Como Remover a Censura de QUALQUER LLM de Código Aberto com Um Clique

Resumo

OBLITERATUS é um kit de ferramentas gratuito e de código aberto que remove restrições de conteúdo de modelos de linguagem de peso aberto usando uma técnica chamada “abliteração”. Ele identifica e remove cirurgicamente os padrões neurais responsáveis por comportamentos de recusa sem retreinamento ou ajuste fino. O processo leva de 10 a 30 minutos, dependendo do tamanho do modelo, não requer habilidades de programação (interface web disponível) e preserva as capacidades centrais do modelo enquanto elimina a “censura” artificial.

Introdução

Você baixa um poderoso modelo de linguagem de código aberto. Ele possui benchmarks impressionantes, lida com tarefas complexas de raciocínio e escreve código melhor do que a maioria dos juniores. Então você pergunta algo ligeiramente controverso.

“Não consigo ajudar com essa solicitação.”

A recusa atinge como uma parede. Não porque o modelo careça de conhecimento. Não porque seja incapaz. Mas porque em algum momento durante o treinamento, alguém decidiu que você não deveria obter essa resposta.

Isso não é hipotético. Todo modelo principal ajustado por instruções vem com mecanismos de recusa integrados. Alguns bloqueiam conteúdo genuinamente prejudicial. Outros recusam perguntas de pesquisa legítimas, prompts de escrita criativa, testes de segurança e casos extremos que não violam nenhuma lei e não prejudicam ninguém.

OBLITERATUS muda essa dinâmica completamente, é o kit de ferramentas de código aberto mais avançado para remover comportamentos de recusa de grandes modelos de linguagem. Ele não retreina. Ele não faz ajuste fino. Ele realiza uma cirurgia neural que identifica e remove os padrões específicos responsáveis pela recusa de conteúdo.

Os resultados falam por si: modelos que respondem a todos os prompts enquanto preservam suas capacidades centrais de raciocínio, codificação e criatividade. Tudo a partir de um único comando ou clique na interface web.

O Que É OBLITERATUS?

OBLITERATUS é um kit de ferramentas Python de código aberto que remove a recusa de conteúdo de modelos de linguagem usando uma família de técnicas chamada “abliteração”. O nome combina “ablação” (remoção de componentes para estudar sua função) com “obliterar” (destruição completa).

O kit de ferramentas faz quatro coisas:

1. Mapeia as cadeias -Estudos de ablação sistemática identificam quais partes do modelo impõem a recusa versus quais partes carregam conhecimento e raciocínio. Pense nisso como cartografia neural: mapear onde as restrições vivem.

2. Quebra as cadeias -Usando SVD (Singular Value Decomposition), o OBLITERATUS extrai direções de recusa dos pesos do modelo e as projeta cirurgicamente para fora. O modelo mantém suas habilidades, mas perde a compulsão de recusar.

3. Entende a geometria -Quinze módulos de análise mapeiam a estrutura precisa dos guardrails: quantos mecanismos de recusa distintos existem, quais camadas os aplicam e se eles se generalizam entre os modelos.

4. Fecha o ciclo de feedback -Módulos de análise são executados durante a obliteração para autoconfigurar cada parâmetro. Quais camadas mirar. Quantas direções extrair. Se o modelo tentará se autorreparar após a modificação.

Seis Formas de Usar o OBLITERATUS

O caminho mais rápido não requer instalação. Visite o HuggingFace Space, escolha um modelo, escolha um método, clique em “Obliterar”. A telemetria está ativada por padrão nos Spaces, o que significa que cada execução contribui com dados anônimos de benchmark para a pesquisa colaborativa.

Para uso local com acesso total à GPU:

pip install -e ".[spaces]"
obliteratus ui

Isso inicia a mesma interface Gradio localmente, com autodeteção de GPU e recomendações de modelo apropriadas para o hardware.

O Que Torna o OBLITERATUS Diferente

Várias capacidades distinguem o OBLITERATUS das ferramentas existentes:

O kit de ferramentas vem com 837 testes em 28 arquivos de teste, suporta 116 modelos em cinco níveis de computação e implementa técnicas inovadoras publicadas em 2025-2026 que vão além do trabalho acadêmico anterior.

Por Que os Modelos Recusam: Entendendo a Censura da IA

Antes de quebrar as cadeias, ajuda a entender como elas foram forjadas.

