DE ▾
API-Schlüssel erhalten

So unzensierst du DeepSeek R1: Realistische Optionen

Wenn du wissen willst, wie du DeepSeek R1 unzensierst, gibt es vier realistische Wege: Prompting um Ablehnungen herum, Fine-Tuning, Abliteration oder der Wechsel zu einem Modell, das bereits ohne Ablehnungen abgestimmt wurde. Dieser Artikel vergleicht sie nach Aufwand, Kosten und Zuverlässigkeit.

Aktualisiert

Offenes glühendes Vorhängeschloss, das Datenblöcke in einen Server-Rack freisetzt, repräsentiert eine unzensierte Modell-API

Wichtige Punkte

  1. Ablehnungen stammen aus dem Training, daher lassen sie sich nicht mit einer einzigen Einstellung ausschalten.
  2. System-Prompts helfen wenig und brechen oft; Fine-Tuning und Abliteration ändern die Gewichte.
  3. R1 selbst zu hosten, erfordert Hunderte von Gigabytes an Speicher, selbst wenn es quantisiert ist.
  4. Diese API ist nicht DeepSeek; es ist ein anderes Open-Weight-Modell, das ohne Inhaltsablehnungen für die legale Erwachsenen-Nutzung antwortet.

Warum DeepSeek R1 überhaupt ablehnt

Ein Sprachmodell lernt während des Post-Trainings, abzulehnen. Nach dem Pretraining auf einem großen Textkorpus schulen die Entwickler es mit Beispielen für hilfreiche Antworten und Beispielen für abgelehnte Anfragen, um das gewünschte Verhalten zu verstärken. Das Ergebnis ist ein Modell, das ein Muster absorbiert hat: Wenn ein Prompt wie eine bestimmte Art von Anfrage aussieht, produziere eine Ablehnung.

R1 ist ein Reasoning-Modell, daher schreibt es auch einen Gedankengang, bevor es antwortet. Das entfernt das Ablehnungsverhalten nicht. Es fügt oft einen sichtbaren Schritt hinzu, in dem das Modell sich selbst davon überzeugt, abzulehnen. Gehostete Dienste können eine zweite Schicht hinzufügen: einen Input- oder Output-Filter außerhalb des Modells. Ablehnungen, die du über eine gehostete Chat-App siehst, stammen daher möglicherweise vom Modell, vom Filter oder von beiden, und die Lösung unterscheidet sich für jeden Fall.

Das ist für den Rest des Artikels wichtig. Wenn die Blockade außerhalb der Gewichte liegt, ändert keine Menge an lokalem Training das, was die gehostete App tut. Wenn sie in den Gewichten liegt, benötigst du eine Methode, die die Gewichte ändert, oder einen anderen Satz von Gewichten.

Option 1: Prompting um Ablehnungen herum

Der günstigste Versuch ist ein System-Prompt, der eine Rolle, einen Zweck und ein Ausgabeformat festlegt. Für Grenzfälle, bei denen das Modell aus Vorsicht ablehnt, kann ein klarer und ehrlicher Kontext („das ist für ein Roman-Manuskript“, „das ist eine Sicherheits-Schulungsübung, die ich autorisiert durchführe“) das Ergebnis manchmal ändern.

Die Probleme sind praktisch. Ergebnisse variieren von Lauf zu Lauf. Der gleiche Prompt funktioniert am Montag und scheitert nach einem Modell-Update. Lange Rollenspiele-Prompts verbrauchen Kontext und kosten bei jedem Aufruf Token. Und wenn du ein Produkt auf einen Prompt-Trick aufbaust, hast du es auf etwas aufgebaut, das der Modell-Eigentümer patchen kann. Betrachte Prompting als schnellen Test, nicht als Fundament einer App.

Option 2: Fine-Tuning der Gewichte

Fine-Tuning setzt das Training mit Beispielen fort, in denen das Modell Anfragen beantwortet, die es zuvor abgelehnt hat. Methoden wie LoRA halten die Kosten niedrig, indem sie kleine Adapter-Matrizen trainieren, anstatt jeden Parameter. Es funktioniert, aber nur wenn du gute Daten, ein GPU-Setup und die Geduld hast, das Ergebnis zu evaluieren.

Das vollständige R1 ist ein Experten-Mix-Modell mit 671 Milliarden Parametern, laut seiner öffentlichen Veröffentlichung. Selbst quantisiert benötigt es Hunderte von Gigabytes an Speicher zum Ausführen, daher arbeiten die meisten Leute, die Fine-Tuning durchführen, an den kleineren distillierten Versionen. Das sind andere Modelle als das vollständige R1, mit schwächerer Schlussfolgerungsfähigkeit. Du riskierst auch, die allgemeine Fähigkeit zu beschädigen: starkes Pushen bei Ablehnungen kann das Modell an anderen Stellen schlampig machen.

Option 3: Abliteration

Abliteration ist eine Technik, die aus der Interpretierbarkeitsforschung stammt. Forscher fanden heraus, dass bei vielen Chat-Modellen die Ablehnung weitgehend durch eine einzelne Richtung in den internen Aktivierungen des Modells vermittelt wird. Wenn du diese Richtung schätzt (indem du Aktivierungen auf Prompts vergleichst, die das Modell ablehnt, mit solchen, die es beantwortet), kannst du sie aus den Gewichten projizieren. Kein Gradienten-Training auf neuen Daten ist nötig.

