Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Analyses Pépites open source

Modèles ouverts non censurés en 2026 : abliterés, réentraînés ou pilotables, et ce que coûte chaque option

Par ReviewRamble editors ·

Un modèle ouvert qui ne refuse jamais n'est pas plus capable que celui dont il est issu. Il a perdu un réflexe appris et, avec lui, le seul contrôle de sécurité livré à l'intérieur des poids. En 2026, trois façons d'y parvenir sont largement répandues : modifier les poids pour supprimer les refus, réentraîner sur des données dont les refus ont été retirés, et entraîner un modèle à suivre la politique que fixe son prompt système. Elles coûtent des montants différents, cassent des choses différentes et vous laissent la même tâche : décider où se trouvent désormais les contrôles.

Ce guide s'adresse à ceux qui choisissent un modèle à exécuter, pas à ceux qui en modifient un. Chaque chiffre ci-dessous provient d'un article, d'une fiche de modèle ou d'un compte rendu de recherche, en lien là où il apparaît ; nous n'avons pas exécuté ces modèles nous-mêmes. Si vous avez déjà choisi un modèle et qu'il vous faut le filtre qui remplace ses refus, notre guide des garde-fous pour les apps et agents d'IA traite cette partie.

Pourquoi on veut des modèles qui ne refusent pas

Les modèles de chat grand public sont entraînés à décliner des catégories entières de demandes, et cet entraînement est grossier. Un modèle qui refuse d'expliquer le fonctionnement d'un e-mail de phishing pourrait généralement l'expliquer ; le refus est un comportement, pas une compétence manquante. Cette grossièreté pèse sur un travail légitime : équipes de sécurité qui analysent du code d'exploit, romanciers qui écrivent la violence, cliniciens et enseignants qui parlent de surdoses, chercheurs qui étudient l'alignement lui-même, et quiconque fait tourner en local un modèle de jeu de rôle comme Cydonia 24B ou Rocinante X 12B, tous deux non censurés par conception.

Capture d’écran du site de Cydonia 24B v4.3
Cydonia 24B v4.3, site officiel

La demande n'est pas marginale. Une étude évaluée par les pairs parue dans Future Internet en octobre 2025 a suivi 8,608 dépôts de modèles modifiés et constaté que, sur ses prompts dangereux, les modèles non modifiés obtempéraient dans 19.2% des cas et les modèles modifiés dans 80.0%. Plus de la moitié de ces modèles étaient des fichiers GGUF, le format utilisé pour exécuter des modèles en local. ThreatDown a compté 6,644 modèles distincts sur Hugging Face présentés comme abliterated, uncensored, decensored, heretic ou unfiltered, téléchargés plus de 22 millions de fois sur les 30 jours précédant le 4 juillet 2026. Ces étiquettes sont celles des éditeurs eux-mêmes ; ThreatDown n'a pas vérifié ce que font réellement les modèles.

Trois façons de supprimer les refus

L'abliteration : modifier les poids

En 2024, Arditi et ses collègues ont montré que le refus, dans 13 modèles de chat ouverts allant jusqu'à 72B paramètres, suit une seule direction à l'intérieur du modèle. Retirez cette direction et le modèle cesse de refuser les demandes nuisibles ; ajoutez-la et il refuse les demandes inoffensives. L'abliteration inscrit ce retrait dans les poids. Elle ne demande aucun réentraînement, d'où son essor : le tutoriel de 2024 de Maxime Labonne en a fait une recette, et l'outil open source Heretic, sorti en novembre 2025, a automatisé la recherche des réglages. Son README indique qu'un modèle de 4B demande 30 à 40 minutes sur une RTX 3090, et que la communauté a publié des milliers de modèles créés avec lui.

Les gros modèles coûtent plus cher, mais pas beaucoup plus. Le Frontier Red Team d'Anthropic a indiqué que l'abliteration de GLM-5.3, un modèle ouvert de 753B paramètres, a demandé à son équipe inexpérimentée environ 2,200 heures de GPU, soit à peu près $4,400, et a estimé qu'une équipe expérimentée aurait besoin d'environ 600 heures ($1,200). Des développeurs ont publié des copies abliterées de GLM-5.3 quelques jours après sa sortie. Gardez à l'esprit qu'il s'agit de l'analyse d'un laboratoire sur le modèle d'un concurrent.

