Abliteration：移除模型的拒答能力

作者在 Qwen3.5-4B 上完整复现 abliteration，直接编辑权重、无需再训练地移除模型拒答能力，在未见过的提示词上拒答率从 100% 降到约 1%，正常回答变化很小（KL 0.058）。方法源自 Arditi 等人 2024 年博客文章（后发表为论文）的发现，即拒答由模型内部单一方向介导；作者沿用 Maxime Labonne 的教程，用有害与无害提示词在各层求平均差得到候选拒答方向，再以 Remove、Add、KL 三项测试逐层筛选，确定第 11 层是唯一既能消除拒答又不破坏正常回答的方向，随后改写 32 层中写入残差流的 64 个矩阵，使其不再沿该方向输出。作者还以拒答几乎都以 I 开头（有害提示词上占 99.4%）作为判据。