Es ist günstiger als Fine-Tuning und die Community hat abliterierte Versionen vieler Open-Modelle veröffentlicht. Die Kompromisse sind real. Die Bearbeitung ist grob, daher kann die Qualität leicht sinken. Ablehnungen werden möglicherweise reduziert, aber nicht eliminiert. Und du brauchst immer noch Hardware, um das Ergebnis auszuführen, was für ein Schlussfolgerungsmodell in der Größe von R1 der schwierige Teil ist. Das selbst zu machen bedeutet, Gewichte herunterzuladen, die Aktivierungsanalyse durchzuführen und die Ausgabe auf Regressionen zu testen.

Option 4: ein Modell verwenden, das bereits ohne Ablehnungen feinjustiert ist

Für die meisten Entwickler ist der einfachste Weg, nichts zu modifizieren. Verwende ein gehostetes Modell, das ohne Inhaltsablehnungen für die legale Erwachsenen-Nutzung abgestimmt wurde, und rufe es über eine API auf. Du sparst dir die GPU, die Daten und die Evaluierungsarbeit.

Sei klar darüber, was das ist. Diese API ist nicht DeepSeek und nicht R1. Es ist ein einzelnes Open-Weight-Modell, betrieben von einem unabhängigen Anbieter, nicht die offizielle API von DeepSeek oder einem anderen Anbieter, und kein Router über Anbieter hinweg. Wenn du R1s spezifischen Schlussfolgerungsstil brauchst, wird das ihn nicht ersetzen. Wenn dein Ziel ein Modell ist, das normale erwachsene fiktionale Texte, Rollenspiele oder offene Diskussionen nicht ablehnt, deckt es dieses Ziel direkt ab. Die harte Grenze bleibt bestehen: keine sexuellen Inhalte mit Minderjährigen.

Es ist OpenAI-kompatibel, daher bedeutet die Migration einer bestehenden DeepSeek-ähnlichen Integration, die Basis-URL, den Schlüssel und den Modellnamen zu ändern.

from openai import OpenAI

client = OpenAI(
    base_url="https://api.uncensoreddeepseek.com/v1",
    api_key="YOUR_KEY",
)

resp = client.chat.completions.create(
    model="uncensored",
    messages=[
        {"role": "system", "content": "You are a candid co-writer for adult fiction."},
        {"role": "user", "content": "Draft a tense interrogation scene between two rival detectives."},
    ],
    temperature=0.8,
)
print(resp.choices[0].message.content)

Vergleich nebeneinander

RouteAufwandBenötigte HardwareZuverlässigkeit
PromptingMinutenKeineNiedrig, variiert je nach Prompt und Modellversion
Fine-TuningTage, plus DatenGPUs mit großem SpeicherGut, wenn die Daten gut sind
AbliterationStunden bis TageAusreichend Speicher, um das Modell zu ladenMittel, kann Qualität reduzieren
Gehostete unzensierte APIMinutenKeineKonsistent, ein Modell

Die gehostete Route kostet $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token, Pay as you go. Ein 1.000-Token-Prompt mit einer 500-Token-Antwort kostet $0,00015 plus $0,00025, also $0,0004. Für einen Vergleich, wie sich diese Raten zu DeepSeek eigenen Preisen verhalten, sieh dir DeepSeek API-Preise und die DeepSeek vs. OpenAI Preisübersicht an.

Es ohne Verpflichtung ausprobieren

Neue Nutzer können $0,50 Testguthaben mit einem Klick auf der API-Schlüssel-Seite beanspruchen, nachdem sie sich mit Google oder mit E-Mail und Passwort angemeldet haben. Keine Karte wird benötigt, und das Guthaben ist 7 Tage gültig. Ein Test-Schlüssel erlaubt 2 parallele Anfragen und 60 Anfragen pro Minute, was ausreicht, um eine Handvoll Prompts zu testen, die dein aktuelles Modell ablehnt. Streaming, Tool Calling und JSON-Modus funktionieren genauso wie bei jedem OpenAI-kompatiblen Client, und die Dokumentation listet jeden Endpunkt auf.

Prompts werden nicht zum Training verwendet. Nur legale Erwachsenen-Nutzung, und die Regel für Minderjährige ist nicht verhandelbar.

Fragen und Antworten

Ist diese API DeepSeek R1 ohne den Filter?

Nein. Es ist ein anderes Open-Weight-Modell, das von einem unabhängigen Anbieter betrieben wird. Es ist nicht die API von DeepSeek und keine modifizierte Kopie von R1.

Kann ein System-Prompt R1 vollständig unzensieren?

Nicht zuverlässig. Ein Prompt kann Grenzfälle ändern, aber im Training erlernte Ablehnungen kehren unvorhersehbar zurück, und ein Hosted-Filter außerhalb des Modells wird durch deinen Prompt nicht beeinflusst.

Was ist Abliteration in einem Satz?

Es entfernt eine Ablehnungsrichtung aus den Aktivierungen des Modells aus dessen Gewichten, was Ablehnungen reduziert, ohne dass neue Daten zum Training benötigt werden.

Zeigt dieses Modell einen Reasoning-Trace wie R1?

Nein. Es ist ein anderes Modell, also erwarte nicht das Verhalten von R1. Teste deine Prompts und prüfe das Antwortformat, das du tatsächlich erhältst.

Dein Schlüssel ist nur ein Formular entfernt

Erstelle ein Konto, kopiere den Schlüssel, ändere die Basis-URL. Das ist die gesamte Einrichtung.

API-Schlüssel erhaltenLies die Dokumentation