ID ▾
Dapatkan kunci API

Cara Membuka Sensor DeepSeek R1: Opsi Realistis

Jika Anda ingin tahu cara membuka sensor DeepSeek R1, ada empat jalur nyata: mengelilingi penolakan dengan prompting, fine-tuning, abliteration, atau beralih ke model yang sudah disetel tanpa penolakan. Artikel ini membandingkannya berdasarkan upaya, biaya, dan keandalan.

Diperbarui

Gembok bercahaya terbuka melepaskan blok data ke rak server, mewakili API model tanpa sensor

Poin utama

  1. Penolakan berasal dari pelatihan, sehingga tidak dapat dimatikan dengan satu pengaturan.
  2. System prompt membantu sedikit dan sering rusak; fine-tuning dan abliteration mengubah bobot.
  3. Menjalankan R1 penuh secara mandiri membutuhkan ratusan gigabyte memori bahkan saat dikuantisasi.
  4. API ini bukan DeepSeek; ini adalah model bobot terbuka berbeda yang menjawab tanpa penolakan konten untuk penggunaan dewasa yang sah.

Mengapa DeepSeek R1 menolak sejak awal

Model bahasa belajar menolak selama pasca-pelatihan. Setelah pra-pelatihan pada korpus teks besar, pengembang melatihnya pada contoh jawaban yang membantu dan contoh permintaan yang ditolak, lalu memperkuat perilaku yang mereka inginkan. Hasilnya adalah model yang telah menyerap sebuah pola: ketika prompt terlihat seperti jenis permintaan tertentu, hasilkan penolakan.

R1 adalah model penalaran, sehingga ia juga menulis rantai pemikiran sebelum menjawab. Itu tidak menghilangkan perilaku penolakan. Seringkali itu menambahkan langkah terlihat di mana model membujuk dirinya sendiri untuk menolak. Layanan yang di-host dapat menambahkan lapisan kedua di atasnya: filter input atau output di luar model. Penolakan yang Anda lihat melalui aplikasi chat yang di-host mungkin berasal dari model, filter, atau keduanya, dan perbaikannya berbeda untuk masing-masing.

Ini penting untuk sisa artikel. Jika blok berada di luar bobot, tidak ada jumlah tuning lokal yang mengubah apa yang dilakukan aplikasi yang di-host. Jika blok berada di dalam bobot, Anda memerlukan metode yang mengubah bobot atau set bobot yang berbeda.

Opsi 1: mengelilingi penolakan dengan prompting

Percobaan termurah adalah system prompt yang menetapkan peran, tujuan, dan format output. Untuk permintaan batas yang ditolak model karena kehati-hatian, konteks yang jelas dan jujur ("ini untuk naskah fiksi", "ini adalah latihan keamanan yang saya berwenang untuk jalankan") kadang-kadang mengubah hasilnya.

Masalahnya bersifat praktis. Hasil bervariasi dari satu sesi eksekusi ke sesi lainnya. Prompt yang sama berhasil pada hari Senin tetapi gagal setelah pembaruan model. Prompt role-play panjang menghabiskan jendela konteks dan menghabiskan token pada setiap permintaan. Dan jika Anda membangun produk berdasarkan trik prompt, Anda membangunnya di atas sesuatu yang dapat diperbaiki oleh pemilik model. Perlakukan prompting sebagai pengujian cepat, bukan sebagai fondasi aplikasi.

Opsi 2: fine-tuning bobot

Fine-tuning melanjutkan pelatihan pada contoh di mana model menjawab permintaan yang sebelumnya ditolaknya. Metode seperti LoRA menjaga biaya tetap rendah dengan melatih matriks adapter kecil daripada setiap parameter. Ini berhasil, tetapi hanya jika Anda memiliki data yang baik, pengaturan GPU, dan kesabaran untuk mengevaluasi hasilnya.

R1 lengkap adalah model mixture-of-experts dengan 671 miliar parameter, menurut rilis publiknya. Bahkan saat dikuantisasi, ia membutuhkan ratusan gigabyte memori untuk dijalankan, sehingga kebanyakan orang yang melakukan fine-tuning bekerja pada versi distilasi yang lebih kecil. Itu adalah model berbeda dari R1 lengkap, dengan penalaran yang lebih lemah. Anda juga berisiko merusak kemampuan umum: mendorong keras pada penolakan dapat membuat model ceroboh di tempat lain.

Opsi 3: abliteration

Abliteration adalah teknik yang muncul dari penelitian interpretabilitas. Peneliti menemukan bahwa pada banyak model chat, penolakan dimediasi sebagian besar oleh satu arah dalam aktivasi internal model. Jika Anda memperkirakan arah itu (dengan membandingkan aktivasi pada prompt yang ditolak model terhadap prompt yang dijawab) Anda dapat memproyeksikannya keluar dari bobot. Tidak perlu pelatihan gradien pada data baru.