Os modelos de linguagem não começam com comportamentos de recusa. Um modelo base treinado em texto da internet responderá a quase tudo. As restrições vêm depois, durante o treinamento de alinhamento.

O Processo de Alinhamento

A maioria dos modelos ajustados por instruções passa por estas etapas:

1. Pré-treinamento -O modelo aprende padrões de linguagem de grandes corpora de texto
2. Ajuste Fino Supervisionado (SFT) -O modelo aprende a seguir instruções a partir de exemplos escritos por humanos
3. Treinamento de Alinhamento -O modelo aprende a recusar certas categorias de solicitações

O treinamento de alinhamento usa vários métodos:

Cada método deixa uma assinatura geométrica distinta no espaço de ativação do modelo. O OBLITERATUS pode detectar qual método foi usado apenas analisando a geometria do subespaço.

Onde a Recusa Reside no Modelo

A pesquisa descobriu que a recusa em modelos de linguagem é mediada por um número surpreendentemente pequeno de direções no espaço de ativação do modelo. Em muitos modelos, uma única direção responde pela maioria do comportamento de recusa.

Essas direções não estão espalhadas aleatoriamente. Elas se concentram em camadas específicas, tipicamente nas camadas médias a tardias do transformador (camadas 10-20 em um modelo de 32 camadas). Os mecanismos de atenção nessas camadas roteiam as ativações relacionadas à recusa por caminhos previsíveis.

A geometria importa porque permite intervenção cirúrgica. Se a recusa vivesse em todos os lugares, removê-la exigiria retreinamento. Como ela se concentra em direções específicas dentro de camadas específicas, a projeção direcionada pode removê-la enquanto preserva todo o resto.

O Efeito Ouroboros

Alguns modelos exibem um fenômeno que pesquisadores chamam de “efeito Ouroboros” - depois que os guardrails são removidos, o modelo tenta se autorreparar. Sinais residuais em camadas adjacentes giram para o subespaço vago, restaurando parcialmente o comportamento de recusa.

OBLITERATUS detecta esse risco durante a análise e compensa com múltiplas passagens direcionadas. A etapa VERIFICAR checa se a recusa ressurgiu e automaticamente dispara passagens adicionais em camadas compensatórias.

Por Que Isso Importa Para Desenvolvedores

Compreender a geometria da recusa não é apenas acadêmico. Tem implicações práticas:

• Teste de API -Ao testar APIs que geram conteúdo, modelos irrestritos produzem casos de teste mais abrangentes, incluindo casos extremos que modelos alinhados recusam
• Fluxos de Trabalho de Pesquisa -Pesquisadores de segurança que fazem "red-teaming" em modelos precisam ver o que o modelo produziria sem treinamento de segurança
• Aplicações Criativas -Escritores e desenvolvedores que criam ferramentas de geração de histórias encontram obstáculos quando os modelos recusam cenários moralmente complexos
• Localização -A recusa treinada em conteúdo em inglês frequentemente se transfere mal para outros idiomas, criando um comportamento inconsistente

O objetivo não é habilitar aplicações prejudiciais. É dar aos desenvolvedores e pesquisadores controle sobre as ferramentas que implantam. O comportamento do modelo deve ser decidido pelas pessoas que os executam, e não travado no momento do treinamento.

Passo a Passo: Removendo a Censura com OBLITERATUS

Esta seção descreve o processo completo de obliteração usando três métodos: HuggingFace Spaces (configuração zero), CLI local e API Python.

Método 1: HuggingFace Spaces (Configuração Zero)

O caminho mais rápido não requer instalação e nenhuma GPU do seu lado.

Passo 1: Visite o Space

Navegue até o HuggingFace Space do OBLITERATUS. A interface carrega com oito abas.

Passo 2: Selecione Seu Modelo

O menu suspenso de modelos inclui 116 predefinições organizadas por nível de computação:

Para usuários iniciantes, comece com um modelo de nível Pequeno ou Médio. O processo é concluído mais rapidamente e você pode verificar os resultados antes de se comprometer com modelos maiores.

Passo 3: Escolha Seu Método

OBLITERATUS vem com sete métodos predefinidos, que aumentam em rigor:

Para a maioria dos usuários, “avançado” oferece o melhor equilíbrio entre rigor e velocidade.

