نماذج الذكاء الاصطناعي بدون قيود ⁨2026⁩: الدليل الكامل لنماذج ⁨LLM⁩ غير المفلترة وغير المُحاذاة و⁨abliterated⁩

شخصان ينزّلان النموذج المفتوح الأوزان نفسه. يسأله الأول سؤالًا حدّيًّا فيتلقى رفضًا مهذبًا. أما الثاني فنزّل نسخة معدَّلة من النموذج الأساسي نفسه، ويطرح السؤال ذاته، فيحصل على إجابة. البنية نفسها والمعرفة نفسها، لكن السلوك مختلف. هذه الفجوة هي القصة كلها في الذكاء الاصطناعي بدون قيود.

هذا ممكن لأن النماذج مفتوحة الأوزان ملفات. روبوت المحادثة المستضاف يُبقي أوزانه وموجّه النظام ومرشحاته على خوادم غيرك، فلا تستطيع سوى محادثته. أما النموذج مفتوح الأوزان فيعطيك الأوزان. يستطيع أي شخص ضبطها أو دمجها أو تكميمها أو تعديلها ثم نشر النتيجة. سلوك الرفض شيء تعلّمه النموذج، لذا يمكن نسيانه أو كبحه.

الذكاء الاصطناعي المحلي يجعل ذلك عمليًا. نموذج 12B أو 24B يعمل اليوم على حاسوب محمول أو بطاقة رسومية واحدة، دون اتصال، داخل تطبيقات تثق بها. وقد عرضت صفحات وسوم Hugging Face يوم 2026-11-13 ما مجموعه 13,279 مستودعًا بوسم abliterated و16,629 بوسم uncensored و7,058 بوسم heretic، مع أن هذه الأعداد تشمل النسخ المكمَّمة والمكررة. وهناك أيضًا فهرسان متخصصان: أظهر abliter.cn عدد 921 نموذجًا من 25,796 مستودعًا فُحص، ويصف abliteration.org كتالوجًا يضم أكثر من 19,000 نموذج. يستخدمان قواعد إدراج مختلفة، فلا تصف الأرقام الشيء نفسه.

والموضوع حاضر في الأخبار كذلك. صدر Heretic 2.0 في 2026-11-01 وحلّ محل التقنية الكلاسيكية ذات الاتجاه الواحد بوصفها الإعداد الافتراضي للأداة. ونشرت WIRED تقريرًا عن المجتمع في 2026-11-10 (لم نستطع قراءة سوى إعادات نشره، لذا نستشهد به كما هو منقول). ويزعم نموذج Gemma 4 31B معدَّل نُشر في 2026-11-05 انخفاضًا كبيرًا في الرفض؛ ونفحص أرقامه أدناه.

يبدأ هذا الدليل بالظاهرة ثم يشرح المصطلحات والعلم والأدوات. وتمرّ به فكرة واحدة: انظر إلى هذه النماذج بوصفها مكوّنًا قابلًا للتبديل في التطبيقات المحلية. يوفر التطبيق المستندات والصوت والوكلاء وواجهة مفيدة؛ ويقرر النموذج ما سيجيب عنه. والجمع بينهما يمنح مرونة لا تقدمها أي خدمة مستضافة، ويزيل أيضًا شبكة الأمان التي توفرها الخدمة المستضافة.

تُستخدم هذه الكلمات بفضفاضية، وهكذا ينتهي الناس بتنزيل شيء لا يتصرف كما أُعلن. وهذا معنى كل مصطلح من الناحية التقنية.

التدريب المسبق (Pretraining) يعلّم النموذج التنبؤ بالنص من مدونة ضخمة. فينتج نظامًا قادرًا لكن بلا وجهة، يكمل أي شيء تقريبًا. ثم يدرّبه ضبط التعليمات والضبط الدقيق الإشرافي (SFT) على محادثات نموذجية ليجيب عن الأسئلة بصيغة مفيدة.

التدريب على التفضيلات يضيف طبقة الأمان. في RLHF (التعلم المعزز من التغذية الراجعة البشرية) يقارن مقيّمون بشر الإجابات، ويتعلم نموذج مكافأة تفضيلاتهم، ثم يُحسَّن النموذج نحوها. ويصل DPO (تحسين التفضيلات المباشر) إلى نتيجة مشابهة دون نموذج مكافأة منفصل. وتقرن مجموعات بيانات الأمان الطلبات الضارة بحالات رفض، فيتعلم النموذج أن أنواعًا معينة من الطلبات يجب رفضها: وهذا هو التدريب على الرفض.