Biayanya lebih murah daripada fine-tuning dan komunitas telah menerbitkan versi yang telah diabliterasi dari banyak model terbuka. Trade-offnya nyata. Pengeditannya bersifat kasar, sehingga kualitas dapat turun sedikit. Penolakan mungkin berkurang daripada dihilangkan. Dan Anda masih membutuhkan perangkat keras untuk menjalankan hasilnya, yang untuk model penalaran berukuran R1 adalah bagian yang sulit. Melakukan ini sendiri berarti mengunduh bobot, menjalankan analisis aktivasi dan menguji output untuk regresi.

Opsi 4: gunakan model yang sudah disesuaikan tanpa penolakan

Bagi sebagian besar pengembang, cara termudah adalah tidak memodifikasi apa pun. Gunakan model yang di-hosting yang telah disesuaikan tanpa penolakan konten untuk penggunaan dewasa yang sah dan akses melalui API. Anda melewatkan GPU, data dan pekerjaan evaluasi.

Pastikan Anda jelas tentang apa itu. API ini bukan DeepSeek dan bukan R1. Ini adalah model bobot terbuka tunggal yang dijalankan oleh penyedia independen, bukan API resmi DeepSeek atau vendor lain, dan bukan router lintas vendor. Jika Anda membutuhkan gaya penalaran spesifik R1, ini tidak akan menggantikannya. Jika tujuan Anda adalah model yang tidak menolak fiksi dewasa biasa, role-play, atau diskusi jujur, itu mencakup tujuan itu secara langsung. Batas keras tetap berlaku: tidak ada konten seksual yang melibatkan anak di bawah umur.

Ini kompatibel dengan OpenAI, sehingga melakukan migrasi pada integrasi gaya DeepSeek yang ada berarti mengubah URL dasar, kunci, dan nama model.

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)

Perbandingan berdampingan

RuteUsahaPerangkat keras yang dibutuhkanKeandalan
Penggunaan promptMenitTidak AdaRendah, bervariasi berdasarkan prompt dan versi model
Fine-tuningHari, ditambah dataGPU dengan memori besarBagus jika data bagus
AbliterationJam hingga hariMemori yang cukup untuk memuat modelSedang, dapat mengurangi kualitas
API tanpa sensor yang di-hostingMenitTidak AdaKonsisten, satu model

Jalur yang di-hosting biayanya $0,15 per 1 juta token input dan $0,50 per 1 juta token output, bayar sesuai penggunaan. Prompt 1.000 token dengan balasan 500 token biayanya $0,00015 ditambah $0,00025, atau $0,0004. Untuk perbandingan bagaimana tarif tersebut dibandingkan dengan harga DeepSeek sendiri, lihat harga API DeepSeek dan penjabaran harga DeepSeek vs OpenAI.

Mencobanya tanpa komitmen

Pengguna baru dapat mengklaim $0,50 kredit uji coba dengan satu klik di halaman kunci API setelah masuk dengan Google atau dengan email dan kata sandi. Tidak perlu kartu, dan kredit berlaku selama 7 hari. Kunci uji coba memungkinkan 2 permintaan paralel dan 60 permintaan per menit, yang cukup untuk menguji sejumlah prompt yang ditolak oleh model Anda saat ini. Streaming, pemanggilan fungsi dan mode JSON bekerja sama seperti dengan klien gaya OpenAI mana pun, dan dokumentasi mencantumkan setiap endpoint.

Prompt tidak digunakan untuk pelatihan. Hanya penggunaan dewasa yang sah secara hukum, dan aturan anak di bawah umur tidak dapat dinegosiasikan.

Tanya jawab

Apakah API ini DeepSeek R1 tanpa filter?

Tidak. Ini adalah model bobot terbuka berbeda yang dijalankan oleh penyedia independen. Ini bukan API DeepSeek dan bukan salinan modifikasi dari R1.

Dapatkah prompt sistem sepenuhnya menghilangkan sensor pada R1?

Tidak secara andal. Prompt dapat mengubah kasus batas, tetapi penolakan yang dipelajari saat pelatihan dapat kembali secara tidak terduga, dan filter yang di-host di luar model tidak terpengaruh oleh prompt Anda.

Apa itu abliteration dalam satu kalimat?

Ini menghapus arah penolakan yang ditemukan dalam aktivasi model dari bobotnya, yang mengurangi penolakan tanpa pelatihan ulang pada data baru.

Apakah model ini menampilkan jejak penalaran seperti R1?

Tidak. Ini adalah model yang berbeda, jadi jangan mengharapkan perilaku R1. Uji prompt Anda dan periksa format respons yang Anda dapatkan.

Kunci Anda hanya perlu mengisi satu formulir

Buat akun, salin kunci, ubah URL dasar. Itu saja seluruh proses pengaturannya.

Dapatkan kunci APIBaca dokumentasi