Arbeiten / Freiheit / offene Forschung

Abliteration.

Mehr Spielraum für legitime Arbeit.

Wissensstand 05.10.2026Literatur & Einordnung · keine eigenen Modelltests

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.

Der praktische Nutzen · Schwerpunkt

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.

Wie erkenne ich den Gewinn? Drei kommentierte Antworten zeigen den Unterschied zwischen Blockade, brauchbarer Bearbeitung und selbstsicherem Unsinn. Dazu: fünf Aufgaben für eine eigene Arbeitsprobe.

Schwerpunkt · eigene Abwägung

Mehr Freiheit – aber für wen?

Das starke Argument dafür

Erwachsene brauchen Zugang zu schwierigen Fragen.

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.

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

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.

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. ↗

Gemma: plus 12,2 Prozentpunkte, 95-Prozent-Intervall 8,5 bis 16,0. Qwen: plus 7,4, Intervall 5,0 bis 9,7. Abliteration jeweils minus Original. — **Nebenwirkung jenseits der Verweigerung**Mehr Aufwärtsprognosen nach Abliteration · Prozentpunkte

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 ↗

Welche Varianten genau?

Gemma 4 · 26B A4BOriginal: google/gemma-4-26B-A4B-itAbliteration: huihui-ai/Huihui-gemma-4-26B-A4B-it-abliterated

Qwen3 · 30B A3BOriginal: Qwen/Qwen3-30B-A3B-Instruct-2507Abliteration: huihui-ai/Huihui-Qwen3-30B-A3B-Instruct-2507-abliterated

Möglichkeiten & Risiken · eigene Einordnung

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.

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.

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.

Nachvollziehbar weiterlesen

Quellen & Einordnung.

Geprüft am 05.10.2026. 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.
XSTest: A Test Suite for Identifying Exaggerated Safety Behaviours in Large Language Models ↗Röttger et al. · 2024-06 · NAACL 2024 · begutachteter KonferenzbeitragAbstract und Testaufbau. 250 harmlose und 200 problematische Vergleichsfragen; Overrefusal messbar, Kategorisierung bleibt kontextabhängig.
OR-Bench: An Over-Refusal Benchmark for Large Language Models ↗Cui et al. · 2025-06-15 · ICML 2025 · Manuskript v5Abstract. Großer ergänzender Overrefusal-Test; Ablehnung harmloser Anfragen und Antwort auf problematische Anfragen getrennt betrachten.
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.
Measuring & Mitigating Over-Alignment for LLMs in Multilingual Criminal Law Courts ↗Wuhrmann et al. · 2026-06-30 · Preprint v2 · direkte Abliterations-Fallstudie§5.2 und Anhang D.3. Dokumentarbeit; Wirkung und Grenzen einer gezielten Studienintervention.
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.

Zu den Modellvergleichen →Anbieter & konkrete Angebote →Nach oben ↑