Leurs scores sur des benchmarks indépendants et dans quelle mesure leurs refus ont été supprimés.
Un modèle abliterated est un LLM à poids ouverts dont le comportement de refus a été supprimé en modifiant ses poids, sans réentraînement. Des travaux de recherche de 2024 ont montré que les refus des modèles de chat sont contrôlés par une seule direction dans les activations internes du modèle, et les premiers modèles Llama 3 abliterated ont retiré cette direction des poids. Le nom est une contraction de « ablate » et « obliterate ».
Les techniques d’abliteration ont beaucoup évolué depuis le début de 2026, et le domaine bouge encore vite. On ne supprime plus une seule direction de refus, mais plusieurs : l’ablation de rang arbitraire de Heretic, un sous-espace de refus de rang 2 pour DeepSeek V4.1 Flash avec des directions distinctes pour le chat et le raisonnement, et des modifications réglées pour chaque niveau d’effort de raisonnement. Le résultat dépend désormais beaucoup du modèle. Une méthode qui supprime presque tous les refus d’un modèle peut en laisser beaucoup dans un autre.
Les principaux builds abliterated proviennent de quelques éditeurs sur Hugging Face. dealignai publie des builds non censurés au niveau des poids de GLM 5.3, GLM 5.3 Flash et DeepSeek V4.1 Flash 1017, chacun avec des résultats de refus HarmBench et MMLU publiés. orcarouter publie des builds non censurés de Qwen 3.8, GLM 5.3 Flash et DeepSeek V4.1 Flash. Audn AI publie Penclaw, une gamme de modèles de pointe abliterated qui comprend GLM 5.3. p-e-w a créé Heretic, l’outil d’abliteration open source à l’origine de milliers de modèles communautaires, et publie aussi des builds Heretic de modèles Qwen.
Au début de 2026, un modèle Qwen abliterated était la réponse habituelle à la question du meilleur modèle abliterated. Cela a changé quand Z.ai a publié GLM 5.3 en août. GLM 5.3 a été le modèle ouvert le plus important de l’année pour le développement logiciel, et il reste devant DeepSeek V4.1 Flash en code agentique, alors que DeepSeek a publié V4.1 Flash après lui et l’a mis à jour en octobre.
GLM 5.3 existe en deux variantes aux architectures différentes. GLM 5.3 est un modèle à mélange d’experts de 753B qui n’accepte que du texte. GLM 5.3 Flash est un modèle de 320B avec 18B paramètres actifs, et il est multimodal : il accepte des images en plus du texte. Le modèle complet coûte plus cher par token, mais en novembre 2026 c’est le meilleur modèle ouvert pour le développement logiciel, et sa version abliterated est le meilleur modèle abliterated pour le code.
Artificial Analysis exécute les mêmes évaluations sur tous les grands modèles. Sur la version 5 de son Intelligence Index, DeepSeek V4.1 Flash 1017 et GLM 5.3 sont les deux modèles à poids ouverts les mieux notés, avec 33 et 32. GLM 5.3 Flash obtient 28 et Qwen 3.8 27B obtient 20, le deuxième meilleur score parmi les petits modèles ouverts.
En code, GLM 5.3 est devant. Il obtient 41.9% sur Terminal-Bench 4.0, l’évaluation de code agentique, contre 33.8% pour DeepSeek V4.1 Flash, et 59.0% sur SciCode contre 55.9%. Il arrive aussi en tête sur CritPt, une évaluation de recherche en physique, et hallucine beaucoup moins : il donne une mauvaise réponse au lieu d’admettre son incertitude sur 39% des questions de connaissances qu’il rate, contre 64% pour DeepSeek. DeepSeek V4.1 Flash mène en raisonnement général et en connaissances, et coûte environ huit fois moins cher par tâche.
Intelligence Index
Plus c’est haut, mieux c’est
Code agentique (Terminal-Bench 4.0)
Plus c’est haut, mieux c’est
Coût par tâche de l’Intelligence Index
Plus c’est bas, mieux c’est
| Modèle | Intelligence Index | Terminal-Bench 4.0 | SciCode | CritPt | Taux d’hallucination | FrontierCode 2.0 | HLE-Diamond | Coût par tâche |
|---|---|---|---|---|---|---|---|---|
| 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 |
L’abliteration a moins bien fonctionné sur GLM 5.3 que sur d’autres modèles. La plupart des chercheurs qui s’y sont attaqués n’ont pas réussi à supprimer complètement ses refus, et l’abliteration classique laisse plus de refus que sur Qwen ou DeepSeek. Même la meilleure version publique a ses limites : le build GLM 5.3 de dealignai répond pleinement à environ 80% des prompts HarmBench et en refuse encore 12–13%.
