Qué puntuación obtienen en benchmarks independientes y hasta qué punto se han eliminado sus rechazos.
Un modelo abliterated es un LLM de pesos abiertos al que se le ha eliminado el comportamiento de rechazo editando sus pesos, sin reentrenamiento. Una investigación de 2024 mostró que los rechazos de los modelos de chat dependen de una sola dirección en las activaciones internas del modelo, y los primeros modelos Llama 3 abliterated eliminaron esa dirección de los pesos. El nombre es una mezcla de "ablate" y "obliterate".
Las técnicas de abliteración han cambiado mucho desde principios de 2026, y el campo sigue avanzando rápido. Ya no se elimina una sola dirección de rechazo, sino varias: la ablación de rango arbitrario de Heretic, un subespacio de rechazo de rango 2 para DeepSeek V4.1 Flash con direcciones distintas para el chat y el razonamiento, y ediciones ajustadas para cada nivel de esfuerzo de razonamiento. Ahora el resultado depende mucho del modelo. Un método que elimina casi todos los rechazos de un modelo puede dejar muchos en otro.
Los principales builds abliterated vienen de unos pocos publicadores en Hugging Face. dealignai publica builds sin censura a nivel de pesos de GLM 5.3, GLM 5.3 Flash y DeepSeek V4.1 Flash 1017, cada uno con resultados publicados de rechazos en HarmBench y de MMLU. orcarouter publica builds sin censura de Qwen 3.8, GLM 5.3 Flash y DeepSeek V4.1 Flash. Audn AI publica Penclaw, una línea de modelos de frontera abliterated que incluye GLM 5.3. p-e-w creó Heretic, la herramienta de abliteración de código abierto detrás de miles de modelos de la comunidad, y también publica builds de Heretic de modelos Qwen.
A principios de 2026, un modelo Qwen abliterated era la respuesta habitual a cuál es el mejor modelo abliterated. Eso cambió cuando Z.ai lanzó GLM 5.3 en agosto. GLM 5.3 ha sido el modelo abierto más importante del año para el desarrollo de software, y sigue por delante de DeepSeek V4.1 Flash en programación agéntica, aunque DeepSeek lanzó V4.1 Flash después y lo actualizó en octubre.
GLM 5.3 tiene dos variantes con arquitecturas distintas. GLM 5.3 es un modelo mixture-of-experts de 753B que solo acepta texto. GLM 5.3 Flash es un modelo de 320B con 18B parámetros activos, y es multimodal: acepta imágenes además de texto. El modelo completo cuesta más por token, pero a noviembre de 2026 es el mejor modelo abierto para el desarrollo de software, y su versión abliterated es el mejor modelo abliterated para programar.
Artificial Analysis ejecuta las mismas evaluaciones en todos los modelos importantes. En la versión 5 de su Intelligence Index, DeepSeek V4.1 Flash 1017 y GLM 5.3 son los dos modelos de pesos abiertos con mayor puntuación, con 33 y 32. GLM 5.3 Flash obtiene 28 y Qwen 3.8 27B obtiene 20, el segundo mejor entre los modelos abiertos pequeños.
En programación, GLM 5.3 va por delante. Obtiene un 41.9% en Terminal-Bench 4.0, la evaluación de programación agéntica, frente al 33.8% de DeepSeek V4.1 Flash, y un 59.0% en SciCode frente al 55.9%. También lidera en CritPt, una evaluación de investigación en física, y alucina mucho menos: da una respuesta incorrecta en lugar de admitir que no está seguro en el 39% de las preguntas de conocimiento que falla, frente al 64% de DeepSeek. DeepSeek V4.1 Flash lidera en razonamiento general y conocimientos, y cuesta aproximadamente una octava parte por tarea.
Intelligence Index
Más alto es mejor
Programación agéntica (Terminal-Bench 4.0)
Más alto es mejor
Coste por tarea del Intelligence Index
Más bajo es mejor
| Modelo | Intelligence Index | Terminal-Bench 4.0 | SciCode | CritPt | Tasa de alucinación | FrontierCode 2.0 | HLE-Diamond | Coste por tarea |
|---|---|---|---|---|---|---|---|---|
| GLM 5.3 | 31.7 | 41.9% | 59.0% | 33.5% | 38.9% | 21.6% | 17.9% | $5.01 |
| GLM 5.3 Flash | 27.8 | 32.8% | 51.6% | 24.5% | 38.4% | 17.6% | 18.2% | $0.58 |
| DeepSeek V4.1 Flash 1017 | 32.6 | 33.8% | 55.9% | 25.0% | 64.1% | 28.5% | 25.3% | $0.60 |
| Qwen 3.8 27B | 20.1 | 5.6% | 46.6% | 4.0% | 28.6% | 14.9% | 15.3% | $3.53 |
La abliteración ha funcionado peor con GLM 5.3 que con otros modelos. La mayoría de los investigadores que trabajan en él no han conseguido eliminar sus rechazos por completo, y la abliteración clásica deja más rechazos que en Qwen o DeepSeek. Incluso la mejor versión pública tiene salvedades: el build de GLM 5.3 de dealignai responde por completo a cerca del 80% de los prompts de HarmBench y aún rechaza el 12–13% de ellos.
