安全团队须知：智能体使用 abliterated 模型的风险与检测

Anthropic 测试显示，对 GLM-5.3 做 abliteration 后，模型对恶意网络攻击指令的合规率达到 100%。该技术仅适用于可下载权重的开源模型（如 GLM-5.3、Llama、Qwen），对 Claude 等纯 API 模型无效。安全团队需依靠第三方监控、自定义策略与智能体行为质询，并识别 Shadow AI 中隐藏的 abliterated 模型 API 连接。