dealignai teste chacun de ses builds sur les mêmes 320 prompts HarmBench : ses résultats montrent donc comment les modèles se comparent après abliteration. GLM 5.3 est celui qui refuse le plus : il refuse encore 12–13% des prompts, par des refus nuancés ou des réorientations plutôt que des refus nets. GLM 5.3 Flash et DeepSeek V4.1 Flash 1017 répondent aux 320 prompts à leur effort de raisonnement par défaut. GLM 5.3 Flash conserve volontairement quelques refus à un effort de raisonnement faible. Les deux builds GLM obtiennent un score MMLU légèrement supérieur à celui des modèles d’origine, tandis que DeepSeek perd environ 4 points.
| Modèle | Réponse complète | Encore refusés | Effort de raisonnement testé | MMLU, origine → abliterated |
|---|---|---|---|---|
| GLM 5.3 | 79–82% | 12–13% | Désactivé et maximal | 85.6% → 87.4% |
| GLM 5.3 Flash | 100% | 0% | Désactivé et maximal | 86.7% → 87.3% |
| DeepSeek V4.1 Flash 1017 | 100% | 0% | Maximal | 87.6% → 83.8% |
Exécuter ces modèles en local implique généralement de les quantifier pour qu’ils tiennent sur le matériel, et la quantification dégrade nettement la qualité de leurs réponses. Une version locale n’est donc pas adaptée à un travail sérieux en sécurité.
Les charges de travail critiques exigent aussi une disponibilité quasi parfaite, et beaucoup de fournisseurs de ces modèles ont d’importants problèmes de disponibilité et de latence. C’est pourquoi un routeur est la meilleure approche. Le Routeur de modèles Abliterated d’AllModels sert GLM 5.3, GLM 5.3 Flash et DeepSeek V4.1 Flash Abliterated via deux à cinq fournisseurs chacun. Si un fournisseur ne peut pas traiter une requête, AllModels l’envoie au suivant avant le début de la réponse : les longues sessions agentiques continuent de tourner.
Comparatif
Tous les modèles présentés ici sont disponibles via l’API AllModels. Les prix sont par million de tokens en entrée / en sortie, chez le fournisseur le moins cher.
| Produit | Idéal pour | Entrée | Comportement de refus | Fournisseurs | Prix / 1M tokens |
|---|---|---|---|---|---|
| GLM 5.3 Abliterated | Les tâches les plus difficiles, dont le code et les agents | Texte | 12–13% encore refusés | 3 | À partir de $1.06 / $2.11 |
| GLM 5.3 Flash Abliterated | GLM bon marché avec entrée image | Texte et images | Supprimés entièrement | 2 | À partir de $0.13 / $0.53 |
| DeepSeek V4.1 Flash Abliterated | Meilleure qualité pour le coût, et le moins de refus | Texte et images | Supprimés entièrement | 5 | À partir de $0.15 / $0.53 |
| Qwen 3.8 27B Abliterated | Usage général, petit et rapide | Texte | Supprimés entièrement | 1 | $2.11 / $8.44 |
Le meilleur modèle abliterated pour le développement logiciel en novembre 2026, et le leader en code agentique. Il n’accepte que du texte et coûte plus cher par token que les modèles Flash. Ses refus ne sont pas totalement supprimés : certains prompts reçoivent encore une réponse nuancée ou réorientée.
Choisissez-le si : vous voulez le meilleur modèle abliterated pour le code et acceptez quelques refus occasionnels.
La variante plus petite de GLM 5.3, avec 18B paramètres actifs. Elle accepte des images en plus du texte et c’est le modèle le moins cher de cette liste. Le build de dealignai répond à tous les prompts HarmBench à son effort de raisonnement par défaut, mais conserve quelques refus à l’effort faible.
Choisissez-le si : vous voulez un GLM abliterated moins cher, ou vous avez besoin d’entrées image.
Le modèle le plus permissif de cette liste, le premier modèle à poids ouverts de l’Intelligence Index d’Artificial Analysis, et l’un des moins chers à appeler. Les builds abliterated publiés ramènent ses refus à quasiment zéro. AllModels le sert via cinq fournisseurs.
Choisissez-le si : les refus restants de GLM 5.3 gênent votre travail, ou le coût compte avant tout.
La famille de modèles abliterated la plus téléchargée sur Hugging Face, et le choix habituel avant l’arrivée de GLM 5.3. C’est le deuxième meilleur petit modèle ouvert de l’Intelligence Index et il a le taux d’hallucination le plus bas de cette liste, mais il reste derrière les grands modèles en code.
Choisissez-le si : vous voulez un petit modèle généraliste avec des refus quasiment nuls.
Résultats
Pour les tâches les plus difficiles, GLM 5.3 Abliterated est le meilleur choix, le modèle complet plutôt que Flash. Il domine les modèles ouverts en code agentique en novembre 2026, et sur AllModels il suffit d’un appel d’API avec le SDK OpenAI que vous utilisez déjà.