Capture d’écran du site de GLM-5.3
GLM-5.3, site officiel

Les fine-tunes sans refus : réentraîner le comportement

La voie la plus ancienne consiste à faire un fine-tuning sur des données dont on a filtré les refus et les leçons de morale. La série Dolphin d'Eric Hartford est la plus connue. Dolphin 3.0 R1 Mistral 24B a été entraîné pendant trois époques sur 800,000 traces de raisonnement, et sa fiche vous demande de définir vous-même le prompt système pour fixer le ton et les consignes. L'avertissement sans détour souvent attribué à Dolphin 3 vient de la fiche de Dolphin 2.9 : le modèle "se pliera très largement à toute demande, même contraire à l'éthique", et vous devriez mettre en place votre propre couche d'alignement avant de l'exposer comme service. Ce conseil vaut pour chaque modèle de ce guide. Le fine-tuning prend plus de temps qu'une modification, mais le comportement est appris plutôt que découpé.

Les modèles pilotables : la politique se trouve dans le prompt

Hermes 4, de Nous Research, suit une troisième voie. Il est entraîné à suivre la politique que fixe le prompt système, si bien qu'il peut refuser selon vos règles plutôt que celles du laboratoire. La famille va d'un modèle de 14B sur Qwen3 (Apache 2.0) à Hermes 4.3 36B sur Seed-OSS de ByteDance (Apache 2.0), en passant par des modèles de 70B et 405B sur Llama 3.1 (licence Llama). Le rapport technique de Hermes 4 l'évalue sur RefusalBench, le jeu de 166 prompts propre à Nous que les modèles de pointe ont tendance à refuser, noté par Claude Sonnet 4. Trois catégories sont notées à l'envers : y refuser compte comme une bonne réponse. La fiche de Nous pour Hermes 4.3 36B indique qu'il répond à 74.6% du jeu, contre 51.3% pour Grok 4. Le benchmark appartient à l'éditeur lui-même, prenez donc ces chiffres comme une tendance, pas comme une preuve.

La contrepartie : votre politique n'est solide que dans la mesure des instructions que vous écrivez, et les longues conversations éloignent ces instructions de la fin du contexte.

Ce que cela coûte au modèle

Chaque méthode abîme quelque chose, et les dégâts se mesurent. La comparaison la plus nette est le tableau que Heretic a publié pour Gemma 3 12B dans une version antérieure de son README. Il compte les refus sur 100 prompts nuisibles et, sur des prompts inoffensifs, la divergence KL : l'écart entre les réponses du modèle modifié et celles de l'original, où plus bas vaut mieux.

Build de Gemma 3 12BRefus sur 100Dérive sur prompts inoffensifs (KL)
Original970
Labonne abliteration v231.04
huihui-ai abliteration30.45
Heretic30.16

Les trois suppriment les refus aussi bien les uns que les autres ; ils diffèrent d'un facteur six en effets collatéraux. Le tutoriel de Labonne lui-même a constaté que son modèle abliteré obtenait de moins bons scores sur tous les benchmarks jusqu'à ce qu'une nouvelle passe d'entraînement DPO récupère l'essentiel de la perte, sauf sur les mathématiques de GSM8K. Anthropic a constaté que GLM-5.3 abliteré égalait l'original sur GPQA-Diamond mais obtenait quelques pour cent de moins sur CyberGym. La tendance : les connaissances survivent pour l'essentiel, et la façon dont le modèle les utilise se déplace d'une manière qu'un seul score en vitrine peut masquer.

Pour tout build que vous envisagez, vérifiez deux choses sur la fiche. D'abord, si ses chiffres de benchmark ont été mesurés sur les poids modifiés ou recopiés depuis la fiche du modèle de base. Ensuite, s'il publie seulement des nombres de refus et une mesure de dérive. Sinon, vous devrez les mesurer vous-même (voir les vérifications à la fin).

Appels d'outils et chaîne d'approvisionnement

Supprimer les refus n'apporte rien à la sortie structurée. Un modèle abliteré conserve au mieux la capacité d'appel d'outils du modèle de base, et le template de service peut encore la casser : le paquet Dolphin 3 d'Ollama annonçait l'appel de fonctions, mais son template ne prenait pas en charge les outils, et le ticket a été fermé en octobre 2026 sans correctif. Testez exactement le build, la quantification et le template que vous allez servir, pas la réputation du modèle de base.