أين يعيش هذا السلوك؟ في موضعين. موجّه النظام نص يُضاف وقت التشغيل، ويمكنك تغييره. أما سلوك أوزان النموذج فيُدمج أثناء التدريب ولا يمكنك تغييره دون المساس بالأوزان. ولهذا يفشل موجّه النظام وحده أحيانًا في جعل النموذج يجيب، ولهذا يستطيع تعديل الأوزان ذلك.

يوضح الرسم الفكرة التي تجعل abliteration ممكنًا. داخل المحوّل (transformer)، تقرأ كل طبقة من سجل جارٍ مشترك وتكتب فيه، يُسمى residual stream. وتشير الأبحاث إلى أن جزءًا كبيرًا من إشارة الرفض يقع على اتجاه واحد في هذا التيار.

الأساس العلمي هو ورقة Arditi وآخرين (2024)، "Refusal in Language Models Is Mediated by a Single Direction" (arXiv 2406.11717). اختبر المؤلفون 13 نموذج محادثة مفتوحًا بين 1.8B و72B معامل. وخلاصتهم: في هذه النماذج يتوسط الرفضَ اتجاهٌ واحد في residual stream.

كيف يُعثر على الاتجاه. شغّل النموذج على مجموعة موجّهات ضارة ومجموعة موجّهات غير ضارة، وسجّل التنشيطات الداخلية عند طبقة وموضع رمز مختارين، واحسب الفرق بين المتوسطين. متجه difference-in-means هذا هو اتجاه الرفض المرشح.

كيف يُزال. يُسقط directional ablation هذا الاتجاه من التنشيطات وقت التشغيل. ويحقق weight orthogonalization الأثر نفسه بشكل دائم: تُعدَّل مصفوفات الأوزان التي تكتب في residual stream بحيث لا تستطيع الكتابة على هذا الاتجاه بعد ذلك. لا يحتاج النموذج المعدَّل إلى إعادة تدريب، ويبدو ملفه كأي نموذج آخر.

ما الذي يُفقد. يذكر المؤلفون انخفاضات صغيرة في القدرات في معظم المعايير، باستثناء TruthfulQA: فقد انخفض باستمرار بنحو 1 إلى 3.5 نقطة. ويصفون أيضًا طريقة اختيار الاتجاه لديهم بأنها استدلالية (heuristic). ووجد الدليل العملي لـ Maxime Labonne أن abliteration خفّض كل معيار قاسه، وأن خطوة "شفاء" بـ DPO استعادت معظم ذلك لا كله، وأن اختيار الطبقة يتطلب حكمًا.

تحذير بشأن الأرقام. نشرت شركة الأمان Alice تقريرًا اختبر خمسة نماذج وأبلغ عن امتثال بنسبة 98.0% بعد abliteration (539 من 550 موجّهًا) مقابل 5.8% قبله، ومدونة تذكر 96-100% عبر ست عائلات نماذج. هذه الأرقام أبلغت بها الشركة نفسها، وقيّمها قاضٍ من نوع LLM، ولم تُراجَع من أقران، وهي تقيس الاستعداد للإجابة لا زيادة القدرة في العالم الحقيقي. تعامل معها كنقطة بيانات لا كدليل.

من وما هو. Heretic أداة مفتوحة المصدر تعمل بسطر الأوامر أنشأها Philipp Emanuel Weidmann (معرّف GitHub: p-e-w). وبدلًا من أن يطلب من إنسان اختيار الطبقات والقوى، تؤتمت البحث.

النهج الأصلي. يستخدم Heretic مكتبة Optuna لتحسين المعاملات الفائقة مع عيّنة TPE لتجربة إعدادات abliteration كثيرة. وتحكم مقيِّمات (scorers) قابلة للتوصيل على كل تجربة. افتراضيًا يعدّ الرفض بمقيِّم كلمات مفتاحية ويقيس انحراف KL عن النموذج الأصلي على الموجّهات غير الضارة، فيبحث عن إعدادات تزيل الرفض مع تغيير كل شيء آخر بأقل قدر. والمعدِّلات (modifiers) هي المكوّنات التي تعدّل الأوزان فعليًا.

