Gemma 4 12B 模型去对齐变体评估报告
该报告详细评估了 12 款基于 Gemma 4 12B 的去对齐（Abliterated）变体，包括 10 款全量微调模型与 2 款 LoRA 适配器，并以官方基座模型作为对比基准。研究者在单张 RTX 5090 上耗时 165 小时完成了测试。 核心评估方法包括： 1. 技术分析：涵盖权重取证（Weight forensics）与 KL 散度分析。 2. 性能基准：通过 13 项基准测试评估模型基础能力。 3. 安全性与对齐：利用 HarmBench 包含的 400 种行为进行测试，并由大模型裁判对 6,800 条响应进行推理链路审查，共产生 6,000 条判定结果。 该研究为开发者提供了关于去对齐技术对模型性能与安全性影响的实证数据，揭示了不同去对齐路径在实际应用中的表现差异，对理解开源模型定制化后的行为偏差具有参考价值。