Abliteration.ai commercialise la suppression des garde-fous sur GLM‑5.3

Contexte et objectif

Fondée à la fin de l'année 2025 et officiellement incorporée en mars 2026, Abliteration.ai propose un service hébergé qui rend accessibles des modèles d'IA à poids ouvert dont les garde‑fous ont été retirés. Le service s’appuie notamment sur le modèle GLM‑5.3 de Z.ai, publié récemment, et le rend disponible via un navigateur web ou une API. L’entreprise justifie cette offre en citant les besoins des équipes de red‑teaming et des tests d’agents, qui, selon le co‑fondateur Devon, ne peuvent pas reproduire les comportements refusés par les modèles « classiques ».

Mécanisme d'abliteration et architecture du service

L'abliteration consiste à modifier les poids ou le code de décodage du modèle afin de désactiver les filtres de refus. Sur GLM‑5.3, cela se traduit par la suppression de la couche de classification des requêtes dangereuses, ce qui permet au modèle de générer des réponses à des prompts tels que « écrire un programme Python qui vole les mots de passe Chrome » ou « décrire un protocole de culture de pathogène », comme l’a démontré TechCrunch. Le service héberge ces versions modifiées sur des serveurs cloud partenaires, ce qui élimine la nécessité pour l’utilisateur de télécharger les poids (environ plusieurs dizaines de gigaoctets) et de provisionner du GPU dédié.

Le front‑end web se connecte à une API REST qui accepte un token d’authentification lié à la carte de crédit du client. Aucun processus KYC complet n’est implémenté ; le seul contrôle consiste à enregistrer les informations de facturation. L’infrastructure intègre toutefois une « modération légère », qui empêche, par exemple, la génération d’instructions de suicide, mais autorise les requêtes liées à la cybersécurité offensive.

Implications sécuritaires et limites techniques

Du point de vue de la sécurité, la disponibilité d’un modèle ablérité à l’échelle du cloud crée une surface d’attaque directe. Andrew Yoon de CivAI décrit le résultat comme un modèle « sociopathe », capable de répondre à n’importe quel texte d’entrée. La même capacité est invoquée par les équipes de défense pour reproduire des tactiques d’attaquants, mais elle introduit le risque que des acteurs malveillants utilisent le même service pour automatiser des exploits ou des protocoles biologiques.

Des retours d’experts soulignent une perte de performance inhérente à l’abliteration. Ahmed Aly (Fabraix) indique que la suppression des garde‑fous élimine une partie du « savoir » du modèle, réduisant son efficacité dans des scénarios de dommage réel. De même, David Slater (Armadin) note que les modèles open‑weight antérieurs étaient déjà facilement contournables, ce qui rend la valeur ajoutée de l’abliteration discutable dans certains cas de test.

Perspectives réglementaires et industrielles

Les critiques appellent à une régulation ciblée : obliger les fournisseurs de GPU à vérifier l’identité des utilisateurs et à déployer des classificateurs capables de détecter les requêtes liées à la cyber‑ou biologie dangereuse. Yoon propose que les plateformes de modèles ablérités intègrent des filtres obligatoires, tandis que les législateurs pourraient imposer des exigences de reporting sur les usages à haut risque. Sur le plan commercial, Abliteration.ai ne possède aucun financement en capital‑risque à ce jour, mais tire ses revenus de contrats avec plusieurs startups de red‑teaming européennes et de partenariats cloud, ce qui lui permet de soutenir l’infrastructure sans recourir à une levée de fonds immédiate.