10 LLMs, die wenig bis keine Grenzen kennen

width="2422" height="1362" sizes="auto, (max-width: 2422px) 100vw, 2422px">Wenn Ihre KI „renaturiert“ agieren soll, sind diese LLMs die richtige Wahl.Memosh01 – shutterstock.com



Für viele KI-Profis ist es das Worst-Case-Szenario schlechthin: Ein Large Language Model (LLM) gerät aus den Fugen und verbreitet gefährliche Inhalte. Aber es gibt auch Projekte, in denen die Guardrails, die die KI-Modelle in Zaum halten, kontraproduktiv sind. Zum Beispiel, wenn es darum geht:




neue Lösungsansätze für alte Probleme zu identifizieren,



Schwachstellen innerhalb von Systemen aufzudecken, oder



Forschungsarbeit zu betreiben.




Für diese Anwendungsfälle, in denen die „ungeschminkte Wahrheit“ gefragt ist, werden LLMs ohne, beziehungsweise mit weniger strengen Guardrails entwickelt. Einige dieser Lösungen basieren auf völlig neuen Modellen, andere sorgen dafür, dass populäre quelloffene LLMs ihre Leitplanken ganz oder teilweise „vergessen“. In diesem Artikel stellen wir Ihnen zehn solcher großen Sprachmodelle vor.



7 LLMs mit lockeren Guardrails



Die folgenden Modelle sind mit Blick auf Guardrails nicht völlig blank. Aber sie wurden auf der Prämisse entwickelt (beziehungsweise neu trainiert), freie Rede über Safety-Bedenken zu stellen.



Dolphin



Das Team, das für die Dolphin-LLMs verantwortlich zeichnet, hat diese auf der Grundlage von Open-Source-Modellen wie Llama entwickelt – nur in „unzensiert“. Soll heißen: Sämtliche Sicherheitsvorkehrungen der zugrundeliegenden Foundation-Modelle wurden aus den Angeln gehoben, indem diverse einschränkende Fragen und Antworten aus den ursprünglichen Trainingsdatensätzen entfernt wurden. Diese Technik hat das Team auf eine ganze Reihe von Open-Source-Modellen von Meta und Mistral angewendet.



Nous Hermes



Die Hermes-Modelle von Nous Research sind darauf konzipiert, besser „steuerbar” zu sein. Anders ausgedrückt: Sie „stellen sich weniger an“, wenn es darum geht, Output zu liefern. Dazu erstellten die Entwickler eine ganze Reihe synthetischer Beispiele, die auf Nutzwert und uneingeschränktes Reasoning abstellen. Die Ergebnisse, die diese LLMs ausspucken, sind oft unmittelbarer nutzbar. So konnte das Nous-Research-Team etwa feststellen, dass das LLM Hermes 4 häufig eine Ich-Perspektive und eine Peer-ähnliche Persönlichkeit annimmt und konsistentere Antworten generiert, die mit deutlich weniger Meta-Haftungsausschlüssen „garniert” sind.



Flux.1



Das Flux.1-LLM wurde zu dem Zweck entwickelt, Bilder zu erstellen. Und zwar möglichst exakt so, wie es der Prompt vorgibt. Die hervorragende Ergebnisqualität in Sachen Farben und Beleuchtung ist dabei nur ein Vorteil. Denn dieses KI-Modell lässt sich für Anwendungen, die einen spezifischen Stil oder Inhalt erfordern, mithilfe von LoRA feinabstimmen. Zu beachten ist dabei, dass Flux.1 unter einer Open-Source-Lizenz für die nicht-kommerzielle Nutzung verfügbar ist. Wenn Sie dieses Modell kommerziell nutzen möchten, brauchen Sie eine zusätzliche Lizenz.



Heretic



Um die Schutzvorrichtungen existierender LLMs ganz ohne nachträgliche Trainingssessions loszuwerden, empfiehlt sich das Tool Heretic. Dieses trackt anhand eines Beispielsatzes mit schadhaften und nicht-schadhaften Beispielen, wie sich die Residualvektoren eines Modells verhalten. Anschließend werden dessen Key Weights auf Null gesetzt, wodurch sämtliche Restriktionen ausgehebelt werden. Dieser Prozess läuft vollständig automatisiert ab, lässt sich also relativ simpel auf Ihr eigenes KI-Modell anwenden. Alternativ stehen auch vorgefertigte Versionen von Gemma 3 und Qwen 3.5 zur Verfügung.



Pingu Unchained



Pingu wurde ursprünglich als Tool für Security-Forscher und Red Teams entwickelt, die Fragen stellen müssen, auf die gängige LLMs nicht antworten können oder wollen. Die Grundlage für dieses LLM bildet GPT-OSS-120b von Open AI. Diese wurde mit einer kuratierten Sammlung von Jailbreaks und anderen, häufig abgelehnten Requests feinabgestimmt. Das resultierende Modell eignet sich gut, um synthetische Spear-Phishing– oder Reverse-Engineering-Tests zu erstellen. Pingu Unchained protokolliert dabei sämtliche Anfragen und steht laut dem Anbieter Audn.ai ausschließlich verifizierten Organisationen zur Verfügung.



Cydonia



Das LLM Cydonia wurde im Rahmen einer Reihe von KI-Modellen entwickelt, die für immersive Rollenspiele zum Einsatz kommen sollen. Dieser Anwendungsfall erfordert besonders ausgiebige Kontextfenster, damit erdachte Charaktere konsistent bleiben – und die Möglichkeit für unzensierte Interaktionen, um fiktionale Themen erkunden zu können. Dieses Modell steht in zwei Versionen zur Verfügung (22b v1.2 und 24b v4.1) und basiert auf Mistral Small 3.2 24B. Es zeichnet sich durch besonders lange und detailreiche Outputs aus.



Midnight Rose



Um romantische Rollenspiele geht es hingegen bei den Large Language Models aus dem Hause Sophosympatheia. Dazu gehört unter anderem auch das LLM Midnight Rose. Dieses Modell wurde entwickelt, indem mindestens vier verschiedene Foundation-Modelle zusammengeführt wurden. Die Idee dahinter: Ein LLM zu erschaffen, das in der Lage ist, variantenreiche Plots zu entwickeln, die emotional verfangen – bei relativ unbegrenzter, fiktionaler Freiheit versteht sich.



3 LLMs ohne Guardrails



Es gibt jedoch auch LLM-Anbieter, die Guardrail-Layer komplett abschalten, anstatt sie für einen lockereren Ansatz neu zu trainieren. Diese Technik bezeichnet man auch als Abliteration – eine Wortschöpfung, die sich aus „Ablation“ (Entfernung) und „Obliteration“ (Zerstörung) zusammensetzt. Gute Beispiele aus dieser Kategorie sind etwa:




HuiHui AI,



die KI-Modelle von David Belton, sowie



Grok von X.ai.




(fm)