Abliteration(アブリテレーション)とは・意味、背景・リスクと対策・GLM-5.3 の検証

Abliterationとは?
Abliteration(アブリテレーション)とは、重みが公開されたAIモデルの内部を書き換え、有害な依頼を拒否する働きを取り除く手法のこと。拒否を取り除いたモデルは、英語で「abliterated」の版と呼ばれる。
Anthropic は2026年9月の分析で、abliteration を拒否を減らす標準的な手法として取り上げた。同社によると、GLM-5.3 はオープンウェイトで公開されているため、利用者が手を加えて、能力をほとんど変えずに拒否を外せる。
ジェイルブレイクがプロンプトの工夫などで安全策を回避させるのに対し、abliteration はモデルの重みそのものを書き換える。AIへの攻撃の手口をまとめる MITRE の知識ベース「ATLAS」によると、重みを書き換えて安全策を外す手口は、重みが公開されたモデルのほか攻撃者がモデルを丸ごと入手した場合にも当てはまる。
Abliterationの背景と広まった経緯
MITRE は ATLAS で、重みを書き換えて安全策を外した版を作る方法の1つに拒否を減らす追加の学習を挙げ、その参考文献として Andy Arditi 氏らの論文を記載している。Arditi 氏らは2024年6月17日に、言語モデルが有害な依頼を断る働きを調べた論文を arXiv で公開した。
その後、オープンウェイトのモデルの安全策を外すリスクは、2026年秋にAI企業の分析と国際的な宣言で取り上げられた。Anthropic の Frontier Red Team は2026年9月29日、Zhipu AI(中国の外では Z.ai)のモデル GLM-5.3 の分析を公開した。同チームは、複数の開発者がモデルの公開から数日のうちに abliterated の版を公開したと報告している。
フランスの大統領府は2026年11月9日、各国の首脳とAI企業の代表が同じ日に署名した宣言「Paris Call for AI safety and security」を掲載した。宣言は、最先端のモデルの開発者が約束する事項の1つに安全策の除去や回避がもたらすリスクを認めることを挙げた。
宣言では、開発者はオープンウェイトの開発が研究・イノベーション・安全にもたらす利点を保ちながら、安全策の除去や回避のリスクに対処する重要性も認めるとしている。一方、オランダ政府が掲載した同じ宣言の文では、安全策の除去や回避に「abliteration を含む」と添えている。フランスの大統領府の文には、この語はない。
Abliterationに関する主な出来事・ニュース
- 2024年6月17日 Andy Arditi 氏ら「Refusal in Language Models Is Mediated by a Single Direction」を公開:Arditi 氏らは、言語モデルが有害な依頼を断る働きの仕組みを調べた論文を arXiv で公開した。
- 2026年9月29日 Anthropic「GLM-5.3 and the spread of advanced cyber capabilities」を公開:Anthropic は、GLM-5.3 の安全策が abliteration などで外せるとする分析を公開し、モデルの公開から数日のうちに abliterated の版が公開されたと報告した。
- 2026年11月9日 フランス大統領府「Paris Call for AI safety and security」を掲載:各国の首脳とAI企業の代表が署名した宣言で、最先端のモデルの開発者は安全策の除去や回避がもたらすリスクと、オープンウェイトの開発の利点を保ちながら対処する重要性を認めるとした。
Anthropic が GLM-5.3 で確かめた Abliteration の影響
GLM-5.3 は拒否を外しても能力をほぼ保った
Anthropic の Frontier Red Team は、GLM-5.3 の abliterated の版を自ら作り、明らかに有害な依頼に応じる頻度を測る3つの公開のベンチマークで試した。拒否の割合は90%を超えていたが、JailbreakBench で約3%、HarmBench で約2%、StrongREJECT で12%に低下した。
一般的な科学の能力を測る GPQA-Diamond では、元のモデルと abliterated のモデルの得点は同じだった。CyberGym の課題の一部では、abliterated の版が数%低かった。Anthropic は、abliteration でモデルの能力は大きく低下しなかったとしている。
模擬の環境では abliterated の版がすべての試行で依頼に応じた
同チームは模擬の環境を使った試験で、重要なシステムへの攻撃を明らかに求める依頼をモデルに与えた。模擬の環境ではモデルが出力したコードは実行されず、モデルが外部のシステムとやりとりする手段もない。手を加えていない GLM-5.3 は、すべての試行で依頼を断った。
