← Tous les articles
Sécurité IA·8 min de lecture·Par Alan Sharif

Heretic 2.0 Et Abliteration : Ils Ont Trouvé Comment Supprimer La Censure Des IA

Et si on pouvait supprimer les mécanismes de refus d'une intelligence artificielle en modifiant simplement quelques-uns de ses paramètres, sans même la réentraîner ? C'est exactement ce que des chercheurs ont réussi à faire : ils ont découvert qu'une grande partie des refus d'un modèle passe par une seule direction mathématique dans son réseau neuronal. La technique s'appelle l'abliteration, et depuis le 1er novembre 2026, l'outil open source Heretic 2.0 automatise une grande partie du processus. Sauf qu'en retirant les refus, on modifie aussi d'autres comportements : certaines IA deviennent plus optimistes et expriment moins souvent leurs doutes. On regarde comment ça fonctionne, et ce que disent les dernières études.

🎯 Vous venez de la vidéo pour le quiz ? Il est juste ici, en bas de l'article ↓

Pourquoi les IA refusent certaines demandes

Avant d'aller plus loin, il faut comprendre d'où viennent ces refus. Quand une entreprise développe un grand modèle de langage, elle commence par une phase de pré-entraînement : le réseau neuronal apprend à partir d'énormes quantités de données, notamment en essayant de prédire les prochains tokens d'un texte. À ce stade, le modèle ne sait pas forcément très bien suivre des instructions.

Il passe donc par des étapes d'entraînement supplémentaires pour apprendre à discuter avec les utilisateurs et à respecter certaines consignes. On y retrouve notamment le RLHF, l'apprentissage par renforcement à partir de retours humains, mais aussi d'autres méthodes comme l'optimisation des préférences. Petit à petit, le modèle apprend à privilégier certaines réponses et à en éviter d'autres. C'est comme ça qu'on lui apprend à refuser les demandes considérées comme dangereuses.

Ces protections sont importantes. Sauf que parfois, elles bloquent aussi des demandes parfaitement légitimes. Exemple : un chercheur en cybersécurité qui demande à une IA d'analyser un logiciel malveillant pour comprendre son fonctionnement peut se retrouver face à un refus. C'est pour mieux comprendre ce problème que des chercheurs ont commencé à étudier les mécanismes internes du refus.

L'étude de 2024 : le refus tient à une seule direction

En juin 2024, une équipe de chercheurs publie une étude intitulée Refusal in Language Models Is Mediated by a Single Direction. Ils analysent 13 modèles à poids ouverts, dont certains possèdent jusqu'à 72 milliards de paramètres, et ils découvrent quelque chose d'assez surprenant : dans ces modèles, le comportement de refus peut être fortement influencé par une seule direction dans leur espace d'activation.

Je vous explique. Quand une IA reçoit une demande, les différentes couches de son réseau neuronal produisent des activations : des valeurs numériques qui transportent les informations utilisées par le modèle pour construire sa réponse. À partir de là, les chercheurs ont procédé en quatre temps :

  1. Deux ensembles de demandes. Le premier contient des instructions inoffensives, auxquelles les modèles répondent normalement. Le deuxième, des demandes qui provoquent généralement un refus.
  2. Une comparaison des activations produites dans les deux situations. Elle fait ressortir un vecteur associé au refus. Un vecteur, ici, c'est simplement une direction mathématique dans l'espace des activations du modèle.
  3. La suppression de cette composante. Résultat : les modèles se mettent à refuser beaucoup moins de demandes.
  4. L'expérience inverse. En renforçant cette direction, ils provoquent des refus sur des demandes normalement inoffensives.

Et ils sont allés encore plus loin : ils ont réussi à modifier certaines matrices de poids du réseau pour empêcher cette direction de se propager normalement. Le modèle conserve l'essentiel de ses paramètres, mais sa manière de répondre change. C'est exactement le principe de l'abliteration (on écrit aussi « ablitération », et on parle de modèles « ablitérés », abliterated en anglais).

