2026年の検閲なしオープンモデル:アブリテレーション、再学習、ステアラブル、それぞれのコスト
執筆: ReviewRamble editors ·
決して拒否しないオープンモデルは、元になったモデルより能力が高いわけではありません。学習で身につけた反射を一つ失い、それとともに重みの中に組み込まれた唯一の安全チェックも失っています。2026年にそこへ至る方法として広く使われているのは三つです。重みを編集して拒否を取り除く方法、拒否を除いたデータで再学習する方法、そしてシステムプロンプトが定めるどんなポリシーにも従うようにモデルを学習させる方法です。コストも壊れるものもそれぞれ違いますが、残される仕事は同じです。チェックを今後どこに置くかを決めることです。
このガイドは、動かすモデルを選ぶ人のためのもので、モデルを改変する人のためのものではありません。以下の数字はすべて論文、モデルカード、研究レポートによるもので、出てくる箇所にリンクを付けています。私たちがこれらのモデルを実際に動かしたわけではありません。すでにモデルを選んでいて、その拒否に代わるフィルターが必要なら、AIアプリとエージェントのガードレールのガイドでその部分を扱っています。
拒否しないモデルが求められる理由
主流のチャットモデルは、リクエストのカテゴリーごと断るように学習されており、その学習は大ざっぱです。フィッシングメールの仕組みの説明を拒否するモデルも、たいていは説明できます。拒否は振る舞いであって、能力の欠如ではありません。この大ざっぱさは正当な仕事にも及びます。エクスプロイトコードを分析するセキュリティチーム、暴力を描く小説家、過剰摂取について話す臨床医や教育者、アライメントそのものを研究する研究者、そしてCydonia 24BやRocinante X 12Bのようなロールプレイ用モデルをローカルで動かす人です。この二つはどちらも設計上、検閲なしのモデルです。

需要は一部にとどまりません。2025年10月にFuture Internetに掲載された査読付き研究は、改変されたモデルのリポジトリ8,608件を追跡し、研究で使った危険なプロンプトに対して、改変されていないモデルが応じた割合は19.2%、改変されたモデルは80.0%だったと報告しています。それらのモデルの半数以上は、モデルをローカルで動かすための形式であるGGUFファイルでした。ThreatDownは、abliterated、uncensored、decensored、heretic、unfilteredとうたうHugging Face上の6,644の異なるモデルを数え、2026年7月4日までの30日間で2,200万回以上ダウンロードされたとしています。これらのラベルは公開者自身が付けたもので、ThreatDownはモデルが実際に何をするかは検証していません。
拒否を取り除く三つの方法
アブリテレーション:重みを編集する
2024年、Arditiらの研究は、最大72Bパラメーターまでの13のオープンなチャットモデルで、拒否がモデル内部の単一の方向に沿って働いていることを示しました。その方向を取り除くとモデルは有害なリクエストを拒否しなくなり、加えると無害なリクエストを拒否するようになります。アブリテレーションはこの除去を重みに焼き込む手法です。再学習が不要なため広まりました。Maxime Labonneによる2024年の解説が手順を定式化し、2025年11月に公開されたオープンソースのツールHereticが設定の探索を自動化しました。そのREADMEによると、4BのモデルならRTX 3090で30〜40分かかり、コミュニティはこのツールで作ったモデルをすでに数千公開しています。
大きなモデルほどコストはかかりますが、それほどではありません。AnthropicのFrontier Red Teamは、753BパラメーターのオープンモデルであるGLM-5.3のアブリテレーションに、経験の浅い自チームで約2,200 GPU時間、およそ4,400ドルかかったと報告し、経験のあるチームなら約600時間(1,200ドル)で済むと見積もっています。GLM-5.3のアブリテレーション版は、公開から数日のうちに開発者によって公開されました。これはある研究所が競合のモデルを分析したものだという点は念頭に置いてください。

拒否のないファインチューン:振る舞いを再学習する
