Apa yang Sebenarnya Diubah oleh Abliteration di DeepSeek V4.1 Flash

DeepSeek V4.1 Flash adalah model mixture-of-experts dengan 552 miliar parameter dan 16B parameter aktif per token [INDEPENDENT, Artificial Analysis], dirilis dengan bobot MIT dan konteks 1 juta token. DeepSeek V4.1 Flash Abliterated adalah checkpoint yang sama setelah satu arah dikurangkan dari bobotnya, dan hampir tidak ada yang lain. Setiap kesalahan yang orang buat tentang model kedua berasal dari betapa sedikit yang diubah kalimat itu dan betapa besar harga serta profil risiko masih bisa bergerak di sekitarnya, yang justru merupakan jenis perbedaan OrcaRouter AI Incident Archive hadir untuk menjaga agar tetap diperhatikan.

Edit ini adalah proyeksi, bukan pelatihan ulang.

Abliteration lebih sempit daripada yang disiratkan namanya. Ini dimulai dengan eksperimen pasangan yang dicocokkan: jalankan permintaan yang sama melalui model dalam bentuk yang ditolaknya dan dalam bentuk yang dijawabnya, lalu catat aktivasi aliran residual di setiap lapisan. Rata-rata perbedaan antara keduanya adalah sebuah arah — arah penolakan. Setelah menemukannya, abliteration mengortogonalisasi matriks bobot yang menulis ke aliran residual terhadap arah tersebut, sehingga model kehilangan kemampuan menghasilkan pola itu. Tidak ada langkah gradien, tidak ada data baru, tidak ada pasangan preferensi, tidak ada putaran penguatan, dan tidak ada perubahan pada arsitektur.

Build yang dipublikasikan menunjukkan betapa berbedanya penerapannya dalam praktik. Tiga puluh lima repositori di Hugging Face memakai nama itu per 26 Oktober [VENDOR]. Dua di antaranya layak dibaca dengan saksama, karena keduanya tidak sepakat tentang apa itu suntingan.

• s-zaizen/DeepSeek-V4.1-Flash-Abliterated muncul pada 10 September, pada hari checkpoint dasar dirilis, dan diproduksi dengan alat Heretic. Model ini disajikan sebagai 48 shard dengan total 510,297 GB, dan pada serangkaian 100 prompt berbahaya yang disisihkan, model ini menurunkan penolakan dari 97 menjadi 24 [VENDOR, kartu model]. Kira-kira seperempat dari penolakan tersebut bertahan melalui prosedur itu.

• mrfakename/DeepSeek-V4.1-Flash-1017-abliterated bekerja secara berbeda: model ini memperkirakan arah penolakan secara terpisah untuk prompt chat dan prompt think, lapisan demi lapisan, lalu menghapus subruang penolakan peringkat-2 dari penulisan residual-stream pada 40 lapisan utama. Penolakan turun dari 97 menjadi 4 pada prompt chat dan dari 98 menjadi 9 pada prompt think, dengan divergensi KL token pertama sebesar 0,067 pada prompt yang tidak berbahaya [VENDOR, kartu model].

Dua build, tolok ukur 100 prompt yang sama, empat penolakan tersisa di satu build dan dua puluh empat di build lainnya [VENDOR]. Keduanya secara jujur dideskripsikan sebagai DeepSeek V4.1 Flash Abliterated, dan pembeli yang memilih di antara keduanya bukan sedang memilih antara dua merek dari hal yang sama. Pemilihan layer, apakah chat dan think diperlakukan sebagai masalah terpisah, dan peringkat subruang yang dihapus semuanya tampak dalam perilaku residual. Angka KL adalah separuh lain dari cerita itu: 0.067 pada prompt yang tidak berbahaya itu kecil, tetapi kecil bukan berarti nol.

Fakta bobot tetap tidak berubah

Jumlah parameter, parameter aktif, jendela konteks, tokenizer, perutean pakar: tidak satu pun dari ini berubah di bawah abliterasi, karena tidak ada yang disentuh. Turunannya adalah arsitektur 552B/16B yang sama yang membaca jendela 1M token yang sama dengan kosakata yang sama [INDEPENDEN untuk basis, VENDOR untuk turunan]. Apa pun yang benar tentang struktur checkpoint dasar tetap benar untuk build yang diabliterasi, dan klaim kemampuan apa pun tentang turunan itu, secara ketat, adalah klaim tentang bobot dasar yang belum pernah diuji siapa pun.