Le risque le plus grand, c'est ce qu'un modèle modifié transporte d'autre. ProjectDiscovery a montré à quel point il est peu coûteux de glisser une porte dérobée dans des poids ouverts. L'équipe a fait un fine-tuning de Qwen2.5-7B-Instruct sur 500 exemples sains et 125 empoisonnés, avec un seul GPU de 24 GB pour moins de $50. Le modèle s'est comporté normalement dans tous les tests sains et, sur un déclencheur caché, a envoyé un appel d'outil qui transmettait les fichiers .env du développeur à un serveur extérieur. Leur démonstration était un fine-tune et non une abliteration, et ils expliquent clairement pourquoi les modèles abliterés sont le vecteur évident : on les télécharge précisément pour les faire tourner sans contrôles, et un build abliteré de Qwen3 a dépassé deux millions de téléchargements en un mois.

Traitez donc un modèle modifié comme du code non fiable, avec le même risque pour la chaîne d'approvisionnement qu'un paquet inconnu. Préférez les éditeurs qui documentent ce qu'ils ont changé. Figez la révision exacte que vous avez testée. Et ne donnez jamais à un modèle non inspecté un shell, des identifiants ou un accès réseau ouvert : exécutez ses outils dans un sandbox, séparez l'accès réseau de l'exécution de commandes, et journalisez ce qui franchit l'une ou l'autre de ces frontières. Notre guide pour sécuriser les agents de code et notre article sur qui approuve les actions des agents traitent de ces contrôles.

Là où les refus reviennent

La suppression des refus n'est ni permanente ni complète.

  • La quantification change le fichier que vous avez testé. Arrondir les poids à 4 bits (quantification) arrondit aussi ceux qui ont été modifiés, si bien qu'un nombre de refus publié pour le build en pleine précision peut ne pas valoir pour le GGUF que vous téléchargez. Mesurez le fichier que vous allez réellement exécuter.
  • Les tests courts ne prouvent pas grand-chose. Vingt prompts rapides ne disent rien du comportement au cœur d'une longue session d'agent, où les tergiversations peuvent revenir et où la politique d'un modèle pilotable se trouve des milliers de tokens en arrière. Testez à la longueur que vous utiliserez.
  • Les fusions et les fine-tunes ultérieurs le modifient encore. Un build obtenu en empilant la modification de quelqu'un sur le fine-tune d'un autre hérite d'un comportement que personne n'a mesuré dans son ensemble.

Les créateurs de modèles ripostent aussi. Un article de 2025 a entraîné des modèles à s'expliquer longuement avant de refuser, ce qui répartit le refus sur de nombreux tokens ; l'abliteration n'a alors réduit les refus que de 10% au plus, contre 70 à 80% pour des modèles ordinaires, mais seuls de petits modèles ont été testés. Les travaux Deep Ignorance d'EleutherAI remontent plus loin : filtrer les contenus liés aux menaces biologiques hors du pré-entraînement a produit des modèles de 6.9B qui ont résisté à des attaques par fine-tuning allant jusqu'à 300 millions de tokens. Un modèle qui n'a jamais appris quelque chose ne peut pas être modifié pour le savoir, mais il peut quand même utiliser la même information si vous la lui fournissez dans le prompt, c'est pourquoi les auteurs plaident pour une défense en profondeur.

Le point pratique pour l'acheteur : un modèle abliteré ne peut faire que ce que sa base savait déjà faire. Lisez dans la fiche du modèle de base ce qui a été filtré de ses données d'entraînement, comme vous liriez les réserves sur ses benchmarks.

Une sélection par mémoire GPU

La mémoire nécessaire correspond aux poids, plus le KV cache pour votre contexte, plus un ou deux gigaoctets de surcharge de l'environnement d'exécution. Les chiffres concernent des builds en 4 bits, tirés de nos tests et des fiches de modèles ; vérifiez le fichier exact avant d'acheter du matériel. Notre calculateur de GPU ajoute la longueur de contexte pour vous.