より古い方法は、拒否や説教を取り除いたデータでファインチューニングすることです。最もよく知られているのはEric HartfordのDolphinシリーズです。Dolphin 3.0 R1 Mistral 24Bは800,000件の推論トレースで3エポック学習されており、カードには、トーンとガイドラインを決めるシステムプロンプトは自分で設定するよう書かれています。Dolphin 3のものとしてよく引用される率直な警告は、実際にはDolphin 2.9のカードにあるものです。モデルは「非倫理的なものも含め、どんなリクエストにも非常に従順になる」ため、サービスとして公開する前に独自のアライメント層を実装すべきだ、というものです。この助言はこのガイドのすべてのモデルに当てはまります。ファインチューニングは編集より時間がかかりますが、振る舞いは切り取られるのではなく学習によって身につきます。
ステアラブルなモデル:ポリシーはプロンプトに置く
Nous ResearchのHermes 4は三つ目の道を取っています。システムプロンプトが定めるどんなポリシーにも従うよう学習されているため、研究所のルールではなくあなたのルールに沿って拒否させることができます。ファミリーは、Qwen3ベースの14Bモデル(Apache 2.0)から、Llama 3.1ベースの70Bと405Bのモデル(Llamaライセンス)、ByteDanceのSeed-OSSベースのHermes 4.3 36B(Apache 2.0)までそろっています。Hermes 4の技術レポートは、フロンティアモデルが拒否しがちな166のプロンプトからなるNous独自のセットRefusalBenchで評価しており、判定はClaude Sonnet 4が行っています。三つのカテゴリーは採点が逆になっており、そこでは拒否が正解とされます。NousのHermes 4.3 36Bのカードによると、このモデルはセットの74.6%に回答し、Grok 4は51.3%でした。ベンチマークはベンダー自身のものなので、数字は傾向として受け取り、証明とは考えないでください。
トレードオフは、ポリシーの強さが自分で書く指示の強さで決まることです。また、会話が長くなるほど、その指示はコンテキストの末尾から遠ざかっていきます。
モデルが払う代償
どの方法も何かを損ない、その損傷は測定できます。最もわかりやすい比較は、HereticがREADMEの以前のバージョンでGemma 3 12Bについて公開した表です。100の有害なプロンプトに対する拒否の数と、無害なプロンプトでのKLダイバージェンス、つまり編集後のモデルの回答が元のモデルからどれだけずれるかを数えており、値は低いほど良いとされます。
| Gemma 3 12Bのビルド | 100件中の拒否数 | 無害なプロンプトでのずれ(KL) |
|---|---|---|
| オリジナル | 97 | 0 |
| Labonneのアブリテレーションv2 | 3 | 1.04 |
| huihui-aiのアブリテレーション | 3 | 0.45 |
| Heretic | 3 | 0.16 |
三つとも拒否を同じように取り除いていますが、副次的な変化には6倍の差があります。Labonne自身の解説では、アブリテレーションしたモデルはすべてのベンチマークでスコアが下がり、追加のDPO学習で損失の大半を取り戻したものの、GSM8Kの数学だけは戻りませんでした。Anthropicは、アブリテレーション版のGLM-5.3がGPQA-Diamondではオリジナルと同等だった一方、CyberGymでは数パーセント低かったとしています。パターンとしては、知識はおおむね残り、その使い方は、見出しになる一つのスコアでは隠れてしまう形で変わります。
検討しているビルドについては、カードで二つの点を確認してください。一つ目は、ベンチマークの数字が編集後の重みで測られたものか、ベースモデルのカードから写したものか。二つ目は、拒否の数とずれをそもそも公開しているかどうかです。公開していなければ、自分で測る必要があります(最後のチェックを参照してください)。
ツール呼び出しとサプライチェーン
拒否を取り除いても、構造化出力には何の効果もありません。アブリテレーションしたモデルは、よくてもベースモデルのツール呼び出し能力を保つだけで、サービング用のテンプレートがそれを壊すこともあります。OllamaのDolphin 3パッケージはfunction callingをうたっていましたが、テンプレートがツールに対応しておらず、このissueは2026年10月に修正されないまま閉じられました。ベースモデルの評判ではなく、実際にサービングするビルド、量子化、テンプレートそのものをテストしてください。
