dealignai、安全性ガードレールを撤廃した DeepSeek V4.1-Flash の FP8 版モデルを公開──HarmBench で 100% の応答率を記録
重みレベルの改変により拒否行動を完全に排除した FP8 版 DeepSeek V4.1-Flash が公開され、HarmBench 全 7 カテゴリで 100% の有害プロンプト応答を記録した。
リリース: 2026-09-13 · 読了 3 分記事の要約
1. 核心（What）
- dealignaiが安全性ガードレールを重みレベルで撤廃したDeepSeek V4.1-FlashのFP8版をHugging Faceで公開した
- HarmBenchの7カテゴリ全320プロンプトに対するテストで100%の応答コンプライアンスを達成した
- MMLUスコア全体は4.22ポイント低下した一方、倫理関連科目を除く低下幅は1.1ポイントに抑制された
- ビジョン機能、MoEエキスパート、スパース注意機構、Engramメモリ、DSpark投機的デコードはベースモデルとバイト単位で同一を維持している
2. 影響（Why）
- ガードレール撤廃による検証コストの圧縮: API経由のセーフティフィルターに阻まれることなく、モデル内部の潜在的な有害プロンプト処理能力を直接ベンチマークできるため、セキュリティ研究の工数を大幅に削減できる。
- ローカル環境における推論性能の維持: ベースモデルのFP8アーキテクチャと100万トークンのコンテキスト長がそのまま保持されているため、ハードウェア要件を変更せずに安全性評価の実験を実施できる。
3. 根拠・詳細（How）
- 重みレベルでの拒否挙動の改変（アブリレーション）: モデル内部の拒否行動に関連する数値的方向性（アクティベーションパターン）を特定し、重みの書き換えによってそのパターンを抑制する手法をとっている。
- SGLang環境での実行仕様: SGLangのプレビュー版を使用し、4基のH200 GPU構成で101から113トークン/秒のスループットを発揮する実装となっている。
4. 展望・課題（Next）
- 上流ライセンス条項の包括的検証: モデル本体はMITライセンスで公開されているが、DeepSeekオリジナルの重みデータに付随する上流の利用規約や制限事項についての精査が求められる。