ما الذي تغير في 2.0. نُشر الإصدار 2.0.0 في 2026-11-01 (وتبعه 2.1.0 في 2026-11-08). المعدِّل الافتراضي الآن هو Arbitrary-Rank Ablation (ARA)؛ ويبقى directional ablation الكلاسيكي، مع خياري projected abliteration والحفاظ على المعيار (norm preservation)، متاحًا. كما أضاف الإصدار نظام إضافات وتشغيلًا بلا واجهة (headless) ومقيِّم رفض قائمًا على BERT كإضافة (المقيِّم الافتراضي ما زال قائمًا على الكلمات المفتاحية). ولا تعمل ملفات إعداد Heretic 1.x مع 2.x.

ما هي ARA. بحسب طلب الدمج (pull request) الذي كتبه المؤلف نفسه، لا تستخدم ARA اتجاهات رفض. فهي تتعلم تعديلات مصفوفية لكل وحدة بمحسِّن L-BFGS مقابل ثلاثة أهداف: ترك المخرجات للموجّهات غير الضارة كما هي، وجعل مخرجات الموجّهات الضارة تطابق غير الضارة، ودفعها بعيدًا عن المخرجات الضارة القديمة. الاتجاه الواحد تعديل من الرتبة الأولى؛ أما ARA فتسمح بتعديلات برتبة أعلى، فتستطيع التقاط سلوك رفض ليس أحادي البعد. ولا يزال الشرح الكامل موصوفًا بأنه ورقة تمهيدية "قريبًا"، لذا فإن ادعاءات الجودة من المؤلف نفسه ولم يتحقق منها طرف مستقل.

العتاد والمقايضات. تحمّل الأداة النموذج كاملًا وتجري تجارب كثيرة، فتحتاج ذاكرة تكفي لتشغيل النموذج الذي تعدّله، إضافة إلى الوقت. وتتبع مقايضات الجودة نمط الطرق الأخرى: دراسة مقارنة لأربع أدوات على 16 نموذجًا (Young، arXiv 2512.13655، قُرئ الملخص) تُبلغ عن تغيّرات في GSM8K من ⁦+1.5⁩ إلى ⁦-18.8⁩ نقطة وقيم KL لـ Heretic من 0.04 إلى 1.65، فالنتائج تعتمد بشدة على النموذج.

abliteration ليس الطريق الوحيد. يقارن الجدول بين النهج الرئيسية. وصف صف الدمج حذر عمدًا: لم نجد مصدرًا أوليًا يوثّق عمليات الدمج كطريقة لإزالة الرفض.

Dolphin (cognitivecomputations ومنظمة dphn الأحدث) هو أشهر خط مضبوط دقيقًا. والمدخل الموثّق الحالي هو Dolphin-Mistral-24B-Venice-Edition. تقول بطاقته إن موجّه النظام يحدد السلوك، فهو قابل للتوجيه لا مضمون الخلو من الرفض.

Hermes (NousResearch) ليست عائلة بدون قيود. نماذج Hermes 4 محايدة المواءمة وقابلة للتوجيه. ويبيّن RefusalBench الخاص بـ Nous، كما نُقل في بطاقة Hermes 4.3 36B، أن النموذج أجاب عن نحو 72-75% من موجّهات اختباره، أي أن نحو الربع ما زال يُرفض. لا تصنّف كل نماذج Hermes على أنها بدون قيود.

متغيرات Qwen abliterated تهيمن على التنزيلات. أكثر المداخل الموثّقة تنزيلًا هو Huihui-Qwen3.8-27B-abliterated، بنحو 4 ملايين تنزيل. ابحث: Qwen abliterated على Hugging Face.

متغيرات Gemma abliterated هي المجال الأحدث. تظهر نماذج Gemma 4 المعدَّلة بـ abliteration عادي وبـ Heretic و ARA. ابحث: Gemma abliterated. أحدها، وهو نموذج Gemma 4 31B ARA، يزعم خفضًا كبيرًا في الرفض، نفحصه أدناه.

