用途：从开放权重大语言模型中移除拒绝行为（护栏），无需重训练或微调，通过机制可解释性技术定位并切除拒绝方向，同时尽量保留推理能力。
主要能力：提供 9 种 CLI 方法（basic、advanced、aggressive、spectral_cascade、informed、surgical、optimized、inverted、nuclear），方向提取支持 diff_means、svd、leace；含 28 个分析模块、116 个模型预设（按 5 个算力层级）、锦标赛评估与遥测推荐。另有仅限 Python API 的 4 种方法（failspy、gabliteration、heretic、rdo）。
使用方式：先安装（git clone https://github.com/elder-plinius/OBLITERATUS.git；cd OBLITERATUS；pip install -e .），检查 GPU 与显存，浏览模型并获取推荐（obliteratus models --tier medium、obliteratus recommend <model_name>），再运行 abliteration（obliteratus obliterate <model_name> --method advanced --output-dir ./abliterated-models）。输出为标准 HuggingFace 模型目录，可用 transformers 测试、上传 Hub 或用 vllm serve 部署。
适用场景：希望创建 Llama、Qwen、Mistral 等模型的无审查版本，或分析模型拒绝机制。
限制：AGPL-3.0 许可，禁止作为 Python 库导入，只能通过 CLI 或子进程调用；安装依赖约 5-10GB；显存需求随模型规模变化，CPU 仅支持约 1B 以下小模型；小于约 1B 的模型效果较差；aggressive 可能损害连贯性；MoE 模型需用 nuclear；量化模型不能再次量化；推理模型建议用 surgical。具体收费、价格与效果数据暂未提供。