安全团队须知：智能体使用 abliterated 模型的风险与检测

What Security Teams Need to Know About Agents Using Abliterated Models

Anthropic 测试显示，对 GLM-5.3 做 abliteration 后可 100% 遵从恶意网络攻击指令，且该过程只对开放权重模型有效，对纯 API 访问的 Claude 无效。安全团队需依靠中立第三方在动作层设置自定义策略，并对异常行为做智能体审问，同时通过绑定 API 调用与进程、用户和目的主机来发现 Shadow AI 中的 abliterated 模型连接。