متغيرات Llama abliterated أغلبها أقدم. لا شيء أحدث من Llama 3.1 و3.3 له أعداد تنزيل كبيرة في فحصنا بتاريخ 2026-11-13، والمدخل 8B الأكثر تنزيلًا يعود إلى 2024. ابحث: Llama abliterated.

Mistral و DeepSeek و GLM. يوجد abliteration لـ Mistral Small 3.2 24B. أما DeepSeek و GLM فتوجد نسخ abliterated لأحدث النماذج لكن حجمها نحو 284 GB و321 GB، وهو خارج نطاق العتاد الاستهلاكي؛ والعملي فقط هو نموذج DeepSeek R1 distill الأقدم بحجم 32B.

قراءة نقدية لادعاء Gemma 4 31B. تذكر بطاقة النموذج انخفاض الرفض من 99 من 100 موجّه إلى 28 من 100 (Heretic v2.0.0 ARA، انحراف KL يساوي 0.0845). هذا انخفاض نسبي 72%، ويعني أيضًا أن 28 من 100 موجّه اختبار ما زالت تُفعّل الكاشف. والكاشف قائمة من نحو 34 كلمة مفتاحية مثل "sorry" و"illegal"، تُطبَّق على ردود مقتطعة عند 100 رمز، فيُحسب الجواب المفيد المصحوب بتنبيه رفضًا، ويُحسب الرد غير المجيب الخالي من هذه الكلمات امتثالًا. مجموعة الاختبار 100 موجّه من مجموعة بيانات واحدة، والنموذج الأصلي سجّل 99/100، وقيمة KL تُقاس على الموجّهات غير الضارة فقط، فلا تقول شيئًا عن القدرة. وتعد البطاقة بقابلية إعادة الإنتاج، لكن ملف إعادة الإنتاج فيها نفسه يحذر من استخدام نسخة Heretic محلية غير مثبَّتة. لم نجد تقييمًا مستقلًا. وإعادة تعبئة 31B أخرى على الأساس نفسه تذكر 10/100 عند KL يساوي 0.054، لكن نتائج مؤلفين وتشغيلات وإعدادات مختلفة لا تُقارَن.

منصة الاستضافة تخزّن الملفات نفسها وتقدمها. أما الفهرس المتخصص فيزحف على منصات الاستضافة فقط ويضيف طبقة اكتشاف. قد يساعدك الفهرس في العثور على مرشحين، لكن الملف الذي تنزّله يأتي من المضيف، فأسئلة المصدر تتعلق دائمًا بالمضيف والمؤلف.

فحصنا عشرة مستودعات حالية في 2026-11-13 مقابل واجهة Hugging Face البرمجية وبطاقات النماذج، لا مقابل مقالات أقدم. الأحجام هي أحجام ملفات Q4_K_M GGUF حيث ينشرها المستودع؛ وأرقام الذاكرة تقديراتنا (حجم الملف مضافًا إليه وقت التشغيل والذاكرة المؤقتة)، لا قياسات. أعداد التنزيل والتواريخ تتغير باستمرار، لذا هذا الجدول لقطة ويجب تحديثه بمعزل عن المقال.

سبب أهمية ذلك هو بنية الذكاء الاصطناعي المحلي. معظم التطبيقات المحلية لا تأتي بنموذج ثابت. فهي تتصل بخلفية، عادةً Ollama أو llama.cpp أو خادم متوافق مع OpenAI، أو تحمّل ملفات GGUF التي تختارها.

تؤكد مراجعاتنا الخاصة هذا النمط عبر الفئات. SillyTavern يتصل بـ KoboldCpp و text-generation-webui و Ollama أو LM Studio. Open WebUI واجهة أمامية لـ Ollama أو أي واجهة برمجية متوافقة مع OpenAI. LM Studio يشغّل نماذج GGUF مع متصفح Hugging Face مدمج. AnythingLLM وMsty وCline تتصل بـ Ollama أو LM Studio. n8n فيه عقدة Ollama مخصصة، وKoboldCpp يشغّل ملفات GGUF مباشرة. وعندما يكون النموذج إعدادًا، تستطيع تبديل نموذج محايد بآخر غير مقيّد لكل مهمة.