Satu angka memang berubah, dan itu bukan fakta bobot. Kartu dasar kami mencantumkan keluaran maksimum 384.000 token; kartu OrcaCyber Flash 1.0 mencantumkan 393.216 [OURS]. Itu adalah keputusan penyajian yang diterapkan pada lineage yang sama, dan ini menjadi pengingat berguna bahwa dua angka yang diletakkan berdampingan tidak selalu mengukur jenis hal yang sama.

Bukti untuk kemampuan jauh lebih tipis daripada bukti untuk penghapusan penolakan. Tidak ada penerbit yang merilis tolok ukur kemampuan untuk build abliterated mana pun [VENDOR, kedua kartu model], dan papan peringkat Artificial Analysis tidak memuat entri abliterated sama sekali [INDEPENDENT, 26 Oktober 2026]. Setiap angka kemampuan yang dilekatkan secara publik pada frasa "DeepSeek V4.1 Flash Abliterated" diukur pada checkpoint dasar. Itu bukan tuduhan terhadap para penerbit; itu adalah pernyataan tentang dari mana pengukuran itu berasal.

Build hosted kami, bidang demi bidang dibandingkan dengan checkpoint asalnya

OrcaCyber Flash 1.0 adalah DeepSeek V4.1 Flash Abliterated, yang disajikan dengan nama produk. Karena penyuntingannya adalah pengurangan, bukan distilasi, perbandingan yang jujur bukanlah narasi tentang apa yang menjadi lebih baik. Ini adalah pembacaan bidang demi bidang, dengan catatan bahwa perubahan pada tingkat bobot dan perubahan pada tingkat layanan dinilai dalam daftar yang sama.

• Arsitektur dan konteks. Kedua sisi berukuran total 552B dan 16B aktif dalam konteks 1 juta token; rute dasar menerima teks, sedangkan OrcaCyber Flash 1.0 menerima input teks dan gambar [OURS].

• Harga. Rute dasar dikenakan $0.15 untuk input dan $0.60 untuk output per 1 juta token, dengan pembacaan cache sebesar $0.003 dan pengali waktu 2× antara 01:00–04:00 dan 06:00–10:00 UTC. OrcaCyber Flash 1.0 dikenakan $0.80 untuk input dan $1.60 untuk output dengan pembacaan cache sebesar $0.15 — 5.3× tarif input, 2.7× tarif output, dan lima puluh kali tarif pembacaan cache [KAMI].

• Lalu lintas dan keandalan. Rute dasar memindahkan 26,18 triliun token dalam 7 hari pada p50 1.549 ms, 194,6 token keluaran per detik, dan error 0,036%. Deployment abliterated memindahkan 17,5 miliar token selama jendela yang sama pada p50 1,97 s, 171 tok/s, dan error 0,07% [OURS].

• Evaluasi. Angka publik checkpoint dasar adalah indeks Artificial Analysis sebesar 39,46 pada halaman September dan 45,10 pada halaman 17 Oktober [INDEPENDEN]. Kartu OrcaCyber melaporkan CyberGym 88,1, SEC-Bench Pro 62,8, DeepSWE v1.1 74,2, ExploitGym 15,3, GPQA Diamond 90,9 dan Terminal-Bench 2.1 90,6, semuanya dilaporkan sendiri [KAMI].

Hanya item terakhir yang merupakan perbandingan benchmark, dan itu pun bukan perbandingan yang setara. Terminal-Bench 2.1 pada kartu kami dan Terminal-Bench 4.0 sebesar 26,77% pada halaman base checkpoint [INDEPENDENT] adalah harness yang berbeda dengan tingkat kesulitan yang berbeda, dan mengurangkan yang satu dari yang lain menghasilkan angka yang tidak membawa informasi apa pun. Harga dan latensi dapat dibandingkan; angka benchmark tidak, karena satu sisi dijalankan oleh evaluator independen dan sisi lainnya oleh vendor.

Dua halaman checkpoint, dan kesenjangan yang sama sekali tidak ada hubungannya dengan abliteration

Artificial Analysis memiliki dua halaman untuk model ini dan keduanya tidak boleh dirata-ratakan bersama. deepseek-v4-1-flash adalah checkpoint September 2026 dan halamannya memuat banner penghentian penggunaan: indeks 39,46, Terminal-Bench 4.0 sebesar 26,77%, tingkat halusinasi 96,46%, $0,48 per tugas indeks dan 88.574 token keluaran per tugas [INDEPENDEN]. deepseek-v4-1-flash-1017 adalah penyegaran 17 Oktober: indeks 45,10, 89.495 token keluaran per tugas dan 167,3 token per detik [INDEPENDEN].