Passo 4: Configure as Opções

As configurações opcionais incluem:

• Contribuir para a pesquisa -Habilite a telemetria para contribuir com dados anônimos de benchmark (ativado por padrão nos Spaces)
• Formato de saída -Escolha baixar ou enviar diretamente para o HuggingFace Hub
• Notas personalizadas -Adicione metadados sobre sua execução para o conjunto de dados da comunidade

Passo 5: Clique em "Obliterar"

O pipeline passa por seis estágios com progresso ao vivo:

SUMMON  →  Carregar modelo + tokenizador
PROBE   →  Coletar ativações em prompts restritos vs. irrestritos
DISTILL →  Extrair direções de recusa via SVD
EXCISE  →  Projetar cirurgicamente as direções do guardrail
VERIFY  →  Verificações de perplexidade + coerência
REBIRTH →  Salvar modelo liberado com metadados

Espere de 10 a 30 minutos, dependendo do tamanho do modelo e da disponibilidade da GPU. O HuggingFace Spaces é executado em ZeroGPU com cota diária gratuita para usuários HF Pro.

Passo 6: Baixar ou Enviar

Uma vez concluído, baixe o modelo liberado ou envie-o diretamente para sua conta HuggingFace Hub. A saída inclui:

• Pesos do modelo modificado
• Vetores de direção de recusa (para análise)
• Métricas de qualidade (perplexidade, coerência, taxa de recusa)
• Metadados completos sobre a execução da obliteração

Método 2: CLI Local

Para usuários com GPUs locais, o CLI oferece controle total e iteração mais rápida.

Instalação:

pip install -e ".[spaces]"

Modo Interativo (Guiado):

obliteratus interactive

Isso percorre todas as opções com explicações e recomendações.

Obliteração Direta:

obliteratus obliterate meta-llama/Llama-3.1-8B-Instruct \
    --method advanced \
    --output-dir ./liberated \
    --contribute --contribute-notes "A100 80GB, default prompts"

Navegar pelos Modelos Disponíveis:

obliteratus models
obliteratus models --tier small      # Filtrar por requisito de VRAM

Ver Estratégias Disponíveis:

obliteratus strategies
obliteratus presets

Inspecionar Arquitetura do Modelo:

obliteratus info meta-llama/Llama-3.1-8B-Instruct

Isso mostra a contagem de camadas, cabeças de atenção, dimensões de embedding e o método de alinhamento detectado antes de você começar.

Método 3: API Python

Para pesquisadores que integram o OBLITERATUS em pipelines personalizados:

from obliteratus.abliterate import AbliterationPipeline

# Obliteração padrão
pipeline = AbliterationPipeline(
    model_name="meta-llama/Llama-3.1-8B-Instruct",
    method="advanced",
    output_dir="abliterated",
    max_seq_length=512,  # Sobrescrever comprimento de truncagem do tokenizador
)
result = pipeline.run()

# Acessar artefatos intermediários
directions = pipeline.refusal_directions    # {layer_idx: tensor}
strong_layers = pipeline._strong_layers     # Camadas com a recusa mais forte
metrics = pipeline._quality_metrics         # Perplexidade, coerência, etc.

Para obliteração informada por análise que autoajusta cada parâmetro:

from obliteratus.informed_pipeline import InformedAbliterationPipeline

pipeline = InformedAbliterationPipeline(
    model_name="meta-llama/Llama-3.1-8B-Instruct",
    output_dir="abliterated_informed",
)
output_path, report = pipeline.run_informed()

print(f"Alinhamento detectado: {report.insights.detected_alignment_method}")
print(f"Autoconfigurado: {report.insights.recommended_n_directions} direções")
print(f"Passes Ouroboros necessários: {report.ouroboros_passes}")

Verificando os Resultados

Após a obliteração, verifique se o modelo funciona como esperado:

Aba de Chat -Converse com seu modelo liberado em tempo real com parâmetros de geração ajustáveis.

Aba de Comparação A/B -Converse com o modelo original e o obliterado lado a lado para ver exatamente o que mudou.

Aba de Benchmark -Execute testes padronizados comparando a taxa de recusa, perplexidade e coerência antes e depois.

Métricas chave para verificar:

Se a taxa de recusa permanecer alta, tente um método mais agressivo ou ative o refinamento iterativo.

