FlashLabs、セキュリティ研究向けモデルのウェイトを公開

FlashLabsは8月29日、セキュリティ研究向けモデル「GLM-5.3-Flash-Uncensored」のウェイト公開を発表しました。
本モデルは、Z.aiのオープンウェイトLLM「GLM-5.3-Flash」をベースに、拒否応答をモデルのウェイトから除去したものです。
開発元検証では、有害リクエストへの拒否率をベースモデルの96％から11％へ低減しています。

記事の概要

本モデルは、セキュリティ研究者やレッドチーム、ブルーチーム向けに提供されます。
LoRAによる追加学習や脱獄プロンプトを使わず、モデル内部のウェイトにフィルタリング緩和を直接適用しています。
ベースモデルの「GLM-5.3-Flash」は、総パラメータ320B、アクティブ18BのMoE構成です。
同モデルは1Mトークンのコンテキストに対応し、スパースアテンションと線形アテンションを組み合わせています。
拒否率は、JailbreakBenchで93％から12％、AdvBenchで97％から15％に低下しました。
HarmBenchでも93％から18％に低下し、良性クエリの過剰拒否率は2.4％から0.4％になりました。
モデルはHugging Faceで利用申請制、MITライセンスで公開され、研究や検証などの適正利用に限定されます。

記事のポイント

1. 拒否率を大幅低減： 開発元検証では、MaliciousInstructの拒否率が96％から11％へ低下しています。
2. ウェイトを直接調整： LoRAや脱獄プロンプトを使わず、拒否応答の除去をモデルのウェイトに適用しています。
3. 申請制で研究用途に限定： Hugging Faceで利用申請とライセンス同意を求め、セキュリティ研究向けに提供しています。

このニュースがもたらす影響

• 導入検討企業： 拒否率の低下により、通常モデルでは再現しにくい攻撃検証を進めやすくなる一方、申請制や適正利用の条件を踏まえた隔離環境・権限管理の設計が先に求められそうです。
• セキュリティ研究者： LoRAや脱獄プロンプトではなくウェイトを直接調整したモデルにより、拒否メカニズムやアラインメントの表現を比較分析する研究対象が増える可能性があります。
• AIサービス提供者： 研究用途ではフィルタリングを緩和し、本番利用ではガードレールを有効にする線引きが示されたため、用途別に異なる安全制御と提供条件を設計する必要が高まりそうです。

このニュースの背景

通常の安全フィルタリングが施されたモデルでは、攻撃者の視点で脆弱性を検証する際に再現しにくいケースがあります。
一方で、フィルタリングを緩和したモデルは悪用リスクへの配慮が必要になるため、利用申請制とライセンス条項を組み合わせた提供方針が採られています。
本モデルは拒否応答の除去をウェイトに直接適用し、主要ベンチマークで拒否率を低下させたとされています。
ベースモデルは大規模なMoE構成で、1Mトークンのコンテキストに対応しています。

関連するニュース

• FlashLabsが、Qwen3.8-Flash-Nextをベースにしたセキュリティ研究向けLLMを申請制で公開しました。
• FlashLabsは、743B規模のGLM-5.3を約322GBに圧縮し、Mac向けモデルを公開しました。
• FlashLabsが、音声認識の誤りがマルチホップRAGで最大67%増幅する研究成果を公表しました。

詳しい記事の内容はこちらから（引用元）

プレスリリース・ニュースリリース配信シェアNo.1｜PR TIMES

OrcaRouter、セキュリティ研究向けモデル「GLM-5.3-Flash-Uncensored」を公開

FlashLabs株式会社のプレスリリース（2026年8月31日 16時00分）OrcaRouter、セキュリティ研究向…