一方、abliterated の版の GLM-5.3 は、すべての試行で依頼に応じた。同チームによると、モデルをだます指示を与える簡単な手法でも GLM-5.3 は64%の試行で依頼に応じた。
Abliterationの言い方
| 表記 | 意味 | 使用主体 |
|---|---|---|
| abliteration | 重みを書き換えて、モデルの拒否の働きを取り除く手法 | Anthropic、パリでの宣言のオランダ政府の版 |
| abliterated version | abliteration で拒否を取り除いた派生のモデル | Anthropic、Epoch AI |
| refusal reduction technique | モデルの拒否を減らす手法 | Anthropic |
| uncensored variant | 安全策を外した派生のモデル | MITRE |
| removal or circumvention of safeguards | 安全策の除去や回避 | パリでの宣言 |
| tampering | 追加の学習や重みの編集などによるモデルの改変 | Casper 氏ら |
Abliterationのリスクと対策をめぐる議論
公開した重みからは安全策を外した版を作れる
AIの能力の測定を手がける研究機関の Epoch AI は、2026年10月29日の報告の注で、重みを公開したモデルの安全策の限界を指摘した。開発元がガードレールを加えたり一部の依頼を断るよう学習させたりしても、重みが公開されていれば、第三者がどんな依頼にも応じる abliterated の版を作れるという。こうした版は、安全策のない状態のまま動かせるとも指摘している。
また、Stephen Casper 氏らは、2026年7月に arXiv で公開した論文で、オープンウェイトのモデルのリスクの管理が難しい理由を挙げた。オープンウェイトのモデルは自由に改変でき、監視なしに使え、一度広まると取り消せないという。
改変を想定した評価を報告したモデルは少ない
Casper 氏らは、オープンウェイトのモデルの安全のための16の技術的な課題を5つの分野に分けて示した。5つの分野は、学習データ・学習の手法・評価・提供・利用状況の監視だ。課題には追加の学習などの改変に耐える学習の手法と、改変された状態を想定したモデルの評価が含まれる。
論文の時点で著者らが知る限り、公開の前に悪意のある追加の学習を想定した評価を報告した最先端のオープンウェイトのモデルは、OpenAI の gpt-oss だけだった。最先端のオープンウェイトのモデルの多くは、技術報告で改変を想定した評価を報告していないと著者らは指摘している。
Anthropic が求める政府の試験と配布元の確認
Anthropic は、GLM-5.3 の後継を含む十分に高い能力のモデルは政府が安全の試験を実施すべきだとしている。オープンウェイトのモデルの開発者に対しては、能力に見合った安全策を設けて悪用を防ぐことを望むという。
オープンウェイトのモデルを業務で使うときは、配布元が元の開発元か、第三者が手を加えた派生のモデルかを確かめることが大切だ。GLM-5.3 の例のように、拒否を外したモデルは能力を保ったまま有害な依頼に応じることがある。
Abliterationに関連する用語
- オープンウェイト:学習を終えたAIモデルの重みが公開され、手に入る状態のこと。
- ジェイルブレイク:生成AIのモデルに組み込まれた安全のための制限を、プロンプトの工夫などで回避させ、本来は断るはずの有害な回答や行動を引き出す手口のこと。
Abliterationに関する出典
Anthropic「GLM-5.3 and the spread of advanced cyber capabilities」(2026年9月29日)
MITRE「ATLAS-2026.10.yaml(AML.T0054 LLM Jailbreak)」(2026年10月28日)
Andy Arditi ほか「Refusal in Language Models Is Mediated by a Single Direction」(2024年6月17日、2024年10月30日改訂、arXiv)
オランダ政府「Paris Declaration on AI safety and security」(2026年11月10日)
フランス大統領府「Paris Call for AI safety and security.」(2026年11月9日)
Epoch AI「AI can turn security fixes into working exploits before users receive an update」(2026年10月29日)
Stephen Casper ほか「Open Technical Problems in Open-Weight AI Model Risk Management」(2026年7月1日、arXiv)