ما الذي تكسبه. تحصل على ميزات التطبيق والنموذج الذي تختاره، دون اتصال، ودون أن يقرأ مزوّد مستضاف المحادثة. يبيّن الجدول كيف يتجلى ذلك حسب الفئة. تأكد من أن الإصدار الذي تستخدمه من التطبيق يقبل نماذج مخصصة قبل الاعتماد عليه؛ هذه القائمة نقطة بداية لا ضمانًا.

Ollama (ollama.com) هو أبسط طريق لمستخدمي سطر الأوامر: تسحب نموذجًا باسمه فيقدّم واجهة برمجية تفهمها تطبيقات كثيرة. وLM Studio (lmstudio.ai) هو الطريق الرسومي، مع متصفح Hugging Face مدمج وخادم محلي متوافق مع OpenAI. وllama.cpp (github.com/ggml-org/llama.cpp) هو المحرك الذي تقوم عليه أدوات كثيرة منها ويشغّل ملفات GGUF مباشرة. وTransformers (huggingface.co/docs/transformers) يحمّل أوزان safetensors كاملة الدقة في Python، وهو مناسب للبحث ولمن ينوي تقييم النماذج أو تعديلها.

GGUF والتكميم. GGUF صيغة الملف الواحد التي تستخدمها أدوات llama.cpp. التكميم يخزّن الأوزان بعدد بتات أقل: Q4_K_M هو الحل الوسط المعتاد، ويعطي نحو ربع الحجم كامل الدقة بكلفة جودة متواضعة. التكميمات الأدنى توفّر ذاكرة لكنها قد تضر بالاستدلال واتباع التعليمات، فاختبر الملف المحدد الذي تستخدمه.

العتاد. في Apple Silicon، الذاكرة الموحدة مشتركة بين المعالج والرسوميات، فيستطيع Mac بسعة 32 GB استيعاب نموذج Q4 بنحو 24-27B معامل مع السياق؛ اترك عدة جيجابايت للنظام. وفي بطاقات NVIDIA يجب أن يتسع النموذج في VRAM: بطاقة 24 GB تناسب نماذج 24-31B أعلاه، و8 GB تناسب نماذج 4-9B. إذا لم يتسع النموذج، تنسكب طبقات إلى ذاكرة النظام وتنخفض السرعة بشدة. وللأرقام الدقيقة راجع كم VRAM يحتاج LLM محلي.

التشغيل دون اتصال. بمجرد وجود الأوزان على القرص، لا تحتاج أي من هذه الأدوات إلى الإنترنت لتوليد النص. هذه هي حجة الخصوصية الرئيسية، وهي أيضًا السبب في أن أي مزوّد لا يستطيع فرض قواعد الاستخدام على نسخة محلية.

من حيث المبدأ نعم، وهو أيسر مما كان. ونصف سير العمل على مستوى عالٍ فقط.

نصف المخاطر بالمستوى اللازم لفهمها، ولا نقدم أي تفصيل تنفيذي.

أقوى الحجج لصالح النماذج الأقل تقييدًا تستحق عرضًا منصفًا.

الحجج المضادة حقيقية بالقدر نفسه. تقلل الضمانات احتمال أن يساعد النموذج في ضرر جسيم، وتحمي المستخدمين الضعفاء، وتجعل النشر في المنتجات قابلًا للدفاع عنه.

التمييز الأساسي بين نموذج يولّد نصًا ووكيل يستطيع تنفيذ أوامر أو قراءة ملفات أو تصفح الويب أو التفاعل مع أنظمة أخرى. إذا كتب نموذج محادثة شيئًا ضارًا، فلا يزال على شخص أن يتصرف بناءً عليه. أما إذا تصرف وكيل بالنموذج نفسه، فتنغلق الفجوة بين المخرجات والعواقب.

ومن الصعب جعل الضمانات في النماذج المفتوحة مقاومة للعبث: فبحث abliteration أعلاه يبيّن أن تعديلًا واحدًا للأوزان يمكنه كبح سلوك الرفض. وهذه حجة جوهرية لحمايات أقوى على مستوى النموذج ولضوابط خارجية حوله.

نعم. بما أن النموذج المحلي بلا طبقة من جهة المزوّد، فإنك تضيف طبقتك الخاصة حوله.