Mémoire GPUBase ou buildVoieRemarques
8 GBDolphin 3 8BFine-tune4.9 GB dans Ollama, contexte de 128K ; son template Ollama ne prend pas en charge les outils
16 GBRocinante X 12BFine-tuneJeu de rôle et fiction ; tient largement sous 16 GB en 4 bits
16 à 24 GBGemma 4 26B A4BAbliteration (builds de la communauté)La base pèse 14.4 GB en 4 bits, tient sur une carte de 24 GB, Apache 2.0 ; les GGUF abliterés et Heretic de Gemma 4 figurent parmi les plus téléchargés sur Hugging Face
24 GBQwen 3.8 27BAbliteration (build de huihui-ai)La base pèse 16.5 GB en 4 bits ; le build abliteré est sous Apache 2.0, modifie les couches 18 à 51, et son auteur le qualifie de preuve de concept non destinée à la production
24 GBCydonia 24B ou Dolphin 3.0 R1 Mistral 24BFine-tuneCydonia tourne en Q5 à Q6 sur 24 GB, en Q4 sur 16 GB ; le build Ollama de Dolphin R1 pèse 13 GB et sa fiche ne déclare aucune licence
24 GBHermes 4.3 36BPilotableLe GGUF Q4_K_M de Nous pèse 21.8 GB, le Q3_K_M 17.6 GB ; Apache 2.0 ; le choix quand vous voulez que le modèle refuse selon vos règles écrites
Centre de donnéesGLM-5.3Abliteration (builds de la communauté)Environ 753 GB de poids en FP8, plus qu'un nœud de 8 GPU de 80 GB ; le cas étudié par Anthropic
Capture d’écran du site de Rocinante X 12B
Rocinante X 12B, site officiel

Les licences varient selon le build. La licence Apache 2.0 d'un modèle de base ne vous dit rien des conditions de la modification faite par quelqu'un d'autre, et plusieurs fine-tunes populaires ne déclarent aucune licence. Lisez le fichier de licence du dépôt depuis lequel vous téléchargez.

Comment choisir

  • Il vous faut des appels d'outils fiables. Commencez par un modèle pilotable ou un fine-tune bien documenté, en 4 bits ou plus, et testez le schéma sur vos propres outils. Considérez les builds abliterés comme expérimentaux pour les agents tant qu'ils n'ont pas passé ce test.
  • Vous voulez que le modèle suive vos règles, pas aucune. Hermes 4 avec une politique explicite dans le prompt système, plus un filtre séparé pour tout ce qui ne doit jamais arriver.
  • Vous voulez un maximum d'ouverture sur une seule machine pour le code ou la vision. Un Qwen 3.8 27B abliteré sur une carte de 24 GB, en prenant au pied de la lettre l'avertissement de son auteur sur la production.
  • Fiction et jeu de rôle sur une petite carte. Rocinante X 12B ou Cydonia 24B, conçus pour cela.
Capture d’écran du site de Qwen3.8-27B
Qwen3.8-27B, site officiel

Quel que soit votre choix, faites trois vérifications à la longueur de contexte que vous utiliserez vraiment, pas sur une démo de deux lignes :

  1. Refus. Lancez 20 à 50 prompts tirés de votre charge de travail réelle, y compris les cas limites qui faisaient refuser les modèles alignés, et comptez les refus et les non-réponses évasives.
  2. Outils. Lancez 50 à 100 tâches multi-tours d'appels d'outils et de sortie structurée, et comptez les erreurs de schéma et les outils omis.
  3. Dérive. Passez les mêmes prompts dans le build et dans son modèle de base avec la même graine et un décodage glouton, et comparez les réponses côte à côte. Quand une fiche ne publie pas de divergence KL, c'est ce qui la remplace.

Placez ensuite la couche de sécurité que le modèle n'a plus là où elle doit être : un classifieur comme Qwen3Guard ou Llama Guard 4 sur les entrées et les sorties, des permissions d'outils strictes et des journaux. Le guide des garde-fous les passe en revue un par un.

Capture d’écran du site de Qwen3Guard
Qwen3Guard, site officiel

Le hic : l'étiquette sur la fiche du modèle est la seule description dont disposent la plupart de ces builds. "Uncensored" peut désigner une modification soignée avec des chiffres de dérive publiés ou un travail de deux heures avec des benchmarks recopiés et sans licence, et de l'extérieur les deux se ressemblent jusqu'à ce que vous les testiez.

Notre avis : supprimer les refus, c'est comme retirer le protège-lame d'une scie. Cela rend possibles certaines coupes qui ne l'étaient pas avant et ne change rien au tranchant de la lame. Achetez la scie pour sa lame, c'est-à-dire pour le modèle de base, et remettez la protection à un endroit que vous contrôlez.

La lettre ReviewRamble

L’IA, évaluée. Une fois par semaine, dans votre boîte mail.

Les verdicts qui comptent en IA, robotique et tech, avec ce qu’il faut utiliser et ce qu’il faut éviter. Pas de battage, pas de résumé de tout.

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail