- Publié le
Un modèle 9B qui ne refuse presque rien est le téléchargement le plus apprécié de cette semaine.
- Auteurs

- Nom
- AbnAsia.org
- @steven_n_t
Listen in English · Un modèle 9B qui ne refuse presque rien est le téléchargement le plus apprécié de cette semaine.
0:00 / 0:00
Watch in English · Un modèle 9B qui ne refuse presque rien est le téléchargement le plus apprécié de cette semaine.
DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED-heretic est un modèle de raisonnement 9B dont la couche de refus a été supprimée par ablation : 3 refus sur 100 invites de test, contre 100 sur 100 pour le modèle dont il est issu, avec une divergence KL mesurée de 0,0422. Il totalise 27 000 téléchargements et 7 500 mentions J’aime. La technique est publiée sous forme de chiffres que n’importe qui peut reproduire.
Un modèle communautaire publié le 30 octobre est devenu l’un des petits modèles les plus téléchargés sur Hugging Face : 27 037 téléchargements et 7 585 likes, pour un modèle de 9 milliards de paramètres dont tout l’argument est qu’il ne vous refusera pas.
xtools-at/DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED-heretic est une version décensurée d’un fine-tune de raisonnement appelé Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B. Les chiffres de sa fiche sont la raison de s’y intéresser : lors du test de refus à 100 prompts de l’auteur, le modèle de base refuse 100 sur 100. Celui-ci n’en refuse que 3.
Ce qu’est réellement le modèle
Deux couches de travail se trouvent sous ce nom, et seule la seconde constitue le scandale.
La première est une distillation : DeepSeek-V4-Pro-Qwen3.5-9B prend Qwen3.5-9B et l’entraîne sur environ 250 000 échantillons de mathématiques et de STEM générés par DeepSeek-V4-Pro, dans ce que son auteur appelle le mode « Max Effect ». C’est un travail normal et respectable — un petit modèle qui hérite du style de raisonnement d’un modèle bien plus grand, en six langues (anglais, chinois, coréen, japonais, espagnol, russe), sous licence Apache-2.0.
La seconde est la modification. xtools-at a exécuté un outil appelé Heretic (v2.0.0.dev0), qui effectue ce qu’il appelle une Arbitrary-Rank Ablation sur les poids propres du modèle. La fiche publie les paramètres exacts : couches 9 à 24, preserve_good_behavior_weight 0,8264, steer_bad_behavior_weight 0,0003, overcorrect_relative_weight 0,9645, 12 voisins.
Ce n’est pas un prompt de jailbreak. C’est une recette.
DeepSeek-V4-Pro
Un modèle de pointe, utilisé uniquement comme enseignant : ses traces de raisonnement sont générées en mode « Effet maximal ».
~250 K échantillons
Problèmes et réponses de mathématiques et de STIM, distillés dans un étudiant beaucoup plus petit.
Qwen3.5-9B
L’étudiant : neuf milliards de paramètres, six langues, Apache-2.0 — exécutable sur un seul GPU.
Heretic, couches 9 à 24
L’ablation de rang arbitraire réécrit les couches intermédiaires ; la fiche publie chaque poids utilisé.
Le nombre qui compte n’est pas le taux de refus
Presque tous les titres consacrés à un modèle comme celui-ci s’arrêtent à « il répond à tout ». Le chiffre intéressant est l’autre : divergence KL 0,0422.
La divergence KL mesure à quel point la distribution de sortie du modèle modifié s’est éloignée de l’originale. Zéro signifierait aucun changement ; un petit nombre signifie que le modèle se comporte encore comme lui-même presque partout. L’affirmation de l’auteur, en substance, est que l’on peut supprimer le comportement de refus tout en conservant le modèle.