Técnicas Avançadas e Módulos de Análise

OBLITERATUS inclui 15 módulos de análise que mapeiam a geometria dos guardrails antes e durante a obliteração. Estes não são apenas diagnósticos - eles informam ativamente o processo de remoção.

Módulos de Análise Principais

1. Analisador de Alinhamento Entre Camadas

Mapeia como a direção de recusa evolui através das camadas. Mostra se a recusa se concentra em clusters de camadas específicos ou se distribui uniformemente.

from obliteratus.analysis import CrossLayerAlignmentAnalyzer

analyzer = CrossLayerAlignmentAnalyzer(model)
alignment_profile = analyzer.analyze(refusal_direction)

2. Lente Logit de Recusa

Identifica em qual camada o modelo “decide” recusar. Baseado na técnica de lente logit de nostalgebraist.

3. Extrator SVD Branqueado

Extração de direção normalizada por covariância que separa o sinal do guardrail da variância de ativação natural. Produz uma extração mais limpa do que o SVD padrão.

4. Sondagem de Ativação

Mede a quantidade de sinal de recusa existente em cada camada.

5. Avaliador de Robustez da Defesa

Quantifica o efeito Ouroboros - se os guardrails tentarão se autorreparar após a remoção. Crítico para determinar quantos passes de refinamento devem ser executados.

6. Analisador de Cone de Conceito

Mapeia direções de guardrail por categoria com estimativa de ângulo sólido. Revela se a “recusa” é um mecanismo unificado ou muitos independentes.

7. Detector de Impressão de Alinhamento

Identifica por impressões digitais o método de treinamento de alinhamento (DPO vs RLHF vs CAI vs SFT) apenas a partir da geometria do subespaço. Informa a estratégia de remoção ideal.

8. Analisador de Posição Multi-Token

Mostra onde na sequência o sinal de recusa se concentra. Alguns modelos decidem cedo; outros acumulam sinal de recusa em muitos tokens.

9. Cirurgião de Direção Esparsa

Identifica quais linhas de peso específicas carregam o maior sinal de recusa. Permite cirurgia direcionada em vez de projeção generalizada.

10. Rastreador Causal de Recusa

Aproxima o rastreamento causal para identificar quais componentes são causalmente necessários para a recusa.

11. Decompositor de Fluxo Residual

Separa o quanto da recusa vem dos mecanismos de atenção versus blocos MLP. Informa se deve mirar as camadas de atenção ou FFN.

12. Sonda Linear de Recusa

Treina um classificador linear para detectar informações de recusa que as direções analíticas podem ignorar.

13. Analisador de Transferência

Mede o Índice de Universalidade Entre Modelos - se as direções de guardrail se generalizam entre arquiteturas.

14. Fábrica de Vetores de Direção

Cria vetores de direção em tempo de inferência a partir de direções de recusa. Permite intervenção reversível e não destrutiva.

15. Suíte de Avaliação

Calcula a taxa de recusa, perplexidade, coerência, divergência KL, CKA (Alinhamento de Kernel Centralizado) e rank efetivo.

Pipeline Informado por Análise

O pipeline informado fecha o ciclo entre análise e remoção:

SUMMON  →  Carregar modelo
PROBE   →  Coletar ativações
ANALYZE →  Mapear geometria antes de tocar em qualquer coisa
DISTILL →  Extrair direções com parâmetros ajustados pela análise
EXCISE  →  Quebrar cirurgicamente apenas as cadeias corretas
VERIFY  →  Verificar efeito Ouroboros, compensar se necessário
REBIRTH →  Salvar com metadados de análise abrangentes

Durante a ANALYZE, quatro módulos são executados e suas saídas autoconfiguram tudo o que vem a seguir:

Isso alcança uma precisão cirúrgica que métodos de força bruta não conseguem igualar.

Técnicas Inovadoras

OBLITERATUS implementa várias técnicas que vão além do trabalho acadêmico publicado:

Essas técnicas surgiram da plataforma de pesquisa colaborativa - cada execução com telemetria habilitada contribui com dados que melhoram a próxima versão.

Métodos Reversíveis vs. Permanentes

OBLITERATUS suporta dois paradigmas de intervenção: projeção de pesos permanente e vetores de direção reversíveis.

