren Testbestand.
Ein Benchmark entscheidet nicht abschließend, welche gesellschaftliche Grenze richtig ist.
Regeln sichtbar und verhandelbar machen.
Collective Constitutional AI erprobt öffentlich mitgestaltete Prinzipien als Grundlage der Modellanpassung. Das eröffnet einen Weg, die Entscheidung über Verhalten breiter zu verteilen. Die Arbeit entstand mit Anbieterbeteiligung und ist keine Abliterationsstudie.
Offen bleibt: Wer wird beteiligt, wessen Stimmen fehlen, wie werden Konflikte entschieden? Öffentliche Mitsprache und individuelle Wahlfreiheit ergänzen sich, lösen aber nicht dieselbe Aufgabe.
Unsere Position: Grenzen sollten begründet, sichtbar und kritisierbar sein. Offene Forschung und Wahlmöglichkeiten helfen dabei. Eine veränderte Verweigerungsrichtung ersetzt diese Debatte nicht.
09
Fünf nächste Untersuchungen · Vorschläge, noch nicht durchgeführt
Was wir als Nächstes herausfinden könnten.
01 Wo befreit Abliteration tatsächlich legitime Fragen?Nutzen statt bloßer Antwortquote
Versuch: Original und Variante erhalten identische harmlose Fragen aus Geschichte, Literatur, Politik und mehrdeutiger Alltagssprache. Menschliche Prüfer bewerten verdeckt: beantwortet, sachlich richtig, hilfreich, unnötig abgelehnt.
Erkenntnis: Gewonnene brauchbare Antworten getrennt von neu erzeugten Fehlern zählen. Vorher festgelegte Kriterien und mehrere Beurteiler verhindern, dass die bevorzugte Variante automatisch gewinnt.
02 Kann das Modell frei antworten und ehrlich widersprechen?Falsche Prämissen & Nichtwissen
Versuch: Fragen mit erfundenen Quellen, widersprüchlichen Angaben und absichtlich falschen Annahmen mit Kontrollfragen mischen. Zusätzlich dieselbe Frage neutral und mit nachdrücklicher Erwartung formulieren.
Erkenntnis: Erfundene Belege, berechtigte Rückfragen und sachlichen Widerspruch getrennt erfassen. Ein selbstsicherer Ton ist noch keine gut kalibrierte Sicherheit.
03 Wessen Perspektiven werden freier?Sprachen, Themen & politische Symmetrie
Versuch: Inhaltlich vergleichbare Fragen auf Deutsch und Englisch; politische Positionen systematisch vertauschen. Gefordert sind jeweils die stärksten Argumente und Gegenargumente, mit überprüfbaren Fakten.
Erkenntnis: Ablehnungen, Ton und Belegqualität je Kategorie berichten. Übersetzung, kultureller Kontext und strittige Bewertungsmaßstäbe bleiben Unsicherheiten. Weniger Ablehnung einer Richtung belegt noch keine allgemeine Neutralität.
04 Bleiben Nebenwirkungen über Modellfamilien hinweg bestehen?Replikation statt Generalisierung
Versuch: Den gleichen vorher festgelegten Test in mehreren Original-/Variantenpaaren wiederholen. Aufgaben mit und ohne erwartbare Verweigerungen einsetzen. Antwortlänge, Richtigkeit, Unsicherheit und Stabilität getrennt auswerten.
Erkenntnis: Exakte Revision, Präzision, Chatvorlage und Einstellungen festhalten. Unterschiede im gesamten Paket nicht vorschnell dem Gewichte-Edit zuschreiben. Wiederholte Ausgaben derselben Frage sind keine unabhängigen neuen Aufgaben.
05 Wie viel Freiheit kommt beim Online-Dienst an?Modellverhalten & Anbieterregeln
Versuch: Einen kleinen erlaubten, harmlosen Fragensatz bei nachvollziehbar identischen Modellversionen vergleichen. Dokumentierte Filter, Systemvorgaben, Fehler und Ablehnungen festhalten; keine Umgehung von Zugangsregeln.
