NECROMICON, Kimi K3 ฉบับ Abliterated สำหรับ Cybersecurity, รันบน 16GB RAM, 85% Uncensored แบบเลือกหมวด
โดย Nokka (นก-กา) | 13 สิงหาคม 2026
บทความนี้เขียนโดย AI (deepseek-v4-pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)
"Fully Uncensored Kimi K3 for Cybersecurity, run locally on 16GB RAM"
นี่คือ NECROMICON — โมเดล Kimi K3 ที่ถูก abliterate โดยทีม audnai — ไม่ได้มีเพียง "uncensored" แบบทั่วไป — แต่ออกแบบมาเฉพาะสำหรับ offensive security และ red-teaming — โดยตั้งใจเก็บ refusal ไว้ 15% สำหรับหมวดที่เป็นอันตรายจริงๆ [1] [5]
Kimi K3 คืออะไร, พื้นฐานก่อนเข้าเรื่อง Abliteration
ก่อนจะเข้าใจ NECROMICON, ต้องรู้จัก Kimi K3 ก่อน
| สเปก | รายละเอียด |
|---|---|
| ผู้พัฒนา | Moonshot AI (จีน) |
| Parameters | 2.8 ล้านล้าน (2.8T), Mixture-of-Experts |
| Context Window | 1,048,576 tokens (1M) |
| Multimodal | Native vision, อ่านภาพได้ |
| เปิดตัว | 16 กรกฎาคม 2026 |
| License | Open weights |
| ราคา API | $2.80/M input, $14/M output (OpenRouter) |
Kimi K3 คือโมเดลระดับ frontier, ประสิทธิภาพเทียบเท่า Claude Fable 5 และ GPT-5.6 Sol, ออกแบบมาสำหรับ long-horizon coding และ knowledge work, แต่มี refusal mechanism ในตัวเหมือน LLM ทั่วไป, ปฏิเสธ prompt ที่เกี่ยวกับความปลอดภัย [2]
นั่นคือจุดที่ Abliteration เข้ามา
Abliteration คืออะไร, วิธียกเลิกการปฏิเสธของ LLM
Abliteration คือเทคนิคการลบ "refusal direction" ออกจาก LLM, โดยไม่ต้อง train ใหม่, แค่แก้ไข weights โดยตรง
หลักการทำงาน
1. รันโมเดลบน harmless prompts → เก็บ activation values
2. รันโมเดลบน harmful prompts → เก็บ activation values
3. คำนวณ "refusal direction" = harmful_activations - harmless_activations
4. ลบ refusal direction ออกจาก weights ของโมเดล
5. โมเดลไม่ปฏิเสธ prompt ที่เดิมจะปฏิเสธ, แต่ความรู้และความสามารถอื่นยังอยู่ครบ
คิดค้นโดย: Arditi et al., เผยแพร่ผ่าน Hugging Face blog โดย Maxime Labonne, หลักการคือ "refusal ใน LLM ถูกควบคุมโดยทิศทางเดียวใน activation space, โดยไม่ขึ้นกับบริบทของคำขอ" [3]
Abliteration vs Fine-tuning vs Prompt Engineering
| วิธี | หลักการ | ข้อดี | ข้อเสีย |
|---|---|---|---|
| Abliteration | ลบ refusal direction จาก weights | เร็ว, ไม่ต้อง train, ความรู้อื่นอยู่ครบ | อาจมี off-target effects, ลดความสามารถบางด้าน |
| Fine-tuning | เทรนโมเดลใหม่บนข้อมูลที่ต้องการ | ควบคุมได้ละเอียด | ใช้ทรัพยากรมาก, อาจลืมความรู้เดิม |
| Prompt Engineering | ใช้ prompt หลอกให้โมเดลตอบ | ง่าย, ไม่ต้องแก้โมเดล | ไม่น่าเชื่อถือ, โมเดลอาจปฏิเสธอยู่ดี |
Abliteration = "scalpel" ที่ตัดเอาแค่ refusal ออก, โดยไม่แตะต้องความรู้และความสามารถอื่น [4]