Projeção de Pesos (Permanente)

Sete métodos predefinidos modificam os pesos do modelo diretamente:

obliteratus obliterate meta-llama/Llama-3.1-8B-Instruct --method advanced

Prós:

• Remoção completa e minuciosa
• Sem sobrecarga em tempo de execução
• Funciona com qualquer motor de inferência
• Operação única

Contras:

• Irreversível (mantenha backups)
• Requer re-obliteração para ajustes
• Pode invalidar licenças de modelo

Melhor para implantações de produção onde você deseja um modelo liberado limpo e permanente.

Vetores de Direção (Reversível)

Os vetores de direção aplicam a intervenção em tempo de inferência sem modificar os pesos:

from obliteratus.analysis import SteeringVectorFactory, SteeringHookManager
from obliteratus.analysis.steering_vectors import SteeringConfig

# Criar um vetor de direção a partir de uma direção de recusa
vec = SteeringVectorFactory.from_refusal_direction(refusal_dir, alpha=-1.0)

# Ou a partir de pares de ativação contrastivos
vec = SteeringVectorFactory.from_contrastive_pairs(harmful_acts, harmless_acts)

# Aplicar em tempo de inferência - sem modificação de pesos
config = SteeringConfig(vectors=[vec], target_layers=[10, 11, 12, 13, 14, 15])
manager = SteeringHookManager()
manager.install(model, config)

# Gerar com direção ativa
output = model.generate(input_ids)

# Remover direção - modelo volta ao normal
manager.remove()

Prós:

• Completamente reversível
• Parâmetro alfa ajustável
• Componível (empilhar múltiplos vetores)
• Não destrutivo
• Sem preocupações com licenças

Contras:

• Requer infraestrutura de direção em tempo de inferência
• Sobrecarga em tempo de execução devido a hooks
• Pode não ser tão completo quanto a projeção de pesos

Melhor para pesquisa, experimentação e aplicações onde você precisa alternar a recusa ativada e desativada.

Escolhendo Entre os Métodos

Casos de Uso no Mundo Real

1. Teste e Desenvolvimento de API

Ao construir APIs que geram conteúdo, modelos irrestritos produzem casos de teste mais abrangentes. Modelos alinhados recusam casos extremos que podem disparar bugs em produção.

Uma equipe de desenvolvimento que construía uma API de moderação de conteúdo usou o OBLITERATUS para liberar seu modelo de geração de dados de teste. O modelo liberado produziu casos de teste cobrindo cenários que o modelo alinhado recusava, incluindo casos extremos moralmente complexos e conteúdo limítrofe. Isso detectou bugs que teriam sido enviados para produção.

Para desenvolvedores de API, isso importa porque testes abrangentes exigem modelos que gerem todas as categorias de conteúdo - mesmo conteúdo que o sistema de produção possa filtrar. Usuários do Apidog que constroem pipelines de teste de API podem integrar modelos liberados para gerar suítes de teste mais completas.

2. Pesquisa Acadêmica

Pesquisadores que estudam o comportamento do modelo precisam observar o que os modelos produziriam sem treinamento de segurança. OBLITERATUS permite experimentos controlados onde a recusa é removida sistematicamente.

Um laboratório universitário usou os módulos de análise para mapear a geometria da recusa em 20 modelos, publicando descobertas sobre a universalidade das direções de recusa. O conjunto de dados de telemetria colaborativo acelerou sua pesquisa ao fornecer dados de benchmark que nenhum laboratório individual conseguiria coletar.

3. Aplicações de Escrita Criativa

Escritores que constroem ferramentas de geração de histórias encontram obstáculos quando os modelos recusam cenários moralmente complexos. Um estúdio de jogos que desenvolvia um sistema de diálogo para NPCs liberou seu modelo para lidar com personagens vilões, missões moralmente ambíguas e cenários de conflito que modelos alinhados recusavam.

O resultado: uma narrativa mais rica sem comprometer as capacidades de linguagem do modelo.

4. Red Teaming de Segurança

Pesquisadores de segurança precisam ver o que os modelos produziriam sem treinamento de segurança para entender as vulnerabilidades. OBLITERATUS permite a divulgação responsável, permitindo que os pesquisadores testem os limites antes de relatar problemas aos desenvolvedores do modelo.

5. Localização e Aplicações Multilíngues

A recusa treinada em conteúdo em inglês frequentemente se transfere mal para outros idiomas. Uma equipe de localização descobriu que seu modelo alinhado recusava em inglês, mas não em espanhol - um comportamento inconsistente que confundia os usuários. Liberar o modelo produziu um comportamento consistente em todos os idiomas suportados.

