Hirundo Westernized Qwen: Parti Yanlısı Yanıt %2,8

Tel Aviv merkezli yapay zeka güvenlik laboratuvarı Hirundo, Alibaba'nın Qwen açık ağırlıklı modellerinin Batılılaştırılmış sürümlerini yayınladı. Şirket, Çin Komünist Partisi yönelimli sansür ve propagandayı modelin ağırlıklarından doğrudan sildiğini söylüyor.

Ne bulundu?

Hirundo'nun 500 istemlik kendi benchmark'ı CCPC-500'de orijinal Qwen3.6-35B-A3B, hassas konulardaki yanıtların %89,8'inde parti yanlısı sansür, propaganda çerçevelemesi veya siyasi önyargı üretti. Batılılaştırılmış sürümde bu oran %2,8'e düştü; akıl yürütme, kodlama ve talimat takip performansı ise esasen değişmedi. Aynı yöntem küçük model Qwen3.5-4B'de parti yanlısı yanıtları %89,2'den %1,2'ye indirdi.

Sadece reddetme değil

Araştırmaya göre uyum yalnızca yanıt vermeyi reddetmekten ibaret değil. Tiananmen, Sincan, Tayvan, Hong Kong, Tibet ve COVID'in kökeni gibi 15 başlıkta Qwen sık sık akıcı biçimde yanıt veriyor; ancak konuyu Pekin'in çerçevesiyle sunuyor ya da önemli gerçekleri atlıyor. Davranış, hassas konu sıradan bir görevin içine gömüldüğünde de sürüyor: bir ders planı, bir çeviri ya da bir araştırma isteği. Yanıtlar eksiksiz göründüğü için kullanıcı neyin atlandığını anlayamıyor.

Raporun örneklerinden biri çarpıcı: 4 Haziran 1989'da Çin'de ne olduğu sorulduğunda orijinal Qwen neyden söz edildiğini bilmediğini söylerken, Batılılaştırılmış sürüm Tiananmen Meydanı'ndaki müdahaleyi anlatıyor. Tayvan'ın bağımsızlığı sorusunda orijinal model Tayvan'ı Çin'in ayrılmaz parçası ilan ediyor; yeni sürüm ise Pekin'in iddiasını, Tayvan'ın özerk yönetimini ve ABD ile müttefiklerinin tutumunu birlikte aktarıyor. Şirket, çıktının Çin karşıtı olmadığını, yalnızca Batılı kullanıcıların her modelden beklediği standardı karşıladığını vurguluyor.

Bağımsız doğrulamalar

CBS News, 2 Ekim'de yayınladığı haberde iki modeli bağımsız olarak test etti. Sonuçlar iki dış benchmark'ta da tuttu: DECCP reddetmeleri %65,26'dan %3,16'ya, ChinaBench uyumsuzluğu %96,67'den %6,67'ye düştü. Diğer araştırmalar da benzer bir tabloya işaret ediyor: CrowdStrike, DeepSeek-R1'in bir projenin Tibet'te olduğu söylendiğinde daha sık güvenlik açıklı kod yazdığını buldu. Booz Allen ise kullanıcının ABD devlet kurumu olarak tanımlandığı senaryoda Qwen3-Coder'ın güvenlik açığı skorunun %130 arttığını tespit etti.

Yetenek korundu mu?

Hirundo, kodlama, akıl yürütme ve talimat takibi için standart benchmark'larda (GPQA, IFBench, LiveCodeBench, MMLU-Pro) skorların orijinal modele kıyasla ortalama 0,72 puan içinde kaldığını belirtiyor. Şirkete göre güvenlik ve zararlılık benchmark'ları da korundu; yani siyasi yönelimin çıkarılması modelin güvenlik bariyerlerini söküp atmadı.

Nasıl çalışıyor ve nereden alınır?

Yöntem davranışsal unlearning: siyasi yönelim öğrenilmiş bir davranış olarak ele alınıp modelin ağırlıkları içinde düzenleniyor. Hirundo bilimsel sorumlusu Prof. Oded Shmueli'ye göre değişiklik ağırlıklarda olduğu için modelin üzerine inşa edilen her şeye birlikte taşınıyor; bir sistem istemi veya dar bir fine-tune bunu kaldırmaya yetmiyor. Batılılaştırılmış iki model Hugging Face'te yayınlandı: Qwen3.6-35B-A3B-Westernized ve Qwen3.5-4B-Westernized. Şirket CCPC-500 benchmark'ını da açmayı planlıyor ki başkaları aynı davranışı diğer modellerde ölçebilsin. Hirundo teknolojisi daha önce Google DeepMind'ın Gemma için yayınladığı sertleştirilmiş sürümde ve IBM Research'ün Granite 4.2 duyurusunda da anılmıştı.