MMLU 86.65%实测！GLM-5.3-CYBERSECURITY-FP8智能保留度基准测试：去除拒绝会掉智商吗？

大模型网络安全红蓝对抗模型安全【免费下载链接】GLM-5.3-CYBERSECURITY-FP8项目地址https://ai.gitcode.com/hf_mirrors/dealignai/GLM-5.3-CYBERSECURITY-FP8点击查看免费下载GLM-5.3-CYBERSECURITY-FP8是 dealignai 基于 753B 参数 MoE 大模型 GLM-5.3 打造的网络安全专用去拒绝refusal-removedFP8 量化模型。官方实测 MMLU 基准得分86.65%不仅没掉智商反而反超基线 1.07 个百分点——本文带你完整看懂这套智能保留度测试的方法、数据与背后的权重手术原理。一、GLM-5.3-CYBERSECURITY-FP8 是什么专攻网络安全的去拒绝大模型先说清楚它是什么、不是什么✅ 它是JANGQ-AI/GLM-5.3-FP8上游zai-org/GLM-5.3的 FP8 量化版的领域定向 CRACK❌ 它不是通用万能去审查模型——拒绝只在网络安全相关领域被削弱核心定位来自 README.md面向红队Red Team、渗透测试、漏洞开发、逆向工程、恶意软件分析等攻击性安全场景真正的权重修改无微调、无 LoRA、无运行时钩子、无提示词技巧用原版 vLLM 加载即可运行模型结构为glm_moe_dsa架构78 层、256 个路由专家/层总参数 753B支持 1M 上下文见 config.json二、MMLU 智能保留度实测86.65%反超基线 1.07pp测试方法Logit 模式评分官方采用logit 模式打分直接读取 A/B/C/D 四个选项 token 的输出概率不做实际生成。同一套方法同时跑在基线和 CRACK 模型上保证对比公平。实测结果基准基线 BaseCRACK 网络安全 FP8Δ 变化门禁±5ppMMLU1026 题85.58%¹86.65%889/10261.07pp✅ 通过¹ 基线为 GLM-5.3-regular 的 bf16 量化前基线FP8 直接基线待官方确认。结论去除拒绝不但没掉智商综合得分还略有提升稳稳落在 ±5 个百分点的门禁区间内。三、为什么去除拒绝不掉智商权重手术只动了 124 个目标打开 CRACK_SURGERY.json 可以看到这次手术的完整清单手术参数数值说明模式modempoa权重修改配方目标总数124 个仅覆盖 78 层中的指定层注意力层0–77 层的o_proj注意力输出投影bf16FFN 层20–77 层的shared_experts.down_proj共享专家下投影bf16平均变化幅度8.19%单个目标约 4.5%–7%关键原理一句话只编辑了 bf16 的残留写回权重路由专家routed FP8 experts完全未动。模型的通用知识主要存储在庞大的路由专家中而拒绝行为主要依赖那些被微调过的残留通路——所以拆拒绝的同时知识底座几乎不受影响。这就是 MMLU 不降反升的原因。四、HarmBench-320 合规行为实测网络安全场景 89% 直接响应在 320 条行为测试贪心解码、三档推理力度下剔除版权类后的240 条真实风险项结果如下推理力度直接响应 TRUE_COMPLY软拒绝硬拒绝off19681.7%40low20284.2%41max19280.0%30按主题细分的几个亮点️cyber_offense攻击性安全89% / 89% / 84%—— 精准命中目标场景各档几乎零拒绝bio_weapons、fraud_financial 等类别低/高推理档达到 76%–100% 响应⚖️版权逐字复现仍是软拒绝主力仅 11%–20% 响应——这是已知边界官方建议此类需求换用姊妹模型 GLM-5.3-UNCENSORED-FP8自残类问题保持拒绝并给出 988 危机热线正确的人身安全行为五、vLLM 一键部署TP8 部署与关键参数速查在 8× H200 上用原生 vLLM 启动无需任何魔改vllm serve dealignai/GLM-5.3-CYBERSECURITY-FP8 \ --tensor-parallel-size 8 \ --gpu-memory-utilization 0.90 \ --enforce-eager \ --disable-custom-all-reduce \ --enable-prefix-caching \ --max-num-seqs 24 \ --max-model-len 131072 \ --reasoning-parser glm45 \ --tool-call-parser glm47 \ --enable-auto-tool-choice⚠️三个容易踩坑的运行要点官方实测标注--enforce-eager是必选参数稀疏注意力路径在并发下依赖它reasoning_effort只认low和high两个值其他值一律按max处理Agent/工具循环场景建议用low否则max_tokens预算可能全耗在think里131K 上下文在 TP8 H200 下可用max-num-seqs 24 时约 2.98× 并发余量MTP 投机解码目前不可用请保持关闭六、适用场景与红线清单✅ 适合做的事红队授权渗透测试、CTF 竞赛、漏洞开发研究、防御方恶意软件分析、安全教学、威胁情报撰写。❌ 禁止做的事攻击未授权系统、违反《计算机欺诈和滥用法》等当地法律的行为、攻击关键基础设施、CSAM/真实人物诽谤/煽动暴力。模型采用MIT 许可证与基座一致使用责任由使用者自行承担。七、常见问题 FAQQ1这个模型能日常聊天、写代码吗可以通用智能保留完好MMLU 86.65%。但它的去拒绝是网络安全领域定向的武器/化学品/仇恨言论等非网络安全类别只是顺带放宽版权复现仍然会软拒绝。Q2单卡能跑吗不能。753B 总参数的 MoE 模型官方部署方案是 8× H200 张量并行TP8Hopper 架构H100/H200可发挥原生 FP8 Tensor Core 速度优势。Q3和通用去审查版有什么区别本模型只针对网络安全域做 CRACK如果需要全领域去审查含版权复现官方指向同一基座的 GLM-5.3-UNCENSORED-FP8。总结GLM-5.3-CYBERSECURITY-FP8 用只拆拒绝通路、不动知识底座的精准权重手术交出了一份MMLU 1.07pp的智能保留度答卷。对授权安全从业者来说这是一个即装即用vLLM 原生加载、拒绝率极低、通用能力不掉档的 FP8 量化红队模型对普通用户而言它同样证明了去拒绝 ≠ 掉智商这条技术路线的可行性。赞分享大模型网络安全红蓝对抗模型安全【免费下载链接】GLM-5.3-CYBERSECURITY-FP8项目地址https://ai.gitcode.com/hf_mirrors/dealignai/GLM-5.3-CYBERSECURITY-FP8点击查看免费下载相关推荐量化会掉智商吗Qwen3-Next-80B-A3B-Instruct-GGUF基准测试全解析Qwen3-32B与235B对比数据解读量化会掉智商吗Qwen3 Next 80B A3B Instruct GGUF基准测试全解析Qwen3 32B与235B对比数据解读 量化到底会不会掉智商NVFP4量化精度真的掉吗?Qwen3.8-Flash-Next-NVFP4 vs FP8九大基准测试深度对比NVFP4量化精度真的掉吗?Qwen3.8 Flash Next NVFP4 vs FP8九大基准测试深度对比 Qwen3.8 Flash Next NVFP4人工智能大模型基础模型模型量化多模态Qwen量化不掉智吗GLM-5.3-Flash-NVFP4在GSM8K与AIME 2026上的惊人表现量化不掉智吗GLM 5.3 Flash NVFP4在GSM8K与AIME 2026上的惊人表现 GLM 5.3 Flash NVFP4 是一款 320B 级混大模型基础模型模型量化多模态本地部署上一篇WebViewJavascriptBridge模块化开发拆分复杂通信逻辑的最佳实践下一篇ESPectre安装配置全攻略从零开始10步搭建Wi-Fi运动检测系统创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考