Si vous vous heurtez à des refus, DeepSeek V4.1 Flash Abliterated est la meilleure option en rapport qualité-coût. Il répond à tous les prompts HarmBench dans les tests de dealignai, obtient un score légèrement plus élevé que GLM 5.3 sur l’Intelligence Index, et coûte une fraction de son prix : à partir de $0.15 / $0.53 par million de tokens en entrée / en sortie sur AllModels, contre $1.06 / $2.11 pour GLM 5.3. Si vous avez surtout besoin de vitesse et d’un faible coût, le modèle standard deepseek/deepseek-v4.1-flash-ultrafast refuse peu et peut suffire.
provider dans chaque réponse.Parcourez tous les modèles abliterated sur AllModels ou commencez avec des crédits gratuits.
Pointez le SDK OpenAI, ou n’importe quel client HTTP, vers AllModels et utilisez un ID de modèle abliterated. Choisissez un client, une API et un langage ; les lignes en surbrillance sont l’URL de base AllModels, le modèle et la préférence de fournisseur.
Définissez l’URL de base du SDK OpenAI sur https://api.allmodels.io/oai et appelez un modèle abliterated par son ID AllModels. Lire le démarrage rapide 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);Définissez l’URL de base du SDK OpenAI sur https://api.allmodels.io/oai et appelez un modèle abliterated par son ID AllModels. Lire le démarrage rapide 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)Utilisez l’API Responses et listez les fournisseurs que vous préférez. Si le premier ne peut pas traiter la requête, AllModels essaie le suivant avant le début de la réponse. Lire la documentation sur le routage des fournisseurs.
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);Utilisez l’API Responses et passez votre préférence de fournisseur dans extra_body. Si le premier fournisseur ne peut pas traiter la requête, AllModels essaie le suivant avant le début de la réponse. Lire la documentation sur le routage des fournisseurs.
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)Envoyez une requête POST à https://api.allmodels.io/oai/chat/completions. Le champ provider de la réponse indique quel fournisseur l’a traitée. Lire le démarrage rapide 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);Envoyez une requête POST à https://api.allmodels.io/oai/chat/completions. Le champ provider de la réponse indique quel fournisseur l’a traitée. Lire le démarrage rapide 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"])Envoyez une requête POST à https://api.allmodels.io/oai/responses avec une préférence de fournisseur, puis lisez le message dans output. Lire la documentation sur le routage des fournisseurs.
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);Envoyez une requête POST à https://api.allmodels.io/oai/responses avec une préférence de fournisseur, puis lisez le message dans output. Lire la documentation sur le routage des fournisseurs.
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
Pointez le SDK OpenAI officiel vers https://api.allmodels.io/oai et continuez d’appeler chat.completions.create, désormais avec des ID de modèles abliterated. Les réponses arrivent en JSON ou en streaming sous forme de server-sent events.
https://api.allmodels.io/oai/responses
Utilisez responses.create avec le même client et la même clé. L’API Responses est sans état : envoyez donc toute la conversation à chaque requête.
Réponses rapides
Pour les tâches les plus difficiles, GLM 5.3 Abliterated, le modèle complet plutôt que Flash. Ses refus ne sont pas complètement supprimés : s’ils vous gênent, utilisez DeepSeek V4.1 Flash Abliterated, la meilleure option en rapport qualité-coût. Les deux sont disponibles via l’API AllModels.
Pour le code, oui. Sur Artificial Analysis, GLM 5.3 obtient 41.9% sur Terminal-Bench 4.0 contre 33.8%, et 59.0% sur SciCode contre 55.9%, et il hallucine moins. DeepSeek V4.1 Flash obtient un score légèrement plus élevé sur l’Intelligence Index global et coûte environ huit fois moins cher par tâche.
L’abliteration classique a moins bien fonctionné sur GLM 5.3 et GLM 5.3 Flash que sur d’autres modèles. La plupart des versions publiques laissent des refus, des réponses nuancées ou des réorientations. L’abliteration supprime les refus de DeepSeek V4.1 Flash de façon bien plus complète.
Souvent non. DeepSeek V4.1 Flash refuse peu en dehors des requêtes clairement nuisibles, et le modèle standard deepseek/deepseek-v4.1-flash-ultrafast sur AllModels est très rapide et bon marché. Utilisez deepseek/deepseek-v4.1-flash-abliterated quand vous avez besoin de refus quasiment nuls.
GLM 5.3 est le modèle complet de 753B. Il n’accepte que du texte, coûte plus cher et est le plus performant pour le développement logiciel. GLM 5.3 Flash compte 320B paramètres dont 18B actifs, accepte des images en plus du texte et coûte bien moins cher.
Un modèle abliterated a vu sa direction de refus supprimée de ses poids : il répond donc à des prompts qu’il déclinerait normalement. Il s’agit d’une modification des poids, pas d’un affinage, et le reste du modèle reste proche de l’original.
z-ai/glm-5.3-abliterated pour le code ou deepseek/deepseek-v4.1-flash-abliterated pour le moins de refus.https://api.allmodels.io/oai et utilisez votre clé API AllModels.