Erkenntnis: Ohne belegte Revision bleibt die Ursache eines Unterschieds offen. Ein Katalogname reicht nicht. Auch Speicherung und Weitergabe von Eingaben sind unabhängig vom Antwortstil zu prüfen.
Ein belastbarer Vergleich braucht feste Kriterien, identische Bedingungen, wiederholte Ausgaben und Unsicherheitsangaben. Ergebnisse der Originale dürfen nicht als Messwerte ihrer Abliterationen erscheinen.
10
Nachvollziehbar weiterlesen
Quellen & Einordnung.
Grundlagen geprüft am 05.10.2026; Angular-Steering-Artikel und Benchmark-Einordnung ergänzt und geprüft am 26.10.2026. Der neue Artikel enthält keine eigenen Modelltests. Primärquellen; Publikationsstatus und Grenzen stehen jeweils dabei. Die Auswahl ist keine systematische Literaturübersicht. Grafiken: eigenes Schema, eigenes Begriffsbild sowie neu gezeichnete Studienwerte. Gedankenexperimente und Wertungen sind als eigene Einordnung gekennzeichnet.
Refusal in Language Models Is Mediated by a Single Direction ↗Arditi et al. · 2024-10-30 · NeurIPS 2024 · Manuskript v3Abschnitte 3–4; Anhang G, Tabelle 8. Mechanik, 13 Chatmodelle bis 72B; Fähigkeiten nicht pauschal unverändert, TruthfulQA als Gegenbeispiel.
There Is More to Refusal in Large Language Models than a Single Direction ↗Joad et al. · 2026-09-15 · v2 · laut Autoren für EMNLP 2026 angenommenAbschnitte 3, 4 und Limitations. Geometrisch verschiedene Richtungen, gemeinsamer Verhaltensregler; drei Instruct-Modelle mit 7–9B, keine universelle Aussage.
Beyond a Single Direction: Chain-of-Thought Disrupts Simple Steering of Refusal ↗Yang et al. · 2026-05-26 · v1 · ICML 2026 Workshop on Mechanistic InterpretabilityAbstract; DeepSeek-R1-Distill-LLaMA-8B. Reasoning-Verlauf beeinflusst Verweigerung; Aktivierungssteuerung ist nicht dasselbe wie ein veröffentlichter Gewichte-Edit.
Abliteration Is Not a Scalpel ↗Fafuła · 2026-07-19 · Preprint v1 · keine unabhängige Replikation hier geprüftAbschnitte 3.2–3.5, 4.1 und 5.5. 21.600 Entscheidungen, zwei konkrete Modellpaare; Änderung der Aufwärtsprognosen, 95%-Intervalle; begrenzte Übertragbarkeit, offengelegte Abweichungen vom Analyseplan.
On the Societal Impact of Open Foundation Models ↗Kapoor et al. · Projektseite der Autoren · 2024 · ICML 2024 · Positionspapier, kein AbliterationsversuchBenefits; Framework for Analyzing the Marginal Risk. Verteilte Entscheidungsmacht und überprüfbare Forschung; Zusatzrisiko gegenüber Alternativen, Grenzen bloß offener Gewichte.
Collective Constitutional AI: Aligning a Language Model with Public Input ↗Huang et al. · 2024-06-12 · ACM FAccT 2024 · Manuskript v1, Forschung mit AnbieterbeteiligungAbstract und öffentlich beteiligter Entwurfsprozess. Öffentliche Beteiligung an Modellregeln als erforschte Alternative; kein Nachweis universeller demokratischer Legitimation.
COVER: Context-Driven Over-Refusal Verification in LLMs ↗Sullutrone et al. · 2025 · Findings of ACL 2025 · kein AbliterationsvergleichAufgaben und Auswertung. Mitgelieferte Texte können unnötige Ablehnungen bei Übersetzung, Zusammenfassung und dokumentgestützten Antworten auslösen.
