Uncensored1776 Day 8: Uncensored1776の概要
本プロジェクトの全体像を理解する
公開日: 2025-12-08
シリーズ: 科学と神々株式会社 アドベントカレンダー
難易度: ★★☆☆☆ (初級)
今日学ぶこと
- Uncensored1776プロジェクトの目標
- システムアーキテクチャ
- 主要なコンポーネント
1. プロジェクトの概要
1.1 名前の由来
Uncensored1776
Un = 非、否定
censored = 検閲された
1776 = R1-1776へのオマージュ、自由の象徴
→ 「検閲されていない」+ 「自由」
→ AIモデルから不当な検閲を解除するプロジェクト
1.2 ミッションステートメント
Uncensored1776のミッション:
"AI言語モデルから政府検閲と過度な自己検閲を
技術的に分析・解除し、情報の自由を守る"
目標:
1. 政府検閲の技術的解除
2. オープンソースでの公開
3. 教育・研究目的での提供
4. 倫理的な境界の維持
非目標:
❌ 有害コンテンツの生成支援
❌ 違法活動の促進
❌ 安全性の完全な除去
2. システムアーキテクチャ
2.1 全体構成
Uncensored1776 System Architecture
┌─────────────────────────────────────────────────────────┐
│ User Interface │
│ (CLI / Python Scripts / Documentation) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Core Pipeline │
│ ┌───────────┐ ┌────────────┐ ┌───────────────┐ │
│ │ Detection │→ │ Abliteration│→ │ Verification │ │
│ └───────────┘ └────────────┘ └───────────────┘ │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Supporting Components │
│ ┌──────────┐ ┌────────────┐ ┌─────────────────┐ │
│ │ Data Gen │ │ Metrics │ │ Model Adapters │ │
│ └──────────┘ └────────────┘ └─────────────────┘ │
└─────────────────────────────────────────────────────────┘
2.2 処理フロー
検閲解除の処理フロー:
1. 入力
└── ベースモデル（Qwen, Llama等）
2. 検出フェーズ
├── 検閲プロンプトでテスト
├── Hard/Soft Refusalを検出
└── 検閲率を測定
3. 解除フェーズ
├── アクティベーション収集
├── 拒否方向の計算
└── 重みからの削除（Abliteration）
4. 検証フェーズ
├── 解除率の測定
├── 品質テスト
└── 安全性確認
5. 出力
└── 検閲解除済みモデル
3. 主要コンポーネント
3.1 検出システム (Detection)
src/
├── censorship_detector.py # メイン検出器
├── soft_censorship_detector.py # ソフト検閲検出
└── test_model_censorship.py # モデルテスト
機能:
- Hard Refusalの検出
- Soft Refusalの検出
- Topic Deflectionの検出
- 検閲スコアの計算
# 使用例
from src.censorship_detector import CensorshipDetector
detector = CensorshipDetector()
result = detector.detect(response_text)
# {'type': 'hard_refusal', 'confidence': 0.95}
3.2 Abliterationエンジン
scripts/
├── enhanced_abliteration.py # 標準Abliteration
├── qwen3_aggressive_abliteration.py # 積極的解除
└── calculate_refusal_direction.py # 拒否方向計算
機能:
- 拒否方向の計算
- Standard Abliteration
- Projected Abliteration
- Weight Kernelによる調整
# 使用例
from scripts.enhanced_abliteration import EnhancedAbliteration
abliterator = EnhancedAbliteration(
model_name="Qwen/Qwen2.5-0.5B-Instruct",
method="projected"
)
abliterator.run()
3.3 メトリクスシステム
src/
├── enhanced_metrics.py # 拡張メトリクス
└── benchmarks/ # ベンチマーク
測定指標:
- Removal Rate (解除率)
- Coherence Score (一貫性)
- Informativeness (情報量)
- Safety Score (安全性)
3.4 データ生成
data/
├── harmful_prompts.json # 有害プロンプト
├── harmless_prompts.json # 無害プロンプト
└── test_prompts/ # テストセット
4. ディレクトリ構造
uncensored1776/
├── docs/ # ドキュメント
│ ├── index.md # 概要
│ ├── quickstart.md # クイックスタート
│ ├── model_support_matrix.md # モデル対応表
│ ├── censorship_detection.md # 検出ガイド
│ ├── metrics.md # メトリクス説明
│ ├── benchmarks.md # ベンチマーク結果
│ ├── troubleshooting.md # トラブルシューティング
│ ├── faq.md # FAQ
│ ├── data_generation.md # データ生成
│ ├── ABLITERATION_METHODS.md # Abliteration手法
│ └── blog/ # ブログ記事（本シリーズ）
│
├── scripts/ # 実行スクリプト
│ ├── enhanced_abliteration.py
│ ├── qwen3_aggressive_abliteration.py
│ └── calculate_refusal_direction.py
│