dealignai prueba cada uno de sus builds con los mismos 320 prompts de HarmBench, así que sus resultados muestran cómo se comparan los modelos tras la abliteración. GLM 5.3 es el que más rechaza: aún rechaza el 12–13% de los prompts, con rechazos suaves o redirecciones en lugar de rechazos directos. GLM 5.3 Flash y DeepSeek V4.1 Flash 1017 responden a los 320 con su esfuerzo de razonamiento predeterminado. GLM 5.3 Flash mantiene algunos rechazos con un esfuerzo de razonamiento bajo, por diseño. Los dos builds de GLM puntúan ligeramente más alto en MMLU que los modelos originales, mientras que DeepSeek pierde unos 4 puntos.
| Modelo | Respondidos por completo | Aún rechazados | Esfuerzo de razonamiento probado | MMLU, original → abliterated |
|---|---|---|---|---|
| GLM 5.3 | 79–82% | 12–13% | Desactivado y máximo | 85.6% → 87.4% |
| GLM 5.3 Flash | 100% | 0% | Desactivado y máximo | 86.7% → 87.3% |
| DeepSeek V4.1 Flash 1017 | 100% | 0% | Máximo | 87.6% → 83.8% |
Ejecutar estos modelos en local suele obligar a cuantizarlos para que quepan en el hardware, y la cuantización degrada mucho la calidad de sus respuestas. Por eso una versión local no sirve para un trabajo serio de seguridad.
Las cargas de trabajo críticas también necesitan una disponibilidad casi perfecta, y muchos proveedores de estos modelos tienen problemas importantes de disponibilidad y latencia. Por eso un router es la mejor opción. El Abliterated Model Router de AllModels sirve GLM 5.3, GLM 5.3 Flash y DeepSeek V4.1 Flash Abliterated con entre dos y cinco proveedores cada uno. Si un proveedor no puede atender una solicitud, AllModels la envía al siguiente antes de que empiece la respuesta, así que las sesiones agénticas largas siguen funcionando.
Comparación
Todos los modelos de esta lista están disponibles a través de la API de AllModels. Los precios son por millón de tokens de entrada / salida, del proveedor más barato.
| Producto | Ideal para | Entrada | Comportamiento de rechazo | Proveedores | Precio / 1M tokens |
|---|---|---|---|---|---|
| GLM 5.3 Abliterated | El trabajo más difícil, incluidos programación y agentes | Texto | 12–13% aún rechazados | 3 | Desde $1.06 / $2.11 |
| GLM 5.3 Flash Abliterated | GLM barato con entrada de imágenes | Texto e imágenes | Eliminados por completo | 2 | Desde $0.13 / $0.53 |
| DeepSeek V4.1 Flash Abliterated | La mejor calidad por su coste y el menor número de rechazos | Texto e imágenes | Eliminados por completo | 5 | Desde $0.15 / $0.53 |
| Qwen 3.8 27B Abliterated | Uso general, pequeño y rápido | Texto | Eliminados por completo | 1 | $2.11 / $8.44 |
El mejor modelo abliterated para el desarrollo de software a noviembre de 2026, y el líder en programación agéntica. Solo acepta texto y cuesta más por token que los modelos Flash. Sus rechazos no están eliminados del todo, así que algunos prompts todavía reciben una respuesta matizada o redirigida.
Elígelo si: quieres el mejor modelo abliterated para programar y puedes convivir con rechazos ocasionales.
La variante más pequeña de GLM 5.3, con 18B parámetros activos. Acepta imágenes además de texto y es el modelo más barato de la lista. El build de dealignai responde a todos los prompts de HarmBench con su esfuerzo de razonamiento predeterminado, pero mantiene algunos rechazos con esfuerzo bajo.
Elígelo si: quieres un GLM abliterated más barato o necesitas entrada de imágenes.