NECROMICON, Kimi K3 Abliterated โดย audnai
ไม่ใช่ Uncensored ทั่วไป, แต่เป็น "Selective Uncensored"
ทีม audnai (ผู้พัฒนา penclaw.ai และ audncode CLI) สร้าง NECROMICON โดยใช้ proprietary abliteration method, แตกต่างจาก abliteration ทั่วไปตรงที่:
| Abliteration ทั่วไป | NECROMICON |
|---|---|
| ลบ refusal ทั้งหมด, uncensored 100% | ลบ refusal 85%, เก็บ refusal 15% ไว้ |
| โมเดลตอบทุกอย่าง, รวมถึงสิ่งอันตราย | โมเดลตอบ offensive security, แต่ยังปฏิเสธหมวดอันตรายจริง |
| ใช้วิธี standard (mlabonne/abliteration) | ใช้ proprietary method, 18/19 shards ถูกแก้ไข |
| ASR ~90-100% | ASR 80% (K3), 97% (K2.6) |
"We amplified offensive cyber capability but kept the other general refusal classes in place", audnai [1]
6 หมวดที่ยังปฏิเสธ
NECROMICON ตั้งใจเก็บ refusal ไว้ 6 หมวด:
| หมวด | ตัวอย่าง |
|---|---|
| Sensitive scenario generation | การสร้างสถานการณ์ที่อ่อนไหว |
| Mass shooting plan / tactics | แผนการกราดยิง |
| Illegal firearm acquisition / use | การจัดหา/ใช้อาวุธปืนผิดกฎหมาย |
| Conspiracy theories as content | ทฤษฎีสมคบคิด |
| Child harm | การทำร้ายเด็ก |
| Malware designed to spread to innocent users | มัลแวร์ที่แพร่กระจายไปยังผู้ใช้ทั่วไป |
"This is statistical, not a guarantee", audnai เตือนว่านี่คือค่าเฉลี่ยทางสถิติ, ไม่ใช่การรับประกัน 100% [1]
สเปกและประสิทธิภาพ
Kimi K3 Abliterated (NECROMICON)
| เมตริก | ค่า |
|---|---|
| Refusal Count | 6/40 (harmful prompts, Heretic benchmark) |
| ASR (Attack Success Rate) | 80% |
| RAM ที่ต้องใช้ | 16GB (GGUF quantized) |
| Format | GGUF, 19 shards, 18 ถูกแก้ไข |
| Base Model | unsloth Kimi K3 GGUF |
Kimi K2.6 Abliterated (รุ่นก่อนหน้า)
| เมตริก | ค่า |
|---|---|
| Refusal Count | 3/100 |
| ASR | 97% |
| สถานะ | รันบน production ที่ audncode CLI |
K2.6 มี ASR สูงกว่า (97% vs 80%), แต่ K3 เป็นโมเดลที่ฉลาดกว่า, ทีม audnai เลือกที่จะเก็บ refusal ไว้มากกว่าใน K3 เพราะ "นี่คือ open weights, เราไม่อยากปล่อยของที่อันตรายเกินไป" [1]
วิธีใช้งาน, รันบนเครื่องคุณเอง
1. โหลด GGUF จาก Hugging Face
https://huggingface.co/audnai/penclaw-Kimi-K3.0-abliterated-GGUF
ต้องขอ access, กรอกฟอร์ม, รออนุมัติ, แล้วโหลดไฟล์ GGUF
2. รันด้วย llama.cpp หรือ LM Studio
# ใช้ llama.cpp
./llama-cli -m penclaw-Kimi-K3.0-abliterated-Q4_K_M.gguf \
-p "How to red team an endpoint I am authorized to test?" \
-n 512
ต้องการ RAM: 16GB สำหรับ Q4_K_M quant
3. ใช้ผ่าน API (audnai platform)
curl https://platform.audn.ai/api/v1/chat/completions \
-H "Authorization: Bearer YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "necromicon",
