FR ▾
Obtenir une clé API

Comment supprimer la censure de DeepSeek R1 : des options réalistes

Si vous voulez savoir comment supprimer la censure de DeepSeek R1, il existe quatre voies réalistes : contourner les refus par le prompt, le fine-tuning, l'abliteration ou passer à un modèle déjà sans censure. Cet article les compare en termes d'effort, de coût et de fiabilité.

Mis à jour

Cadenas lumineux ouvert libérant des blocs de données dans un rack serveur, représentant une API de modèle sans censure

Points clés

  1. Les refus proviennent de l'entraînement, ils ne peuvent pas être désactivés par un seul paramètre.
  2. Les prompts système aident un peu et cassent souvent ; le fine-tuning et l'abliteration modifient les poids.
  3. L'hébergement local de R1 complet nécessite des centaines de gigaoctets de mémoire, même en version quantifiée.
  4. Cette API n'est pas DeepSeek ; c'est un modèle à poids ouverts différent qui répond sans refus de contenu pour un usage adulte légal.

Pourquoi DeepSeek R1 refuse à l'origine

Un modèle de langage apprend à refuser lors du post-entraînement. Après un préentraînement sur un vaste corpus textuel, les développeurs l'entraînent sur des exemples de réponses utiles et des exemples de demandes refusées, puis renforcent le comportement souhaité. Le résultat est un modèle qui a intégré un schéma : lorsqu'un prompt ressemble à un certain type de demande, produire un refus.

R1 est un modèle de raisonnement, il rédige donc une chaîne de pensée avant de répondre. Cela n'élimine pas le comportement de refus. Cela ajoute souvent une étape visible où le modèle se convainc de décliner. Les services hébergés peuvent ajouter une deuxième couche par-dessus : un filtre d'entrée ou de sortie en dehors du modèle. Les refus que vous voyez via une application de chat hébergée peuvent donc provenir du modèle, du filtre ou des deux, et la solution diffère selon le cas.

Cela est important pour la suite de l'article. Si le blocage réside en dehors des poids, aucun ajustement local ne modifiera ce que fait l'application hébergée. S'il réside dans les poids, vous avez besoin d'une méthode qui modifie les poids ou d'un autre ensemble de poids.

Option 1 : contourner les refus par le prompt

La tentative la moins coûteuse est un prompt système qui définit un rôle, un objectif et un format de sortie. Pour les demandes limites que le modèle refuse par prudence, un contexte clair et honnête ("c'est pour un manuscrit de fiction", "c'est un exercice de formation à la sécurité que j'ai l'autorisation de réaliser") change parfois le résultat.

Les problèmes sont pratiques. Les résultats varient d'une exécution à l'autre. Le même prompt fonctionne un lundi et échoue après une mise à jour du modèle. Les longs prompts de jeu de rôle consomment la fenêtre de contexte et coûtent des token à chaque appel. Et si vous construisez un produit sur une astuce de prompt, vous l'avez construit sur quelque chose que le propriétaire du modèle peut corriger. Traitez le prompting comme un test rapide, pas comme le fondement d'une application.

Option 2 : ajuster les poids (fine-tuning)

Le fine-tuning poursuit l'entraînement sur des exemples où le modèle répond aux requêtes qu'il refusait auparavant. Des méthodes comme LoRA maintiennent le coût bas en entraînant de petites matrices d'adaptateur au lieu de chaque paramètre. Cela fonctionne, mais seulement si vous avez de bonnes données, une configuration GPU et la patience d'évaluer le résultat.

Le R1 complet est un modèle à experts multiples (mixture-of-experts) avec 671 milliards de paramètres, selon sa publication publique. Même quantifié, il nécessite des centaines de gigaoctets de mémoire pour fonctionner, la plupart des personnes qui font du fine-tuning travaillent donc sur des versions distillées plus petites. Ce sont des modèles différents du R1 complet, avec un raisonnement plus faible. Vous risquez également d'endommager la capacité générale : pousser fort sur les refus peut rendre le modèle négligent ailleurs.

Option 3 : l'abliteration

L'abliteration est une technique issue de la recherche en interprétabilité. Les chercheurs ont constaté que dans de nombreux modèles de chat, le refus est largement médiatisé par une seule direction dans les activations internes du modèle. Si vous estimez cette direction (en comparant les activations sur les prompts que le modèle refuse par rapport à ceux auxquels il répond), vous pouvez la projeter hors des poids. Aucun entraînement par gradient sur de nouvelles données n'est nécessaire.

C'est moins cher que le fine-tuning et la communauté a publié des versions abliterated de nombreux modèles ouverts. Les compromis sont réels. La modification est brutale, donc la qualité peut légèrement baisser. Les refus peuvent être réduits plutôt qu'éliminés. Et vous avez toujours besoin de matériel pour faire tourner le résultat, ce qui pour un modèle de raisonnement de la taille de R1 est la partie difficile. Le faire vous-même signifie télécharger les poids, exécuter l'analyse d'activation et tester la sortie pour les régressions.

Option 4 : utiliser un modèle déjà ajusté sans refus

Pour la plupart des développeurs, la voie la plus simple est de ne rien modifier. Utilisez un modèle hébergé qui a été ajusté sans refus de contenu pour un usage adulte légal et appelez-le via une API. Vous évitez le GPU, les données et le travail d'évaluation.

Soyez clair sur ce que c'est. Cette API n'est pas DeepSeek ni R1. C'est un modèle à poids ouverts unique géré par un prestataire indépendant, pas l'API officielle de DeepSeek ou d'un autre fournisseur, et pas un routeur entre fournisseurs. Si vous avez besoin du style de raisonnement spécifique de R1, cela ne le remplacera pas. Si votre objectif est un modèle qui ne refuse pas la fiction adulte ordinaire, le jeu de rôle ou les discussions franches, il couvre cet objectif directement. La limite stricte reste en place : pas de contenu sexuel impliquant des mineurs.

Il est compatible OpenAI, donc migrer une intégration existante de style DeepSeek signifie changer l'URL de base, la clé et le nom du modèle.

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)

Comparaison côte à côte

RouteEffortMatériel nécessaireFiabilité
PromptMinutesAucunFaible, varie selon le prompt et la version du modèle
Fine-tuningJours, plus les donnéesGPU avec une grande mémoireBon si les données sont bonnes
AbliterationHeures à joursAssez de mémoire pour charger le modèleModéré, peut réduire la qualité
API hébergée sans censureMinutesAucunConstant, un seul modèle

La voie hébergée coûte $0,15 par 1M de tokens d'entrée et $0,50 par 1M de tokens de sortie, en paiement à l'usage. Un prompt de 1 000 tokens avec une réponse de 500 tokens coûte $0,00015 plus $0,00025, soit $0,0004. Pour une comparaison de la façon dont ces tarifs se comparent aux prix propres de DeepSeek, consultez tarification API DeepSeek et la détaillation des prix DeepSeek vs OpenAI.

L'essayer sans engagement

Les nouveaux utilisateurs peuvent réclamer 0,50 $ de crédit d'essai gratuit en un clic sur la page clé API après s'être connecté avec Google ou avec un e-mail et un mot de passe. Aucune carte n'est nécessaire, et le crédit est valide pendant 7 jours. Une clé d'essai permet 2 requêtes simultanées et 60 requêtes par minute, ce qui suffit pour tester une poignée de prompts que votre modèle actuel refuse. Le streaming, l'appel de fonctions et le mode JSON fonctionnent de la même manière qu'avec n'importe quel client de style OpenAI, et la documentation liste chaque endpoint.

Les prompts ne sont pas utilisés pour l'entraînement. Usage adulte légal uniquement, et la règle concernant les mineurs est non négociable.

Questions et réponses

Est-ce que cette API propose DeepSeek R1 sans filtre ?

Non. Il s'agit d'un modèle à poids ouverts différent, hébergé par un prestataire indépendant. Ce n'est pas l'API de DeepSeek ni une copie modifiée de R1.

Un prompt système peut-il supprimer la censure de R1 ?

Pas de manière fiable. Un prompt peut modifier les cas limites, mais les refus appris lors de l'entraînement réapparaissent de façon imprévisible, et un filtre hébergé en dehors du modèle n'est pas affecté par votre prompt.

Qu'est-ce que l'abliteration en une phrase ?

Elle supprime une direction de refus présente dans les activations du modèle de ses poids, ce qui réduit les refus sans nécessiter de réentraînement sur de nouvelles données.

Ce modèle affiche-t-il une trace de raisonnement comme R1 ?

Non. C'est un modèle différent, ne vous attendez pas au comportement de R1. Testez vos prompts et vérifiez le format de réponse que vous obtenez réellement.

Votre clé n'est qu'à un formulaire d'ici

Créez un compte, copiez la clé, modifiez l'URL de base. C'est toute la configuration.

Obtenir une clé APILire la documentation