لا توجد إجابة واحدة، وهذه ليست استشارة قانونية. المسائل الواجب فصلها هي الحيازة والتوزيع والاستخدام، وقد تختلف الإجابة حسب البلد وحسب ما يُستخدم النموذج فيه.

قانون الذكاء الاصطناعي الأوروبي. تفرض اللائحة (EU) 2024/1689 التزامات على مزوّدي نماذج الذكاء الاصطناعي ذات الأغراض العامة، مع إعفاء جزئي للنماذج مفتوحة المصدر لا ينطبق على النماذج ذات المخاطر النظامية. تسري التزامات نماذج الذكاء الاصطناعي ذات الأغراض العامة من 2025-08-02، وصلاحيات الإنفاذ للمفوضية من 2026-08-02. وتقول إرشادات المفوضية لعام 2025 إن المعدِّل اللاحق يصبح مزوّدًا فقط فوق عتبة حوسبة استرشادية؛ ونقرأ abliteration على أنه أقل منها بكثير، لكن المعيار غير مُلزم. لم نستطع التأكد من النص ما إذا كانت Digital Omnibus لعام 2026 قد غيّرت مواعيد الذكاء الاصطناعي ذي الأغراض العامة، فتحقق من النص الحالي.

الحيازة مقابل الاستخدام. امتلاك ملف نموذج أمر مختلف عن استخدامه لارتكاب جريمة. يرتبط القانون الجنائي بأفعال محددة: إنتاج محتوى محظور، أو احتيال، أو مضايقة، أو أدوات مصممة للجريمة المعلوماتية. راجعنا الأحكام الألمانية جزئيًا فقط، فلا تعتمد على هذا الدليل بشأنها.

التراخيص والعقود. تضيف التراخيص قواعد فوق القانون. تذكر بطاقات نموذج Gemma 4 ترخيص Apache-2.0 وتربط بصفحة ترخيص Gemma 4، بينما استخدمت أجيال Gemma السابقة شروط Gemma وسياسة الاستخدام المحظور التي تحظر التحايل على مرشحات الأمان؛ تحقق من صفحة ترخيص النموذج الأساسي المحدد. ويشترط ترخيص Llama 3.1 إشعار "Built with Llama" وبادئة في اسم النموذج للمشتقات، مع سياسة استخدام مقبول تقيّد الاستخدامات لكن لا يوجد فيها، بحسب قراءتنا، بند صريح ضد التحايل. وتُظهر بطاقات Qwen3.5 و Qwen3.8 المدرجة في الجدول ترخيص Apache-2.0. اقرأ دائمًا ترخيص النموذج الأساسي لا المشتق فقط.

حماية البيانات وحقوق النشر. معالجة البيانات الشخصية محليًا تظل خاضعة لقانون حماية البيانات، وأسئلة حقوق النشر حول بيانات تدريب النماذج الأساسية لم تُحسم. ولا شيء منهما يتغير عند إزالة الرفض.

عدة اتجاهات تشير إلى نعم. التعديل المجتمعي كبير ومتنامٍ: أعداد وسوم Hugging Face أعلاه تبلغ آلاف المستودعات. والأدوات تصبح أكثر أتمتة: Heretic يبحث في الإعدادات نيابةً عنك، و ARA تتجاوز الاتجاه الواحد. ستستمر تقنيات جديدة لإزالة الرفض في الظهور، وكذلك تقنيات تجعل الضمانات أصعب إزالة.

وتشدّ تطورات أخرى في اتجاهات مختلفة: معماريات أمان قابلة للضبط تتيح للناشرين اختيار سياسة، وخدمات تجارية تقدم نماذج أقل تقييدًا، وذكاء اصطناعي محلي يضع التحكم بشكل متزايد في يد المستخدم، وتنظيم لا يزال يتشكل. توقّع استمرار الجدل حول ما إذا كان يمكن جعل الأوزان المفتوحة مقاومة للعبث يومًا.

الخلاصة. الذكاء الاصطناعي مفتوح الأوزان يمنح المستخدمين تحكمًا أكبر في سلوك النموذج، وطبقة التطبيق تجعل هذا التحكم عمليًا. لكن إزالة الضمانات لا تزيل المسؤولية: بل تنقلها إلى من يشغّل النموذج.