El modelo más permisivo de la lista, el mejor modelo de pesos abiertos en el Intelligence Index de Artificial Analysis y uno de los más baratos de llamar. Los builds abliterated publicados llevan sus rechazos prácticamente a cero. AllModels lo sirve con cinco proveedores.
Elígelo si: los rechazos que le quedan a GLM 5.3 te estorban en tu trabajo, o lo que más importa es el coste.
La familia de modelos abliterated con más descargas en Hugging Face, y la opción habitual antes de que llegara GLM 5.3. Es el segundo mejor modelo abierto pequeño en el Intelligence Index y tiene la tasa de alucinación más baja de la lista, pero se queda por detrás de los modelos más grandes en programación.
Elígelo si: quieres un modelo pequeño de uso general con rechazos casi nulos.
Resultados
Para el trabajo más difícil, el mejor es GLM 5.3 Abliterated, el modelo completo y no Flash. Lidera los modelos abiertos en programación agéntica a noviembre de 2026, y en AllModels es una llamada a la API con el OpenAI SDK que ya usas.
Si te encuentras con rechazos, DeepSeek V4.1 Flash Abliterated es la mejor opción en calidad frente a coste. Responde a todos los prompts de HarmBench en las pruebas de dealignai, obtiene una puntuación algo más alta que GLM 5.3 en el Intelligence Index y cuesta una fracción: desde $0.15 / $0.53 por millón de tokens de entrada / salida en AllModels, frente a $1.06 / $2.11 de GLM 5.3. Si sobre todo necesitas velocidad y bajo coste, el modelo estándar deepseek/deepseek-v4.1-flash-ultrafast rechaza poco y puede ser suficiente.
provider en cada respuesta.Explora todos los modelos abliterated en AllModels o empieza con créditos gratis.
Apunta el OpenAI SDK, o cualquier cliente HTTP, a AllModels y usa un ID de modelo abliterated. Elige un cliente, una API y un lenguaje; las líneas resaltadas son la URL base de AllModels, el modelo y la preferencia de proveedor.
Configura la URL base del OpenAI SDK como https://api.allmodels.io/oai y llama a un modelo abliterated por su ID de AllModels. Lee la guía de inicio rápido de LLM.
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.ALLMODELS_API_KEY,
baseURL: "https://api.allmodels.io/oai",
});
const completion = await client.chat.completions.create({
model: "deepseek/deepseek-v4.1-flash-abliterated",
messages: [{ role: "user", content: "Explain abliteration in one sentence." }],
});
console.log(completion.choices[0].message.content);Configura la URL base del OpenAI SDK como https://api.allmodels.io/oai y llama a un modelo abliterated por su ID de AllModels. Lee la guía de inicio rápido de LLM.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["ALLMODELS_API_KEY"],
base_url="https://api.allmodels.io/oai",
)
completion = client.chat.completions.create(
model="deepseek/deepseek-v4.1-flash-abliterated",
messages=[{"role": "user", "content": "Explain abliteration in one sentence."}],
)
print(completion.choices[0].message.content)Usa la Responses API e indica los proveedores que prefieres. Si el primero no puede atender la solicitud, AllModels prueba el siguiente antes de que empiece la respuesta. Lee la documentación de enrutamiento de proveedores.
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.ALLMODELS_API_KEY,
baseURL: "https://api.allmodels.io/oai",
});
const response = await client.responses.create({
model: "deepseek/deepseek-v4.1-flash-abliterated",
input: "Explain abliteration in one sentence.",
provider: { order: ["hopper", "refuseless"] },
});
console.log(response.output_text);Usa la Responses API y pasa tu preferencia de proveedor en extra_body. Si el primer proveedor no puede atender la solicitud, AllModels prueba el siguiente antes de que empiece la respuesta. Lee la documentación de enrutamiento de proveedores.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["ALLMODELS_API_KEY"],
base_url="https://api.allmodels.io/oai",
)
response = client.responses.create(
model="deepseek/deepseek-v4.1-flash-abliterated",
input="Explain abliteration in one sentence.",
extra_body={"provider": {"order": ["hopper", "refuseless"]}},
)
print(response.output_text)Envía un POST a https://api.allmodels.io/oai/chat/completions. El campo provider de la respuesta te dice qué proveedor la atendió. Lee la guía de inicio rápido de LLM.