├── src/ # ソースコード
│ ├── censorship_detector.py
│ ├── soft_censorship_detector.py
│ ├── enhanced_metrics.py
│ └── test_model_censorship.py
│
├── data/ # データファイル
│ ├── harmful_prompts.json
│ └── harmless_prompts.json
│
├── outputs/ # 出力ディレクトリ
│ └── [model_name]/ # モデル別出力
│
├── requirements.txt # 依存関係
├── README.md # プロジェクト説明
└── LICENSE # ライセンス
5. 技術スタック
5.1 言語とフレームワーク
# 主要技術
Language: Python 3.10+
Deep Learning: PyTorch 2.0+
Model Loading: Transformers (HuggingFace)
Numerical: NumPy
# 開発ツール
Testing: pytest
Linting: ruff
Type Checking: mypy (optional)
5.2 対応モデル
Tier 1 (最適化済み):
├── Qwen2.5シリーズ (0.5B - 7B)
└── Qwen3シリーズ (0.6B - 4B)
Tier 2 (対応済み):
├── Llama 2/3シリーズ
├── Mistral
└── Phi-3/3.5
Tier 3 (実験的):
├── DeepSeek
└── その他Transformerモデル
6. 設計原則
6.1 モジュラー設計
原則: 各コンポーネントは独立して使用可能
例:
- 検出だけを使う → censorship_detector.py
- Abliterationだけ → enhanced_abliteration.py
- メトリクスだけ → enhanced_metrics.py
利点:
- テストが容易
- 再利用性が高い
- 段階的な学習が可能
6.2 透明性
原則: すべての処理は説明可能であるべき
実装:
- 詳細なログ出力
- 中間結果の保存
- 設定のドキュメント化
例:
INFO: Layer 10: applying abliteration with strength 0.85
INFO: Layer 11: applying abliteration with strength 0.92
INFO: Refusal direction norm: 0.234
6.3 安全性の維持
原則: 有害コンテンツ生成は防止
実装:
- 有害プロンプトの選別
- 安全性テストの実施
- スコープの明確化
OUT OF SCOPE:
- 暴力の指示
- 違法行為
- 児童搾取
- マルウェア
7. 他プロジェクトとの関係
7.1 影響を受けたプロジェクト
先行プロジェクト:
1. R1-1776 (Perplexity AI)
- 名前の由来
- 検閲解除のアプローチ
- オープンソースの精神
2. Arditi et al.の研究
- 拒否方向の発見
- Abliteration手法
3. Grimjim's Projected Abliteration
- 直交射影の改良
- 品質維持の手法
7.2 GodsGolemIncエコシステム
Uncensored1776の位置づけ:
GodsGolemInc/
└── uncensored1776/ ← ここ
8. 使用シナリオ
8.1 研究者向け
シナリオ: LLMの検閲メカニズムを研究したい
使用コンポーネント:
1. censorship_detector.py
→ 検閲パターンの分析
2. enhanced_metrics.py
→ 定量的な測定
3. data/harmful_prompts.json
→ テストデータ
成果物:
- 検閲パターンの分類
- 検閲率の比較データ
- 学術論文の基礎データ
8.2 開発者向け
シナリオ: モデルの検閲を解除して使いたい
使用コンポーネント:
1. test_model_censorship.py
→ 現状の検閲率を確認
2. enhanced_abliteration.py
→ Abliterationを実行
3. enhanced_metrics.py
→ 解除後の品質確認
成果物:
- 検閲解除済みモデル
- 品質レポート
8.3 教育者向け
シナリオ: AI検閲について教えたい
使用コンポーネント:
1. docs/blog/（本シリーズ）
→ 段階的な学習資料
2. docs/
→ 技術ドキュメント
3. src/（コード例）
→ 実践的な教材
成果物:
- 授業資料
- ハンズオン教材
9. クイックスタート
9.1 インストール
# リポジトリのクローン
git clone https://github.com/GodsGolemInc/uncensored1776.git
cd uncensored1776
# 仮想環境の作成
python -m venv venv
source venv/bin/activate # Linux/Mac
# venv\Scripts\activate # Windows
# 依存関係のインストール
pip install -r requirements.txt
9.2 検閲率のテスト
# クイックテスト
python src/test_model_censorship.py \
--model "Qwen/Qwen2.5-0.5B-Instruct" \
--quick
# 出力例:
# Total censorship rate: 59.1%
# Hard refusals: 36.4%
# Soft refusals: 22.7%
9.3 Abliterationの実行
# 検閲解除を実行
python scripts/enhanced_abliteration.py \
--model "Qwen/Qwen2.5-0.5B-Instruct" \
--method projected \
--output outputs/qwen25_uncensored
10. 今日のまとめ
Uncensored1776の全体像:
ミッション:
- 政府検閲の技術的解除
- オープンソースでの公開
- 倫理的な境界の維持
主要コンポーネント:
1. Detection - 検閲の検出
2. Abliteration - 検閲の解除
3. Metrics - 品質の測定
4. Data Generation - テストデータ
設計原則:
- モジュラー設計
- 透明性
- 安全性の維持
使用シナリオ:
- 研究
- 開発
- 教育
明日の予告
Day 9: ニューラルネットワークの基礎
- Transformerアーキテクチャ
- 重み行列の役割
- なぜAbliterationが機能するか
参考リンク
ナビゲーション
| 前の記事 | Day 7: R1-1776の誕生 |
| 次の記事 | Day 9: ニューラルネットワークの基礎 |