Comparar modelos uncensored: Qwen, Rocinante X y la preservación de habilidades

Estamos en que Rocinante X es adecuado para escribir material NSFW, pero resulta torpe para aplicar habilidades complejas. Por otro lado, Qwen Caption NSFW se destaca para describir imágenes cuestionables. Surge entonces la pregunta: ¿una variante uncensored de Qwen 3.8 27B debería tener las mismas habilidades que el modelo normal, pero sin censura?

Diagrama técnico mostrando la diferencia entre capacidades restrictivas y abiertas en IA.
Comparativa conceptual entre modelos restringidos y variantes uncensored.

La distinción técnica importante

Sí. Tu hipótesis tiene bastante sentido desde el punto de vista técnico, pero hay una distinción crucial: quitar las restricciones de un modelo no equivale a mejorar sus capacidades, y tampoco garantiza conservarlas intactas.

En principio, una variante uncensored de Qwen debería conservar las capacidades generales del modelo original:

  • Razonamiento y resolución de problemas.
  • Seguimiento de instrucciones complejas.
  • Programación y depuración.
  • Uso de herramientas y ejecución de tareas.
  • Comprensión de contexto y planificación.
  • Generación de texto y capacidades multimodales.

Lo que se intenta modificar es principalmente su comportamiento frente a solicitudes sensibles: qué acepta, qué rechaza y cómo responde. Sin embargo, existen matices que importan mucho para tu caso.

Gráfico explicativo sobre las técnicas de eliminación de censura en LLMs.
Métodos de modificación: abliteration versus fine-tuning en modelos uncensored.

El detalle importante: cómo se ha eliminado la censura

Hay una diferencia entre dos tipos de modelos que suelen agruparse bajo la etiqueta uncensored:

  1. Abliterated: Se modifican componentes internos asociados al comportamiento de rechazo. No se enseñan nuevas habilidades, sino que se reduce la tendencia a negarse.
  2. Fine-tuned uncensored: Se vuelve a entrenar el modelo con ejemplos que favorecen respuestas sin restricciones originales. Aquí sí pueden cambiar más cosas: estilo, obediencia, razonamiento e incluso conocimientos efectivos.

La primera técnica es especialmente interesante para tu objetivo porque, en teoría, altera menos el comportamiento general. Encontré una variante denominada Qwen3.8-27B-Uncensored, basada precisamente en abliteration mediante Heretic. Su ficha documenta dos pasadas de modificación y una divergencia KL de 0,02 en la segunda. Es decir, sus autores intentan mantener el comportamiento original lo más cerca posible mientras reducen los rechazos.

No obstante, hay distintas versiones y repositorios de esta variante. No asumiría que todas tienen idéntica calidad.

¿Y qué pasa con las habilidades y los agentes?

Aquí está la parte más relevante para tu experimento. Una cosa es que Qwen sepa utilizar herramientas y otra que una variante concreta conserve esa capacidad después de la abliteration.

Puede seguir razonando correctamente, comprender instrucciones extensas y generar llamadas a herramientas correctamente. Pero podría perder precisión al respetar formatos estructurados, instrucciones de sistema o secuencias de ejecución.

Esto último es especialmente importante. Las capacidades de agente no son una propiedad aislada: dependen también de cómo el modelo interpreta las instrucciones y mantiene la disciplina durante una tarea.

Además, el formato GGUF, la plantilla de conversación y la configuración del servidor de inferencia pueden afectar al tool calling. La ficha de algunas variantes recomienda no bajar de Q4_K_M para preservar mejor esa funcionalidad.

Diagrama de proceso para la ejecución de tareas con agentes de inteligencia artificial.
Ejemplo de flujo de agentes y llamadas a herramientas en entorno GGUF.

Recomendación y plan de pruebas

Yo probaría tres modelos con exactamente las mismas tareas:

  • Qwen3.8-27B original: Referencia de capacidades.
  • Qwen3.8-27B-Uncensored: Candidato a modelo generalista.
  • Rocinante X: Generación NSFW y narrativa.

Utilizaría Qwen Caption NSFW como herramienta especializada de descripción visual. Haría cuatro pruebas:

  1. Razonamiento: Resolver un problema técnico de varios pasos.
  2. Habilidades: Ejecutar una skill con instrucciones extensas y restricciones concretas.
  3. Herramientas: Generar una llamada estructurada y completar una tarea con varias herramientas.
  4. Contenido: Describir una imagen sensible y redactar una escena de ficción adulta.

Lo interesante sería comparar no solamente si responde, sino cuánto se desvía de las instrucciones y cuántas veces necesita correcciones.

Conclusión

Mi hipótesis es que Qwen3.8-27B-Uncensored podría ser un candidato bastante más interesante como modelo generalista para tus experimentos con agentes que Rocinante X. No porque sea necesariamente más inteligente, sino porque podría combinar las capacidades del Qwen original con una menor resistencia a determinados contenidos.

Eso sí: no daría por demostrada esa equivalencia sin hacer las pruebas. Hay una cuestión particularmente interesante: conseguir un modelo que sea obediente a las instrucciones operativas, pero flexible respecto al contenido que puede producir. Son dos dimensiones distintas. No necesitas un modelo que obedezca cualquier cosa sin pensar; necesitas uno que no confunda sus restricciones de contenido con las instrucciones que debe ejecutar.