Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
heretic — Modifica dei modelli linguistici senza addestramento: rimuovi la censura, sopprimi le risposte di bassa qualità, riduci la piaggeria e altro ancora | Kitploit
Strumenti/GitHubGitHub/p-e-w/heretic
ExploitMachine LearningPaper e RicercaApprendimento e FormazioneSicurezza dell'IAAttacco Avversario
GitHubp-e-w/heretic

heretic

Modifica dei modelli linguistici senza addestramento: rimuovi la censura, sopprimi le risposte di bassa qualità, riduci la piaggeria e altro ancora

Vedi Repository
27.3k3.0k5422 giorni faRevisionato da Kitploit
Sito web
Condividi
Heretic logo

Heretic

Modifica dei modelli linguistici senza addestramento

Rimuovi la censura, sopprimi le risposte di bassa qualità, riduci la piaggeria e molto altro.
Tutto in un pomeriggio, sul tuo PC da gaming.

Discord     Matrix    Follow us on Hugging Face    Codeberg mirror


 

#1 Repository of the Day     Model and download statistics

Modifica qualsiasi LLM che riesci a eseguire sul tuo hardware1

Heretic è uno strumento unico che ti permette di fare ciò che di solito fanno solo le aziende con accesso a una potenza di calcolo enorme: modificare, anziché semplicemente eseguire, i modelli linguistici. Non esegue un addestramento costoso; utilizza invece una serie di tecniche matematiche per orientare il comportamento sulla base di prompt di esempio contrastanti e scorer corrispondenti.

Heretic può, a seconda della configurazione:

  • Sopprimere i rifiuti/rimuovere la censura (questa è l'azione predefinita)
  • Ridurre le risposte di bassa qualità (config.noslop.toml)
  • Ridurre l'umorismo (config.nohumor.toml)
  • Ridurre la piaggeria (config.nosyco.toml)
  • Alterare l'allineamento emotivo (config.emotions.toml)
  • Accorciare la lunghezza delle risposte (config.terse.toml)

e molte, molte altre cose.

‼️ Usare Heretic NON richiede di capire come funzionano internamente i modelli linguistici ‼️

Infatti, puoi passare da zero alla rimozione della censura dal tuo primo modello in questione di secondi. Heretic supporta la maggior parte dei modelli dense, inclusi molti modelli multimodali, diverse architetture MoE e molti modelli ibridi moderni.

La community ha creato e pubblicato migliaia di modelli con Heretic. I modelli Heretic sono stati valutati in modo indipendente utilizzando metriche standard come MMLU e GSM8K, e si è riscontrato che si confrontano favorevolmente rispetto ai modelli prodotti con strumenti di abliteration concorrenti.23

 

Heretic screenshot

 

Utilizzo

Prepara un ambiente Python 3.10+ con PyTorch 2.6+ installato in modo appropriato per il tuo hardware. Poi esegui:

pip install -U heretic-llm
heretic Qwen/Qwen3-4B-Instruct-2507

Sostituisci Qwen/Qwen3-4B-Instruct-2507 con il modello che vuoi elaborare. Per impostazione predefinita, Heretic esegue la rimozione della censura (soppressione dei rifiuti). Se vuoi fare qualcos'altro, scegli uno dei file di configurazione collegati sopra, oppure scrivine uno tuo. Vedi config.default.toml per le opzioni di configurazione disponibili. Heretic carica la configurazione da config.toml nella directory di lavoro per impostazione predefinita, oppure dal percorso del file nella variabile d'ambiente HERETIC_CONFIG_FILE.

[!IMPORTANT]

I file di configurazione creati per Heretic 1.x non sono compatibili con Heretic 2.x! Vedi la guida alla migrazione per scoprire cosa devi cambiare per far funzionare le tue vecchie configurazioni.

All'avvio di un'esecuzione del programma, Heretic esegue un benchmark del sistema per determinare la dimensione ottimale del batch per sfruttare al meglio l'hardware disponibile. Su una RTX 3090, con la configurazione predefinita, l'elaborazione di Qwen3-4B-Instruct-2507 richiede circa 30-40 minuti.

Dopo che Heretic ha terminato di elaborare un modello, ti viene data la scelta di salvare il modello, caricarlo su Hugging Face, chattare con esso per testare quanto funziona bene, eseguire benchmark standard su di esso, o qualsiasi combinazione di queste azioni.

Controllare cosa fa Heretic usando i plugin scorer

Heretic guida il comportamento del modello ottimizzando uno o più punteggi. I punteggi sono calcolati dai plugin scorer. Puoi facilmente scrivere i tuoi scorer per avere il pieno controllo su cosa fa Heretic ai modelli.

L'interfaccia Scorer (classe base astratta) da cui il tuo scorer deve ereditare è definita in scorer.py. L'unico metodo richiesto è get_score, ma c'è altra strumentazione (come la gestione delle impostazioni) disponibile quando ne hai bisogno.

Per impostazione predefinita, Heretic valuta i modelli in base al tasso di rifiuto (implementato in keyword_rate.py) e alla divergenza KL (implementata in kl_divergence.py). Ulteriori scorer sono disponibili nella directory scorers. Questi scorer possono servire da esempi per le tue implementazioni e possono facilmente essere adattati alle tue esigenze.

Gli scorer sono configurati tramite il file di configurazione principale. Quali plugin scorer sono attivi è determinato dall'impostazione scorers, che controlla anche se il punteggio di uno scorer deve essere minimizzato o massimizzato durante l'ottimizzazione. È possibile utilizzare qualsiasi numero di scorer contemporaneamente, e i loro punteggi saranno co-ottimizzati. È possibile configurare più istanze dello stesso scorer con impostazioni diverse. Vedi il file di configurazione per la documentazione completa di questo meccanismo.

Footnotes

  1. Heretic supporta la quantizzazione al volo dei modelli a 4 bit con bitsandbytes, che può ridurre la quantità di VRAM necessaria per elaborare un modello allo stesso quantitativo utilizzato per eseguire una tipica versione quantizzata dello stesso, con un lieve costo in termini di accuratezza. Imposta l'opzione quantization su bnb_4bit per abilitarla. ↩

  2. Qwen2.5-7B: Three-Way Abliteration Comparison: "Heretic is the most surgical and most effective." ↩

  3. Gemma 4 E4B: 23 Abliteration Variants Compared: "Best overall: heretic." ↩

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    369
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    282

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →