Cómo desactivar censura en DeepSeek R1: opciones realistas
Si quieres saber cómo quitar la censura a DeepSeek R1, hay cuatro rutas reales: el prompting alrededor de las negativas, el fine-tuning, la abliteration o cambiar a un modelo que ya fue ajustado sin negativas. Este artículo las compara por esfuerzo, costo y fiabilidad.
Actualizado

Puntos clave
- Las negativas provienen del entrenamiento, por lo que no se pueden desactivar con un solo ajuste.
- Los system prompts ayudan un poco y suelen fallar; el fine-tuning y la abliteration modifican los pesos.
- Alojar R1 completo por cuenta propia requiere cientos de gigabytes de memoria incluso cuando está cuantizado.
- Esta API no es DeepSeek; es un modelo de pesos abiertos diferente que responde sin negativas de contenido para uso adulto lícito.
Por qué DeepSeek R1 se niega en primer lugar
Un modelo de lenguaje aprende a negarse durante el post-entrenamiento. Tras el pre-entrenamiento con un gran corpus de texto, los desarrolladores lo entrenan con ejemplos de respuestas útiles y ejemplos de peticiones rechazadas, y luego refuerzan el comportamiento que desean. El resultado es un modelo que ha absorbido un patrón: cuando un prompt parece una cierta clase de petición, produce una negativa.
R1 es un modelo de razonamiento, así que también escribe una cadena de pensamiento antes de responder. Eso no elimina el comportamiento de negación. A menudo añade un paso visible donde el modelo se convence a sí mismo de rechazar. Los servicios alojados pueden añadir una segunda capa encima: un filtro de entrada o salida fuera del modelo. Las negativas que ves a través de una app de chat alojada pueden provenir por tanto del modelo, del filtro, o de ambos, y la solución difiere para cada caso.
Esto es importante para el resto del artículo. Si el bloqueo está fuera de los pesos, ninguna cantidad de ajuste local cambiará lo que hace la app alojada. Si está dentro de los pesos, necesitas un método que modifique los pesos o un conjunto diferente de pesos.
Opción 1: hacer prompting alrededor de las negativas
El intento más barato es un system prompt que establece un rol, un propósito y un formato de salida. Para solicitudes límite que el modelo rechaza por precaución, un contexto claro y honesto ("esto es para un manuscrito de ficción", "esto es un ejercicio de formación en seguridad autorizado") a veces cambia el resultado.
Los problemas son prácticos. Los resultados varían de una ejecución a otra. El mismo prompt funciona el lunes y falla tras una actualización del modelo. Los prompts de roleplay largos consumen ventana de contexto y cuestan tokens en cada llamada. Y si construyes un producto sobre un truco de prompt, lo has construido sobre algo que el propietario del modelo puede parchear. Trata el prompting como una prueba rápida, no como la base de una app.
Opción 2: ajustar los pesos con fine-tuning
El fine-tuning continúa el entrenamiento con ejemplos donde el modelo responde solicitudes que antes rechazaba. Métodos como LoRA mantienen el coste bajo entrenando pequeñas matrices adaptadoras en lugar de cada parámetro. Funciona, pero solo si tienes buenos datos, una configuración de GPU y la paciencia para evaluar el resultado.
El R1 completo es un modelo mixture-of-experts con 671 mil millones de parámetros, según su lanzamiento público. Incluso cuantizado, necesita cientos de gigabytes de memoria para ejecutarse, así que la mayoría de personas que hacen fine-tuning trabajan con las versiones destiladas más pequeñas. Esos son modelos distintos del R1 completo, con razonamiento más débil. También corres el riesgo de dañar la capacidad general: empujar fuerte en las negativas puede hacer que el modelo sea descuidado en otros aspectos.
Opción 3: abliteration
La abliteration es una técnica que surgió de la investigación en interpretabilidad. Los investigadores encontraron que en muchos modelos de chat, la negación está mediada en gran medida por una única dirección en las activaciones internas del modelo. Si estimas esa dirección (comparando activaciones en prompts que el modelo rechaza frente a prompts que responde) puedes proyectarla fuera de los pesos. No se necesita entrenamiento con gradientes en nuevos datos.
Es más barato que el fine-tuning y la comunidad ha publicado versiones abliterated de muchos modelos open. Las compensaciones son reales. El edit es tosco, así que la calidad puede bajar ligeramente. Las negativas pueden reducirse en lugar de eliminarse. Y aún necesitas hardware para ejecutar el resultado, lo cual para un modelo de razonamiento del tamaño de R1 es la parte difícil. Hacerlo tú mismo significa descargar los pesos, ejecutar el análisis de activación y probar la salida para detectar regresiones.
Opción 4: usar un modelo que ya está ajustado sin negativas
Para la mayoría de desarrolladores, la ruta más sencilla no es modificar nada. Usa un modelo alojado que fue ajustado sin negativas de contenido para uso adulto lícito y llámalo a través de una API. Te ahorras la GPU, los datos y el trabajo de evaluación.
Sé claro sobre qué es eso. Esta API no es DeepSeek ni R1. Es un único modelo open-weight ejecutado por un proveedor independiente, no la API oficial de DeepSeek ni de ningún otro vendor, y no un router entre vendors. Si necesitas el estilo de razonamiento específico de R1, esto no lo reemplazará. Si tu objetivo es un modelo que no rechaza ficción adulta ordinaria, roleplay o discusión franca, cumple ese objetivo directamente. El límite duro se mantiene: no hay contenido sexual que involucre menores de edad.
Es compatible con OpenAI, por lo que migrar una integración existente estilo DeepSeek implica cambiar la URL base, la clave y el nombre del modelo.
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)
Comparación lado a lado
| Ruta | Esfuerzo | Hardware necesario | Fiabilidad |
|---|---|---|---|
| Prompting | Minutos | Ninguna | Baja, varía según el prompt y la versión del modelo |
| Fine-tuning | Días, más datos | GPUs con gran memoria | Buena si los datos son buenos |
| Abliteración | Horas a días | Memoria suficiente para cargar el modelo | Moderada, puede reducir la calidad |
| API alojada sin censura | Minutos | Ninguna | Consistente, un solo modelo |
La ruta alojada cuesta $0,15 por 1M de tokens de entrada y $0,50 por 1M de tokens de salida, pago por uso. Un prompt de 1.000 tokens con una respuesta de 500 tokens cuesta $0,00015 más $0,00025, o $0,0004. Para una comparación de cómo esas tarifas se acumulan contra los propios precios de DeepSeek, consulta Precios de la API de DeepSeek y el Desglose de precios de DeepSeek vs OpenAI.
Prueba sin compromiso
Los nuevos usuarios pueden reclamar $0,50 de crédito de prueba con un clic en la página de clave de API después de registrarse con Google o con un correo electrónico y contraseña. No se necesita tarjeta, y el crédito es válido por 7 días. Una clave de prueba permite 2 peticiones simultáneas y 60 peticiones por minuto, lo cual es suficiente para probar un puñado de prompts que tu modelo actual rechaza. Streaming, llamadas a funciones y modo JSON funcionan igual que con cualquier cliente estilo OpenAI, y la documentación lista todos los endpoints.
Los prompts no se usan para entrenamiento. Solo uso adulto lícito, y la regla de menores de edad es inquebrantable.
Más guías
Preguntas y respuestas
¿Es esta API DeepSeek R1 sin filtros?
No. Es un modelo de pesos abiertos diferente gestionado por un proveedor independiente. No es la API de DeepSeek ni una copia modificada de R1.
¿Puede un system prompt desactivar totalmente la censura en R1?
No de forma fiable. Un prompt puede cambiar casos límite, pero las negativas aprendidas en el entrenamiento vuelven de forma impredecible, y un filtro alojado fuera del modelo no se ve afectado por tu prompt.
¿Qué es la abliteration en una frase?
Elimina una dirección de negativa encontrada en las activaciones del modelo de sus pesos, lo que reduce las negativas sin necesidad de reentrenar con nuevos datos.
¿Muestra este modelo una cadena de razonamiento como R1?
No. Es un modelo diferente, así que no esperes el comportamiento de R1. Prueba tus prompts y verifica el formato de respuesta que obtienes realmente.
Tu clave está a un formulario de distancia
Crea una cuenta, copia la clave, cambia la URL base. Esa es toda la configuración.