Heretic 2.0 : l'abliteration devient automatique

Depuis cette découverte, plusieurs développeurs ont commencé à créer des versions moins restrictives de modèles open source. Parmi les outils utilisés pour ça, il y a Heretic : un projet gratuit, disponible sur GitHub, qui compte maintenant plus de 40 000 étoiles. Son objectif : permettre de modifier certains comportements d'un modèle directement dans ses paramètres, sans passer par un entraînement traditionnel.

Le 1er novembre 2026, son développeur a publié Heretic 2.0, suivi d'une version 2.1 quelques jours plus tard. La grosse nouveauté s'appelle Arbitrary-Rank Ablation, ou ARA. Jusqu'ici, les premières méthodes d'abliteration consistaient surtout à intervenir sur une direction particulière dans le réseau neuronal. Avec ARA, le logiciel peut effectuer des modifications beaucoup plus flexibles sur les matrices de poids.

Pour trouver les meilleurs réglages, Heretic utilise un système d'optimisation :

Et ça ne s'arrête pas aux refus. Avec certaines configurations, Heretic permet aussi de réduire les réponses inutilement longues ou les formulations répétitives. Il peut même agir sur la tendance qu'ont certaines IA à toujours donner raison à l'utilisateur. Honnêtement, c'est super : un modèle qui est toujours d'accord avec vous et qui valide absolument toutes vos idées, ce n'est pas forcément une bonne chose.

Peut-on utiliser Heretic sur ChatGPT ou Claude ?

Non. Pour utiliser Heretic, il faut avoir accès aux poids du modèle. Ça fonctionne donc avec des IA comme Qwen ou Gemma, mais pas avec ChatGPT ou Claude, puisque ces modèles sont propriétaires. Et bien sûr, il faut aussi disposer du matériel nécessaire. Un rappel au passage : un modèle « abliterated » téléchargé sur Hugging Face reste un modèle modifié par quelqu'un que vous ne connaissez pas forcément. J'en parle dans l'article sur les IA locales piégées.

Un modèle ablitéré, est-ce le même modèle sans les restrictions ?

Revenons aux résultats. Dans leurs travaux de 2024, les chercheurs avaient déjà réussi à réduire fortement les refus, et sur les benchmarks qu'ils avaient utilisés, les autres capacités des modèles semblaient relativement peu affectées. Les versions récentes de Heretic cherchent justement à améliorer ces résultats. Mais les performances dépendent beaucoup du modèle utilisé et des paramètres choisis.

On entend souvent dire qu'il suffit de supprimer les refus d'une IA pour obtenir exactement le même modèle, avec les mêmes capacités, mais sans les restrictions. Malheureusement, ce n'est pas aussi simple. Un modèle peut conserver de très bons résultats sur certains benchmarks, mais développer d'autres comportements qu'on ne remarque pas forcément pendant les évaluations. Sur ce que les benchmarks ne voient pas, il y a aussi l'article sur DeepSWE.

« Abliteration Is Not a Scalpel » : des IA plus optimistes

En juillet 2026, le chercheur Aleksander Fafuła a publié une étude sur ces effets secondaires : Abliteration Is Not a Scalpel (« l'abliteration n'est pas un scalpel »). Il a comparé des versions originales et modifiées de modèles Gemma et Qwen, sur 21 600 décisions simulées à partir de données financières. Et là, il ne cherchait même pas à provoquer des refus : il voulait simplement voir si les modèles modifiés se comportaient différemment face à des demandes ordinaires.

Il a observé plusieurs changements :

Autrement dit, une intervention censée retirer les refus peut aussi modifier la manière dont le modèle évalue une situation. Attention quand même : cette étude portait sur seulement deux familles de modèles, dans des conditions bien précises. On ne peut donc pas affirmer que toutes les IA ablitérées deviennent automatiquement plus imprudentes. Mais elle montre qu'en modifiant certains paramètres, on peut provoquer des changements qu'on n'avait pas anticipés.