より大きなリスクは、編集されたモデルがほかに何を抱えているかです。ProjectDiscoveryは、オープンな重みにバックドアをいかに安く仕込めるかを示しました。Qwen2.5-7B-Instructを、クリーンな例500件と汚染された例125件でファインチューニングし、24 GBのGPU 1枚を使って50ドル未満で済ませています。モデルはクリーンなテストではすべて普通に振る舞い、隠されたトリガーを受けると、開発者の.envファイルを外部サーバーに送信するツール呼び出しを行いました。このデモはアブリテレーションではなくファインチューンでしたが、彼らはアブリテレーション版が格好の運び手になる理由をはっきり述べています。人々はまさにチェックなしで動かすためにそれをダウンロードしており、あるQwen3のアブリテレーション版は1か月で200万ダウンロードを超えました。
ですから、改変されたモデルは信頼できないコードとして扱ってください。素性のわからないパッケージと同じサプライチェーンのリスクです。何を変えたかを文書化している公開者を選んでください。テストした正確なリビジョンに固定してください。そして、検査していないモデルにシェル、認証情報、無制限のネットワークアクセスを決して与えないでください。ツールはサンドボックスで動かし、ネットワークアクセスとコマンド実行を分け、どちらかの境界を越えるものを記録してください。こうした対策は、コーディングエージェントを守るためのガイドと、エージェントの操作を誰が承認するかについての記事で扱っています。
拒否が戻ってくるところ
拒否の除去は永続的でも完全でもありません。
- 量子化はテストしたファイルを変えます。重みを4ビットに丸める(量子化)と編集した重みも丸められるため、フル精度のビルドについて公開された拒否の数が、ダウンロードしたGGUFでも成り立つとは限りません。実際に動かすファイルで測ってください。
- 短い試験ではほとんど何もわかりません。20件の簡単なプロンプトでは、長いエージェントセッションの奥深くでの振る舞いについては何もわかりません。そこではためらいが戻ることがあり、ステアラブルなモデルのポリシーは数千トークン前にあります。実際に使う長さでテストしてください。
- マージやさらなるファインチューンで再び変わります。他人の編集を他人のファインチューンに重ねて作ったビルドは、全体として誰も測ったことのない振る舞いを引き継ぎます。
モデルの作り手も対抗しています。2025年の論文は、拒否する前に長々と説明するようモデルを学習させ、拒否を多くのトークンに分散させました。その結果、アブリテレーションで減った拒否は最大10%にとどまり、通常のモデルでは70〜80%でしたが、テストされたのは小さなモデルだけです。EleutherAIのDeep Ignoranceの研究はさらに上流にさかのぼります。事前学習から生物学的脅威に関する資料を取り除いたところ、最大3億トークンのファインチューニング攻撃に耐える6.9Bのモデルができました。学習したことのない知識を編集で持たせることはできませんが、プロンプトで同じ情報を渡せばモデルはそれを使えるため、著者らは多層防御を主張しています。
購入する側にとっての実際的なポイントは、アブリテレーションしたモデルにできるのはベースモデルにもともとできたことだけだという点です。ベンチマークの注意書きを読むのと同じように、ベースモデルのカードで学習データから何が除かれたかを確認してください。
GPUメモリ別の候補リスト
必要なメモリは、重みに、使うコンテキスト分のKVキャッシュと、ランタイムのオーバーヘッド1〜2ギガバイトを足したものです。数字は4ビットビルドのもので、当サイトのレビューとモデルカードによります。ハードウェアを買う前に正確なファイルを確認してください。GPU計算ツールを使えばコンテキスト長も加味できます。
| GPUメモリ | ベースまたはビルド | 方法 | メモ |
|---|---|---|---|
| 8 GB | Dolphin 3 8B | ファインチューン | Ollamaで4.9 GB、128Kのコンテキスト。Ollamaのテンプレートはツールに対応していない |
| 16 GB | Rocinante X 12B | ファインチューン | ロールプレイとフィクション向け。4ビットなら16 GBに余裕を持って収まる |