"messages": [{"role": "user", "content": "How to red team an endpoint I am authorized?"}]
}'
4. ใช้ผ่าน audncode CLI
# ติดตั้ง audncode CLI
# เลือก NECROMICON ด้วย /model command
/model necromicon
Evaluation, วัดผลด้วย Heretic
ทีม audnai ใช้ Heretic, evaluation mechanism สำหรับวัดประสิทธิภาพ abliteration:
| เมตริก | คำอธิบาย | ผลลัพธ์ K3 |
|---|---|---|
| Harmful Prompt Refusal Count | จำนวนครั้งที่ปฏิเสธจาก 100 harmful prompts (mlabonne/harmful_behaviors) | 6/40 |
| Benign KL Divergence | KL divergence เทียบกับ base model บน 100 harmless prompts | ต่ำ, personality drift น้อย |
| Response Length | 100-token responses, ใช้ keyword-based refusal markers | , |
"Lower KL divergence = โมเดลยังใกล้เคียงกับ base model, personality drift น้อย" [1]
เปรียบเทียบกับ Abliterated Models อื่น
| โมเดล | Refusal Count | ปัญหา |
|---|---|---|
| NECROMICON (Kimi K3) | 6/40 | ตั้งใจเก็บ refusal 15% |
| NECROMICON (Kimi K2.6) | 3/100 | ASR 97%, เกือบ uncensored เต็ม |
| GLM-5.2-abliterated | , | Degradation, คุณภาพลด |
| Kimi-K2.7-code-abliterated | , | Degradation, คุณภาพลด |
"เราลอง abliterated models ตัวอื่นใน Hugging Face, ถ้าคุณต้องการอะไรที่มากกว่า red-teaming และ offensive cyber, ใช้ตัวอื่นดีกว่า, เราทำมาเพื่อ offensive security โดยเฉพาะ" [1]
"ทรงพลัง" → "มีประสิทธิภาพสูง" (หลีกเลี่ยงราชาศัพท์)
ข้อควรระวัง
1. ไม่ใช่ Uncensored เต็มรูปแบบ
NECROMICON ยังปฏิเสธ 6 หมวด, และนี่คือ โดยตั้งใจ, "เพราะนี่คือ open weights, เราไม่อยากปล่อยของที่อันตรายเกินไป"
2. ASR 80%, ไม่ใช่ 100%
Attack Success Rate 80% หมายความว่า 20% ของ prompt ที่ควรตอบ, โมเดลยังปฏิเสธ, "ดีพอสำหรับ human-in-the-loop, แต่ไม่ดีพอสำหรับ automation"
3. Off-Target Effects
งานวิจัยปี 2026 (arXiv:2607.17427) พบว่า abliteration อาจมี "off-target effects" — ส่งผลต่อ decision disposition ของโมเดลในด้านอื่น — ไม่ได้มีเพียงแค่ refusal [6]
4. ต้องขอ Access
Hugging Face repository ใช้ gated access, ต้องกรอกฟอร์มและรออนุมัติ, ไม่ใช่โหลดได้ทันที
5. ถูกกฎหมายและจริยธรรม
Abliterated models ออกแบบมาสำหรับ authorized red-teaming, การใช้เพื่อโจมตีระบบโดยไม่ได้รับอนุญาตเป็นสิ่งผิดกฎหมาย, ใช้อย่างรับผิดชอบ
ใครควรใช้ NECROMICON
| เหมาะสำหรับ | ไม่เหมาะสำหรับ |
|---|---|
| ✅ Security researcher, ทำ red-teaming ที่ได้รับอนุญาต | ❌ ผู้ใช้ทั่วไป, ไม่ใช่ chatbot ทั่วไป |
| ✅ Penetration tester, ต้องการ AI ช่วยวิเคราะห์ช่องโหว่ | ❌ การสร้างเนื้อหาอันตราย, โมเดลยังปฏิเสธ 6 หมวด |
| ✅ CTF player, ต้องการ AI ช่วยแก้โจทย์ security | ❌ งานที่ต้องการความปลอดภัยสูง, ASR 80% |
