OBLITERATUS

OBLITERATUS 是一个开源工具包，用于在不微调或重训练的前提下，定位并移除大语言模型中的内容拒绝行为（refusal behavior）。其核心技术是‘abliteration’（消拒），通过分析模型内部表征（如PCA、稀疏自编码器、白化SVD等）识别与拒绝相关的方向，并在推理时进行可解释的干预（如零化或偏转）。项目提供开箱即用的Gradio交互界面，支持可视化分析、干预效果对比与实时聊天测试。适用于AI安全研究、模型行为可解释性分析、内容策略合规性评估及拒绝机制基础研究等场景。