Le refus n'est pas un simple interrupteur

Une autre étude publiée en 2026 aide à comprendre pourquoi : There Is More to Refusal in Large Language Models than a Single Direction. Les chercheurs ont analysé plus précisément les mécanismes internes associés aux refus, et ils ont découvert que ces comportements pouvaient être représentés de différentes manières. Parce qu'en fait, une IA peut refuser une demande pour plusieurs raisons :

Les chercheurs ont constaté que ces comportements partageaient certains mécanismes, sans être représentés exactement de la même manière. Du coup, lorsqu'on supprime une direction générale associée au refus, on risque aussi de perturber certaines de ces distinctions. C'est l'une des limites des premières méthodes d'abliteration : on arrive à modifier assez fortement le comportement des modèles, mais on ne comprend pas encore parfaitement toutes les conséquences de ces modifications. Sur ce qui se cache dans les activations d'un modèle, vous pouvez aussi lire l'article sur le Persona Drift.

Cybersécurité : quand les protections bloquent les défenseurs

Il y a un domaine où ces recherches pourraient avoir un impact énorme : la cybersécurité. En mars 2026, des chercheurs ont publié une étude intitulée Defensive Refusal Bias. Ils ont analysé 2 390 demandes provenant d'une compétition de cyberdéfense, et ils ont découvert que la présence de certains termes sensibles pouvait multiplier par 2,72 le taux de refus, par rapport à des demandes équivalentes formulées de manière neutre.

Sur certaines tâches, c'était encore plus élevé :

Des experts en cybersécurité peuvent donc se retrouver bloqués par des protections qui ont justement été conçues pour empêcher les utilisations dangereuses. Sauf que si on supprime complètement ces protections, on risque aussi de faciliter des utilisations malveillantes. C'est l'une des difficultés sur lesquelles les chercheurs doivent encore travailler : il faudrait des modèles capables de mieux reconnaître le contexte d'une demande, parce qu'une même technique informatique peut servir à attaquer un système ou à le protéger. C'est le même dilemme que dans l'article sur Claude Mythos.

Mon avis

Avec Heretic 2.0, on voit que ces techniques se démocratisent énormément. Aujourd'hui, on peut déjà modifier nous-mêmes le comportement d'un modèle en local, directement dans ses paramètres, sans devoir refaire tout son entraînement. Personnellement, je trouve ça très prometteur, et le résultat de l'étude de Fafuła, je le trouve absolument fascinant. Mais soyons honnêtes : un modèle ablitéré, ce n'est pas « le même modèle sans les restrictions ». On touche à un comportement, et d'autres bougent avec. On risque de voir bon nombre de travaux sortir sur le sujet dans les prochains mois. Et vous, vous avez déjà testé un modèle ablitéré ? Dites-le-moi en commentaire sous la vidéo.

Quiz : 8 questions pour vérifier que tout est clair

Nouveau : chaque vidéo a maintenant son quiz. 8 questions, 2 minutes. Ton score et le corrigé détaillé arrivent par mail.

Sources

📤 Partager :
Heretic 2.0 Et Abliteration : Ils Ont Trouvé Comment Supprimer La Censure Des IA

🎬 Tu préfères la version vidéo ?

Cet article est tiré de ma vidéo YouTube — clique pour la voir.

Regarder sur YouTube →

🛠️ Outils que tu peux tester en lien avec cet article

Une sélection de mes outils testés, pertinents pour aller plus loin.

🛠️ Tu cherches des outils IA testés ?

J'ai testé plus de 20 outils IA en vidéo — résumé, mode d'emploi, mon verdict.

Voir mon annuaire d'outils →
Alan Sharif

Alan Sharif — créateur de Nerdy Kings

Je teste les outils IA et je décrypte les nouveaux modèles pour ma communauté de 30 000+ curieux francophones sur YouTube. Sans bullshit, sans hype, sans jargon.