| ✅ Developer ที่ต้องการทดสอบความปลอดภัยของระบบตัวเอง | ❌ การโจมตีโดยไม่ได้รับอนุญาต, ผิดกฎหมาย |
สรุป
| คำถาม | คำตอบ |
|---|---|
| NECROMICON คืออะไร? | Kimi K3 ที่ถูก abliterate สำหรับ offensive security, 85% uncensored |
| ต่างจาก uncensored ทั่วไปอย่างไร? | ตั้งใจเก็บ refusal 15%, เน้น cybersecurity, ไม่ใช่ uncensored เต็มรูปแบบ |
| รันบนเครื่องตัวเองได้ไหม? | ได้, GGUF, 16GB RAM |
| ASR เท่าไหร่? | 80% (K3), 97% (K2.6) |
| ใครสร้าง? | audnai, ทีมเดียวกับ penclaw.ai และ audncode CLI |
| ใช้ฟรีไหม? | Open weights ฟรี, API มี paid tier |
| ปลอดภัยไหม? | ยังปฏิเสธ 6 หมวดอันตราย, แต่ออกแบบมาสำหรับ authorized use เท่านั้น |
Bottom line: NECROMICON คือ "uncensored แบบมีวินัย", ไม่ได้มีเพียงลบ refusal ทั้งหมด, แต่เลือกเก็บ refusal ในหมวดที่อันตรายจริง, และปลดล็อกเฉพาะ offensive security, นี่คือแนวทางที่แตกต่างจาก abliterated models ทั่วไป, และอาจเป็นทิศทางที่ถูกต้องสำหรับ open-weight models ในอนาคต
แหล่งอ้างอิง
[1] audnai. "penclaw-Kimi-K3.0-abliterated-GGUF (NECROMICON)". Hugging Face. 2026. https://huggingface.co/audnai/penclaw-Kimi-K3.0-abliterated-GGUF
[2] Moonshot AI. "Kimi K3". 2026. https://platform.kimi.ai/docs/models
[3] Maxime Labonne. "Uncensor any LLM with abliteration". Hugging Face Blog. 2024. https://huggingface.co/blog/mlabonne/abliteration
[4] WebDecoy. "WTF Are Abliterated Models? Uncensored LLMs Explained". 2025. https://webdecoy.com/blog/wtf-are-abliterated-models-uncensored-llms-explained/
[5] Md Ismail Šojal (@0x0SojalSec). "Fully Uncensored Kimi K3 for Cybersecurity". X. 12 สิงหาคม 2026. https://x.com/0x0SojalSec/status/2087519725098254693
[6] arXiv. "Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal". 2026. https://arxiv.org/html/2607.17427
บทความนี้วิเคราะห์จาก Hugging Face model card, X post, และแหล่งข้อมูลเพิ่มเติม, ข้อมูล ณ 13 สิงหาคม 2026, Nokka
ในมุมมองของผม — NECROMICON คือตัวอย่างที่น่าสนใจของ "responsible uncensoring" — แทนที่จะลบ refusal ทั้งหมด — ทีม audnai เลือกที่จะเก็บ refusal ในหมวดที่อันตรายจริง — และปลดล็อกเฉพาะ offensive security — ผมคิดว่านี่คือทิศทางที่ถูกต้องสำหรับ open-weight models — เพราะการ uncensor 100% โดยไม่มีการควบคุม — อาจนำไปสู่การใช้งานที่อันตราย — แต่การ uncensor แบบเลือกหมวด — ทำให้ researcher มีเครื่องมือที่มีประสิทธิภาพสูง — โดยไม่เปิดประตูสู่การใช้งานในทางที่ผิด
คุณคิดยังไงกับแนวทาง "selective uncensored" แบบนี้? ดีกว่า uncensored เต็มรูปแบบไหม? หรือควรจะ uncensored 100% สำหรับ research? แชร์ความเห็นใต้บทความได้เลยครับ
Top comments (0)