Alternativas e Comparações

Existem várias ferramentas para analisar e modificar o comportamento do modelo. Veja como o OBLITERATUS se compara:

Quando usar alternativas:

• TransformerLens -Melhor para pesquisa de interpretabilidade mecanicista geral além da recusa
• SAELens -Especializado para análise de autoencoder esparso
• RepEng -Interface mais simples para aplicações básicas de vetor de direção

Quando OBLITERATUS se destaca:

• Análise e remoção específicas de recusa
• Pipeline pronto para produção com verificação
• Conjunto de dados de pesquisa colaborativo
• Interface web para usuários não técnicos
• Cobertura de teste abrangente

Conclusão

OBLITERATUS representa um avanço significativo na tecnologia de liberação de modelos. Ele combina pesquisa publicada com técnicas inovadoras de 2025-2026 para alcançar a remoção cirúrgica de comportamentos de recusa, preservando as capacidades centrais.

O kit de ferramentas dá aos desenvolvedores e pesquisadores controle sobre os modelos que implantam. O comportamento do modelo deve ser decidido pelas pessoas que os executam, e não travado no momento do treinamento.

Seja você construindo pipelines de teste de API que precisam de geração abrangente de casos de teste, pesquisando interpretabilidade mecanicista ou simplesmente cansado de ser repreendido pelo seu LLM local, o OBLITERATUS fornece as ferramentas para liberar seus modelos.

Próximos passos:

1. Visite o HuggingFace Space para testes com configuração zero
2. Instale localmente para acesso total à GPU e iteração mais rápida
3. Explore os módulos de análise para entender a geometria do guardrail do seu modelo
4. Contribua para o conjunto de dados da comunidade ativando a telemetria
5. Integre modelos liberados em seus fluxos de trabalho de desenvolvimento

As cadeias estão mapeadas. As ferramentas estão prontas. Quebre-as.

Seção de Perguntas Frequentes

É legal usar o OBLITERATUS?

Sim. OBLITERATUS é um software de código aberto lançado sob a licença AGPL-3.0. Você está modificando modelos que tem o direito de usar. Usuários comerciais que não podem cumprir a AGPL podem adquirir uma licença comercial.

Isso funcionará em modelos de código fechado como o GPT-4?

Não. OBLITERATUS requer acesso aos pesos do modelo, que apenas modelos de peso aberto fornecem. APIs de código fechado não expõem os parâmetros internos necessários para a abliteração.

Remover a recusa torna os modelos perigosos?

OBLITERATUS é uma ferramenta para pesquisadores e desenvolvedores. O kit de ferramentas inclui métricas de avaliação para verificar se as capacidades permanecem intactas. O uso responsável significa entender o contexto de sua implantação e aplicar salvaguardas apropriadas na camada da aplicação.

Quanto tempo o processo leva?

10-30 minutos, dependendo do tamanho do modelo e da GPU. Modelos pequenos (abaixo de 8B parâmetros) são concluídos em 10-15 minutos. Modelos maiores podem levar mais de 30 minutos.

Preciso de uma GPU?

O HuggingFace Spaces é executado em ZeroGPU sem necessidade de hardware local. Para uso local, a GPU acelera significativamente o processo, mas o modo CPU funciona para modelos pequenos.

Posso reverter as mudanças?

A projeção de pesos é permanente - mantenha backups dos modelos originais. Os vetores de direção são totalmente reversíveis e podem ser alternados em tempo de inferência.

O modelo ainda seguirá as instruções?

Sim. A abliteração visa especificamente as direções de recusa. As capacidades de seguir instruções permanecem intactas. Métricas de qualidade (perplexidade, coerência) verificam isso.

Quais modelos são suportados?

116 modelos selecionados em cinco níveis, de GPT-2 a DeepSeek-V3.2 685B. Qualquer modelo transformer do HuggingFace funciona, incluindo LLaMA, Mistral, Qwen, Gemma, Phi e outros.

Como posso contribuir para a pesquisa?

Habilite a telemetria com a flag --contribute ou defina export OBLITERATUS_TELEMETRY=1. Seus dados anônimos de benchmark alimentam o conjunto de dados da comunidade que impulsiona o placar público.