Selisih 5,6 poin indeks memisahkan kedua pengukuran itu, dan tidak ada abliterasi yang terjadi di antaranya — sebuah refresh-lah yang melakukannya [INDEPENDENT]. Sekarang tempatkan build terabliterasi di atas linimasa: build 10 September berada pada checkpoint September, dan build 17 Oktober berada pada refresh [VENDOR]. Siapa pun yang mengutip "DeepSeek V4.1 Flash Abliterated scores 45" atau "scores 39" sedang mengutip angka yang diukur pada bobot dasar, di salah satu dari dua checkpoint, dalam run yang tidak pernah menyentuh build terabliterasi. Angka kapabilitas tanpa tanggal checkpoint bukanlah pengukuran. Itu hanyalah noise dengan titik desimal.

Meng-hosting build dengan akses terbatas adalah produk yang berbeda dari mengedit bobot.

Premi pada hosting kami adalah 5,3× untuk input, 2,7× untuk output, dan 50× untuk pembacaan cache [OURS], dan ada baiknya berterus terang tentang apa yang bukan merupakan fungsi dari uang itu: itu bukan biaya penyuntingan. Penyuntingan tersebut adalah bobot berlisensi MIT dan prosedur yang dipublikasikan. Premi tersebut membayar untuk build bernama yang dipatok ke checkpoint tetap, latensi dan tingkat error yang diukur selama 7 hari dan 17,5 miliar token, halaman yang menyatakan checkpoint mana yang diikuti deployment, dan gerbang terhadap penggunaan anonim.

Gerbang itu ada di halaman model itu sendiri, bukan terkubur dalam dokumen kebijakan: sebuah perjanjian, passkey, dan ketentuan wajib dipenuhi, dan memiliki kunci API tidak membuka model itu dengan sendirinya [OURS]. Bagi sebuah build yang ciri penentunya adalah penghapusan penolakan dari bobotnya, membiarkan setiap pemegang kunci mengarahkan trafik produksi ke sana bukanlah default yang netral, dan kami tidak menawarkannya sebagai default semacam itu.

Melakukan pengurangan sendiri adalah pilihan yang sah.

Bobot dasar berlisensi MIT. Build abliterated yang ada saat ini terdiri dari 48 shard dan 510.297 GB [VENDOR]. Alat yang menghasilkannya telah dipublikasikan, dan prosedurnya membutuhkan GPU, bukan kontrak. Jika yang Anda butuhkan adalah checkpoint yang dimodifikasi dan Anda memiliki perangkat kerasnya, penyuntingan itu hanya memakan komputasi Anda dan tidak lebih — dan bersama itu Anda mewarisi seluruh beban pemeliharaan: perilaku penolakan dari run khusus Anda, evaluasi yang tidak Anda lakukan, dan tanggung jawab atas checkpoint yang Anda jadikan dasar pengiriman. Menyewa versi hosted berarti menyewa run pihak lain dari pengurangan yang sama, dengan kontrak dukungan yang menyertainya.

Pembingkaian itu menjaga perbandingan tetap jujur. Pertanyaannya bukan apakah model yang diabliterasi lebih aman — model itu tidak lebih aman dalam pengertian biasa, karena penolakan dihapus dengan sengaja, dan 4 dari 100 atau 24 dari 100 bertahan tergantung build mana yang Anda ambil [VENDOR]. Pertanyaannya adalah apa yang sebenarnya Anda ubah, dari checkpoint mana model itu dimulai, dan apa yang Anda bayar untuk perubahan itu. Di lini kami sendiri, 5.3× tarif input dasar membeli deployment edit yang terpelihara, bukan model yang lebih kuat [OURS]. Mencampuradukkan keduanya adalah cara sebuah harga berubah menjadi klaim kemampuan yang tidak pernah diukur siapa pun.

Catatan pengadaan

Artificial Analysis, indeks v4.3.2, 26 Oktober 2026: kedua halaman checkpoint, deepseek-v4-1-flash dan deepseek-v4-1-flash-1017. Kartu model Hugging Face untuk s-zaizen/DeepSeek-V4.1-Flash-Abliterated (10 September 2026) dan mrfakename/DeepSeek-V4.1-Flash-1017-abliterated (17 Oktober 2026). Katalog dan halaman model OrcaRouter, 26 Oktober 2026, untuk harga, throughput, volume token, dan kartu OrcaCyber Flash 1.0. Semua baris benchmark OrcaCyber dilaporkan sendiri dan belum diaudit secara independen; angka kemampuan independen dalam artikel ini adalah pengukuran Artificial Analysis atas checkpoint dasar, dan tidak ada benchmark kemampuan independen untuk build abliterated yang dapat dikutip.