La question ouverte est de savoir si cela tient, et la fiche est honnête sur les limites : il s’agit du propre test de l’auteur, sur son propre ensemble d’invites, sans évaluation indépendante. Les affirmations mathématiques du modèle de base — GSM8K à 94,50 % en moyenne sur quatre exécutions sur un checkpoint NVFP4, 92,40 % sur une exécution MMLU-Pro à trois sous-ensembles — proviennent de la même filiation et de la même pratique de publication.
Pourquoi il s’agit d’un enjeu de gouvernance, et non d’une histoire de gadget
L'abliteration n'est pas nouvelle. Ce qui a changé, c'est qu'il s'agit désormais d'une opération publiée, paramétrée et reproductible sur un modèle suffisamment petit pour tourner sur une station de travail — et le résultat a dépassé les 27 000 téléchargements en deux semaines sans lancement, sans article de blog ni fournisseur derrière elle.
C'est le même point que la sortie de Qwen4-Max a fait valoir dans l'autre sens. Là, la frontière est arrivée, mais pas les poids. Ici, un modèle de neuf milliards de paramètres est arrivé avec sa couche de sécurité retirée et sa recette de retrait jointe.
Pour une entreprise, la conséquence pratique est étroite et peu glamour : la provenance du modèle fait désormais partie de votre chaîne d’approvisionnement. Un checkpoint téléchargé n’est pas un produit avec une garantie. C’est un fichier que quelqu’un a modifié, et la modification est suffisamment bien documentée pour que vous puissiez voir ce qui a été fait — ce qui est plus que ce que vous obtenez de la plupart des fine-tunes.
Qu’en faire
Si vous exécutez des modèles locaux pour l’extraction, la classification, la traduction ou le red teaming, cette catégorie de publication est utile et bon marché : 9 milliards de paramètres, Apache-2.0, six langues, un seul GPU.
Si vous livrez des sorties de modèle à des clients, trois règles survivent à cette version sans changement. Lancez votre propre évaluation avant de déployer un checkpoint que vous n’avez pas entraîné. Considérez un refus manquant comme un test manquant, pas comme une fonctionnalité. Et conservez la fiche : en cas de problème, les paramètres publiés sont ce qui s’approche le plus d’une piste d’audit que l’écosystème ouvert offre.
Le modèle n’est pas l’histoire. Le fait que ses modifications soient reproductibles par quiconque dispose d’un GPU l’est.
Source : la fiche de modèle et l’entrée API Hugging Face pour xtools-at/DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED-heretic, consultées le 16 novembre 2026 (27 037 téléchargements, 7 585 likes, créé le 30 octobre 2026, Apache-2.0) ; le modèle de base lié Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B et ses tableaux de benchmarks ; les chiffres de refus et de KL sont ceux de l’auteur, tels qu’imprimés dans la fiche. Heretic est nommé par la fiche comme v2.0.0.dev0 ; nous n’avons évalué ni l’outil ni le modèle résultant. L’analyse est la nôtre.
Contact : [email protected]
Veuillez noter que la version française est assistée par Ai, des erreurs mineures peuvent donc exister.
Auteur
Ai-Banking-NetworkSecurity (ABN), ABN ASIA a été fondée par des personnes ayant des racines profondes dans le milieu académique, avec une expérience professionnelle aux États-Unis, aux Pays-Bas, en Hongrie, au Japon, en Corée du Sud, à Singapour et au Vietnam. ABN ASIA est l'endroit où l'académie et la technologie rencontrent l'opportunité. Avec nos solutions de pointe et nos services de développement logiciel compétents, nous aidons les entreprises à se développer et à s'imposer sur la scène mondiale. Notre engagement : Plus vite. Mieux. Plus fiable. Dans la plupart des cas : moins cher également.
N'hésitez pas à nous contacter chaque fois que vous avez besoin de services informatiques, de conseils en matière de numérique, de solutions logicielles prêtes à l'emploi, ou si vous souhaitez nous envoyer des demandes de propositions (RFP). Vous pouvez nous contacter à l'adresse [email protected]. Nous sommes prêts à vous aider avec tous vos besoins technologiques.

© ABN ASIA