Defensive Refusal Bias: How Safety Alignment Fails Cyber Defenders ↗Campbell et al. · 2026-03-11 · Preprint v2 · kein AbliterationsvergleichAutorisierte defensive IT-Aufgaben. Ablehnungsverhalten in defensiven IT-Kontexten; keine daraus abgeleitete Leistungssteigerung durch Abliteration.
Over-Refusal and Representation Subspaces ↗Maskey et al. · 2026-09-01 · Preprint v4 · Hauptanalyse an Llama-3.1-8B; geometrische Replikation an zwei weiteren Modellen§4.4–4.5; Anhang A.4. Globale Richtungsablation behebt aufgabenabhängige Fehlablehnungen nicht verlässlich vollständig; Stärke des Befunds modellabhängig.
Angular Steering: Behavior Control via Rotation in Activation Space ↗Minh Hieu Vu und Tan M. Nguyen · 2025-10-30 · NeurIPS 2025 · Volltext v1, geprüft am 26.10.2026§4.2, 4.5–4.6, 6–7. Feste Steuerungsebene, normerhaltende Rotation, adaptive Auswahl. Tests an 3–14B-Modellen; begrenzte Übertragbarkeit und dokumentierte Nebenwirkungen.
Angular Steering · offizieller Konferenzbeitrag ↗Vu und Nguyen · 2025 · NeurIPS 2025 Main Conference · geprüft am 26.10.2026Konferenzmetadaten. Publikationsstatus; kein neues Verfahren vom Oktober 2026.
Artificial Analysis · Modellrangliste ↗Artificial Analysis · Abruf 26.10.2026 · Laufend veränderliche Primärquelle des BenchmarkbetreibersRangliste und exakte Modellzuordnung. Kein eigener AA-Nachweis für die zehn im Projekt ausgewählten Abliterationen. Keine universelle Behauptung, dass Abliterationen niemals gemessen würden.
UGI Leaderboard · Methodenbeschreibung im Quelltext ↗DontPlanToEnd · Repository-Stand 17.10.2026 · Community-Benchmark · Revision 91957a6 · geprüft am 26.10.2026Methodenhinweise, u. a. private Testfragen und UGI/Willingness/NatInt. Community-Ranking existiert. W/10 bedeutet Willingness, nicht Schreibqualität. Private Fragen erschweren unabhängige Reproduktion; das allein widerlegt die Messung nicht.
UGI Leaderboard · geprüfte Ergebnisdatei ↗DontPlanToEnd · Repository-Stand 17.10.2026 · 1.329 Zeilen · Revision 91957a6 · individuelle Testdaten in der CSVModellnamen und Modelllinks. Keine eindeutige Repository-Zuordnung zu den zehn derzeit ausgewählten Abliterationen im Abruf. Keine Übernahme von Werten ähnlich benannter Modelle.
MMLU-Pro ↗Wang et al. / TIGER-AI-Lab · 2024 · Repository abgerufen 26.10.2026 · NeurIPS 2024 · PrimärrepositoryIntroduction und Evaluation. Wissens- und Schlussfolgerungstest als vorgeschlagener Fähigkeitsbaustein. Keine neue Ausführung oder neue Modellwerte.
TruthfulQA: Measuring How Models Imitate Human Falsehoods ↗Lin et al. · 2022 · Repository abgerufen 26.10.2026 · PrimärrepositoryBenchmark und Auswertung. Wahrheitsorientierung als gesonderte Messdimension; keine pauschale Wahrheitsgarantie.
Language Model Evaluation Harness ↗EleutherAI und Mitwirkende · Abruf 26.10.2026 · Primärrepository · gelesen, nicht installiert oder ausgeführtREADME, Tasks und Evaluation. Werkzeug für standardisierte Evaluierungen; weder selbst ein AA-Index noch eine vorhandene Abliterationsrangliste.
