PewDiePie обучил дома модель Ajax без цензуры после двух банов OpenAI

Felix Kjellberg, известный как PewDiePie, делает Ajax, языковую модель без встроенной цензуры, которую, по данным видео Fireship, обучил у себя дома. Поводом стали два бана в OpenAI: аккаунты блогера дважды закрывали из-за дистилляции. Размер модели, база, датасет и условия распространения в описании ролика не раскрыты. Ниже я отделяю подтверждённое от контекста, который помогает понять масштаб истории.

Что известно про Ajax

Фактов немного, и это важно проговорить сразу. Источник — описание и сюжет ролика Fireship, первичных материалов от самого автора в нашем распоряжении нет.

• Название модели: Ajax.
• Автор: PewDiePie.
• Позиционирование: uncensored, то есть без стандартных отказов и фильтров.
• Где обучалась: дома, на личном оборудовании.
• Триггер: два бана от OpenAI за дистилляцию.
• Не раскрыто: число параметров, базовая модель, объём и источники данных, лицензия, результаты бенчмарков.

Фраза «обучил дома» почти наверняка означает дообучение уже существующей открытой модели, а не претрейнинг с нуля. Модель уровня современных флагманов требует тысяч ускорителей и месяцев работы, домашняя стойка с несколькими GPU на это не рассчитана. Это наш вывод, подтверждения в источнике нет.

Почему дистилляция заканчивается банами

Дистилляция выглядит так: ответы сильной модели собирают в датасет и учат на нём другую, обычно меньшую. Метод легальный и давно применяется внутри компаний. Проблемы начинаются, когда «учителем» служит чужая закрытая модель. Условия использования OpenAI запрещают применять выходные данные сервиса для разработки конкурирующих моделей. Тема уже вызывала споры: в начале 2025 года появились сообщения, что OpenAI подозревает DeepSeek в использовании выводов её моделей.

Как именно OpenAI заметила активность PewDiePie, неизвестно. Обычно такие случаи выдаёт трафик: массовые однотипные запросы, автоматизированные пайплайны, структура промптов. Дважды получить бан значит, что после первого раза схему не бросили, а пересобрали.

Зачем нужна модель без цензуры

У «uncensored» модели обычно убирают или ослабляют отказы: из обучающих данных вычищают примеры вида «я не могу с этим помочь» и дообучают на выборке без таких реакций. Для пользователя плюсы понятны: полный контроль над поведением, приватность, отсутствие внезапных блокировок посреди рабочего процесса. Минусы тоже понятны: модель охотнее выдаёт вредный контент, а ответственность за него ложится на того, кто её запустил и распространяет.

Есть и ирония. Чтобы получить качественные данные для дообучения, часто берут ответы как раз закрытых моделей, которые прошли выравнивание. Потом из них приходится вычищать отказы. Именно здесь дистилляция упирается в условия API.

Что делать разработчикам и командам

История полезна как повод проверить собственные процессы, особенно если вы собираете синтетические данные.

• Прочитайте условия API, которым пользуетесь. Если там есть запрет на обучение конкурирующих моделей, не используйте выводы для датасетов, даже «для внутреннего эксперимента».
• Для синтетических данных берите модели с открытыми весами и лицензией, которая явно разрешает такое применение. Лицензии у разных семейств сильно отличаются, смотрите детали.
• Не смешивайте личные и рабочие аккаунты. Бан за нарушение условий может заблокировать доступ ко всем проектам на одном профиле.
• Если планируете запускать Ajax после публикации весов, дождитесь независимых тестов. Заявления автора о качестве без бенчмарков и описания данных проверить нельзя.
• Для локального дообучения оцените реальный бюджет по видеопамяти заранее: LoRA и квантизация позволяют уместиться в потребительские GPU, но только для моделей среднего размера.

Итог пока простой: громкое имя, интересная идея и почти полное отсутствие технических деталей. Когда появятся веса, датасет и оценки, станет ясно, это серьёзный open-source-проект или медийный эксперимент.