CopoHub Trending

p-e-w/heretic

Training-free language model modification: Remove censorship, suppress slop, reduce sycophancy, and more

Python · ★ 39,139 · Fork 4,412 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

p-e-w/heretic 已在 GitHub Trending 每日榜单上榜 21 天,最高排名第 1,首次上榜 2026-02-07,最近一次上榜 2026-11-04。

日期排名Star当日增长
2026-11-04#639,139+701
2026-11-03#638,742+699
2026-11-02#1538,050+404
2026-09-01#1329,862+537
2026-08-31#529,601+536
2026-08-30#529,120+485
2026-08-29#628,648+150
2026-06-02#723,215+249
2026-06-01#723,005+241
2026-05-28#722,200+211
2026-05-27#621,978+314
2026-03-17#915,496+788
2026-03-16#915,239+787
2026-03-15#714,598+1,066
2026-03-14#413,634+661
2026-02-20#88,648+652
2026-02-19#88,451+657
2026-02-18#27,943+947
2026-02-17#17,101+666
2026-02-08#44,845+309
2026-02-07#44,690+61

同期上榜的项目

Heretic 项目深度剖析与商业评估报告

Heretic 项目深度剖析与商业评估报告

报告定位:面向资深工程师与架构决策者的技术尽职调查。本报告基于仓库元数据、README 公开信息及行业技术背景进行静态分析,不涉及对源码的逐行审计。

---

1. 核心定位与商业落地价值

1.1 根本痛点:安全对齐的“过拟合”与能力损耗

当前主流 LLM 的安全对齐(Safety Alignment)本质上是一种基于人类反馈的行为约束训练,其副作用是导致模型在敏感但合法的场景(如医疗咨询、历史研究、安全审计)下产生过度拒绝(Over-refusal)。传统去审查手段(如 SFT 微调、LoRA 注入)需要大量标注数据和算力,且极易破坏模型原有能力。

Heretic 直击这一痛点:通过推理时的权重正交化(Directional Ablation),在不进行任何梯度更新(Post-training)的前提下,实现“手术刀式”的定向能力移除。其核心价值主张是 “零训练成本 + 零人工调参”,将原本需要 ML 专家数周的工作压缩为一条命令行指令。

1.2 商业落地场景(非灰色地带)

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/p-e-w/heretic.svg)](https://github.fq6825.top/repo/p-e-w/heretic)