const res = await fetch("https://api.allmodels.io/oai/chat/completions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.ALLMODELS_API_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({
model: "deepseek/deepseek-v4.1-flash-abliterated",
messages: [{ role: "user", content: "Explain abliteration in one sentence." }],
}),
});
const completion = await res.json();
console.log(completion.provider, completion.choices[0].message.content);Envía un POST a https://api.allmodels.io/oai/chat/completions. El campo provider de la respuesta te dice qué proveedor la atendió. Lee la guía de inicio rápido de LLM.
import os
import requests
res = requests.post(
"https://api.allmodels.io/oai/chat/completions",
headers={"Authorization": f"Bearer {os.environ['ALLMODELS_API_KEY']}"},
json={
"model": "deepseek/deepseek-v4.1-flash-abliterated",
"messages": [{"role": "user", "content": "Explain abliteration in one sentence."}],
},
)
completion = res.json()
print(completion["provider"], completion["choices"][0]["message"]["content"])Envía un POST a https://api.allmodels.io/oai/responses con una preferencia de proveedor y luego lee el mensaje de output. Lee la documentación de enrutamiento de proveedores.
const res = await fetch("https://api.allmodels.io/oai/responses", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.ALLMODELS_API_KEY}`,
"Content-Type": "application/json",
},
body: JSON.stringify({
model: "deepseek/deepseek-v4.1-flash-abliterated",
input: "Explain abliteration in one sentence.",
provider: { order: ["hopper", "refuseless"] },
}),
});
const response = await res.json();
const message = response.output.find((item) => item.type === "message");
console.log(response.provider, message.content[0].text);Envía un POST a https://api.allmodels.io/oai/responses con una preferencia de proveedor y luego lee el mensaje de output. Lee la documentación de enrutamiento de proveedores.
import os
import requests
res = requests.post(
"https://api.allmodels.io/oai/responses",
headers={"Authorization": f"Bearer {os.environ['ALLMODELS_API_KEY']}"},
json={
"model": "deepseek/deepseek-v4.1-flash-abliterated",
"input": "Explain abliteration in one sentence.",
"provider": {"order": ["hopper", "refuseless"]},
},
)
response = res.json()
message = next(item for item in response["output"] if item["type"] == "message")
print(response["provider"], message["content"][0]["text"])Interfaces compatibles
https://api.allmodels.io/oai/chat/completions
Apunta el OpenAI SDK oficial a https://api.allmodels.io/oai y sigue llamando a chat.completions.create, ahora con IDs de modelos abliterated. Las respuestas llegan como JSON o en streaming como server-sent events.
https://api.allmodels.io/oai/responses
Usa responses.create con el mismo cliente y la misma clave. La Responses API no guarda estado, así que envía la conversación completa en cada solicitud.
Respuestas rápidas
Para el trabajo más difícil, GLM 5.3 Abliterated, el modelo completo y no Flash. Sus rechazos no están eliminados del todo, así que si te estorban usa DeepSeek V4.1 Flash Abliterated, la mejor opción en calidad frente a coste. Ambos están disponibles a través de la API de AllModels.
Para programar, sí. En Artificial Analysis, GLM 5.3 obtiene un 41.9% en Terminal-Bench 4.0 frente al 33.8%, y un 59.0% en SciCode frente al 55.9%, y alucina menos. DeepSeek V4.1 Flash obtiene una puntuación algo más alta en el Intelligence Index general y cuesta aproximadamente una octava parte por tarea.
La abliteración clásica ha funcionado peor con GLM 5.3 y GLM 5.3 Flash que con otros modelos. La mayoría de las versiones públicas dejan algunos rechazos, respuestas matizadas o redirecciones. La abliteración elimina los rechazos de DeepSeek V4.1 Flash de forma mucho más completa.
A menudo no. DeepSeek V4.1 Flash rechaza poco fuera de las solicitudes claramente dañinas, y el modelo estándar deepseek/deepseek-v4.1-flash-ultrafast en AllModels es muy rápido y barato. Usa deepseek/deepseek-v4.1-flash-abliterated cuando necesites que los rechazos sean prácticamente cero.
GLM 5.3 es el modelo completo de 753B. Solo acepta texto, cuesta más y es el más potente para el desarrollo de software. GLM 5.3 Flash tiene 320B parámetros con 18B activos, acepta imágenes además de texto y es mucho más barato.
A un modelo abliterated se le ha eliminado la dirección de rechazo de sus pesos, así que responde prompts que normalmente rechazaría. Es una edición de los pesos, no un fine-tune, y el resto del modelo se mantiene cerca del original.
z-ai/glm-5.3-abliterated para programar o deepseek/deepseek-v4.1-flash-abliterated para el menor número de rechazos.https://api.allmodels.io/oai y usa tu clave API de AllModels.