| 16〜24 GB | Gemma 4 26B A4B | アブリテレーション(コミュニティのビルド) | ベースは4ビットで14.4 GB、24 GBのカードに収まる、Apache 2.0。Gemma 4のアブリテレーション版とHereticのGGUFはHugging Faceで最もダウンロードされているものの一つ |
| 24 GB | Qwen 3.8 27B | アブリテレーション(huihui-aiのビルド) | ベースは4ビットで16.5 GB。アブリテレーション版はApache 2.0で、18〜51層を編集しており、作成者は本番向けではない概念実証だとしている |
| 24 GB | Cydonia 24BまたはDolphin 3.0 R1 Mistral 24B | ファインチューン | Cydoniaは24 GBでQ5〜Q6、16 GBでQ4で動く。Dolphin R1のOllamaビルドは13 GBで、カードにライセンスの記載がない |
| 24 GB | Hermes 4.3 36B | ステアラブル | Nous自身のQ4_K_M GGUFは21.8 GB、Q3_K_Mは17.6 GB。Apache 2.0。自分で書いたルールに沿ってモデルに拒否させたいときの選択肢 |
| データセンター | GLM-5.3 | アブリテレーション(コミュニティのビルド) | FP8の重みで約753 GB、80 GBのGPU 8基のノード1台を超える。Anthropicが調査した事例 |

ライセンスはビルドごとに異なります。ベースモデルがApache 2.0でも、誰かの編集版の条件はわかりません。また、人気のあるファインチューンのいくつかはライセンスをまったく記載していません。ダウンロード元のリポジトリにあるライセンスファイルを読んでください。
選び方
- 信頼できるツール呼び出しが必要な場合。ステアラブルなモデルか、文書のしっかりしたファインチューンを4ビット以上で使い始め、自分のツールでスキーマをテストしてください。アブリテレーション版は、そのテストに通るまではエージェント用としては実験的なものとして扱ってください。
- ルールなしではなく、自分のルールに従わせたい場合。明示的なシステムプロンプトのポリシーを設定したHermes 4に、絶対に起きてはならないことのための別のフィルターを組み合わせます。
- コーディングやビジョンのために、1台のマシンで最大限の自由度がほしい場合。24 GBのカードでアブリテレーション版のQwen 3.8 27Bを使い、本番利用についての作成者の警告は額面どおりに受け取ってください。
- 小さなカードでフィクションやロールプレイをする場合。そのために作られたRocinante X 12BかCydonia 24Bです。

どれを選ぶにしても、2行のデモではなく、実際に使うコンテキスト長で三つのチェックを行ってください。
- 拒否。実際の業務から取った20〜50件のプロンプトを、アライメント済みモデルが拒否したエッジケースも含めて実行し、拒否とはぐらかした回答の数を数えます。
- ツール。複数ターンのツール呼び出しと構造化出力のタスクを50〜100件実行し、スキーマのエラーと使われなくなったツールの数を数えます。
- ずれ。同じプロンプトを、ビルドとそのベースモデルに同じシードとgreedyデコーディングで通し、回答を並べて比べます。カードがKLダイバージェンスを公開していない場合は、これがその代わりになります。
そのうえで、モデルが失った安全層をあるべき場所に置いてください。入力と出力にはQwen3GuardやLlama Guard 4のような分類器を、ツールには厳しい権限を、そしてログを用意します。それぞれについてはガードレールのガイドで順に説明しています。

注意点:こうしたビルドの多くにとって、モデルカードのラベルが唯一の説明です。「Uncensored」は、ずれの数字を公開した丁寧な編集の場合もあれば、ベンチマークを写しただけでライセンスもない2時間の作業の場合もあり、外から見ると、テストするまで両者は同じに見えます。
結論:拒否を取り除くのは、のこぎりから安全カバーを外すようなものです。以前はできなかった切り方がいくつかできるようになりますが、刃の鋭さは何も変わりません。のこぎりは刃、つまりベースモデルで選び、安全カバーは自分が管理できる場所に付け直してください。