Come disattivare la censura di DeepSeek R1: opzioni realistiche
Se vuoi sapere come rimuovere la censura da DeepSeek R1, ci sono quattro vie reali: aggirare i rifiuti con il prompt, il fine-tuning, l'abliterazione o passare a un modello già ottimizzato senza rifiuti. Questo articolo li confronta in termini di sforzo, costo e affidabilità.
Aggiornato

Punti chiave
- I rifiuti derivano dall'addestramento, quindi non possono essere disattivati con un'impostazione.
- I prompt di sistema aiutano poco e spesso falliscono; il fine-tuning e l'abliteration modificano i pesi.
- L'auto-hosting del R1 completo richiede centinaia di gigabyte di memoria anche se quantizzato.
- Questa API non è DeepSeek; è un modello a pesi aperti diverso che risponde senza rifiuti sui contenuti per uso adulto legale.
Perché DeepSeek R1 rifiuta
Un modello linguistico impara a rifiutare durante il post-addestramento. Dopo il pre-addestramento su un grande corpus di testo, gli sviluppatori lo addestrano su esempi di risposte utili ed esempi di richieste rifiutate, rafforzando poi il comportamento desiderato. Il risultato è un modello che ha assimilato uno schema: quando un prompt sembra una certa tipologia di richiesta, genera un rifiuto.
R1 è un modello di ragionamento, quindi scrive anche una catena di pensiero prima di rispondere. Questo non elimina il comportamento di rifiuto. Spesso aggiunge un passaggio visibile in cui il modello convince se stesso a rifiutare. I servizi ospitati possono aggiungere un secondo livello sopra: un filtro di input o output esterno al modello. I rifiuti che vedi tramite un'app chat ospitata possono quindi provenire dal modello, dal filtro o da entrambi, e la soluzione è diversa per ciascuno.
Questo è importante per il resto dell'articolo. Se il blocco risiede fuori dai pesi, nessuna quantità di ottimizzazione locale cambia ciò che fa l'app ospitata. Se risiede nei pesi, hai bisogno di un metodo che modifichi i pesi o di un set di pesi diverso.
Opzione 1: aggirare i rifiuti con il prompting
Il tentativo più economico è un prompt di sistema che definisce un ruolo, uno scopo e un formato di output. Per richieste borderline che il modello rifiuta per cautela, un contesto chiaro e onesto ("è per un manoscritto di finzione", "è un esercizio di formazione alla sicurezza che ho l'autorizzazione a eseguire") a volte cambia l'esito.
I problemi sono pratici. I risultati variano da esecuzione a esecuzione. Lo stesso prompt funziona lunedì e fallisce dopo un aggiornamento del modello. I prompt di roleplay lunghi consumano la finestra di contesto e costano token su ogni chiamata. E se costruisci un prodotto basandoti su un trucco di prompting, lo hai costruito su qualcosa che il proprietario del modello può patchare. Tratta il prompting come un test rapido, non come il fondamento di un'app.
Opzione 2: fine-tuning dei pesi
Il fine-tuning continua l'addestramento su esempi in cui il modello risponde a richieste che prima rifiutava. Metodi come LoRA mantengono i costi bassi addestrando piccole matrici di adapter invece di ogni parametro. Funziona, ma solo se hai dati buoni, un setup GPU e la pazienza di valutare il risultato.
R1 completo è un modello a misto di esperti con 671 miliardi di parametri, secondo il suo rilascio pubblico. Anche se quantizzato, richiede centinaia di gigabyte di memoria per essere eseguito, quindi la maggior parte delle persone che fanno fine-tuning lavora su versioni distillate più piccole. Quelle sono modelli diversi da R1 completo, con capacità di ragionamento inferiori. Rischi anche di danneggiare le capacità generali: spingere troppo sui rifiuti può rendere il modello approssimativo altrove.
Opzione 3: abliteration
L'abliteration è una tecnica nata dalla ricerca di interpretability. I ricercatori hanno scoperto che in molti modelli chat, il rifiuto è mediato in gran parte da una singola direzione nelle attivazioni interne del modello. Se stimi quella direzione (confrontando le attivazioni su prompt che il modello rifiuta contro quelli che risponde) puoi proiettarla fuori dai pesi. Non è necessario un training con gradienti su nuovi dati.
È più economico del fine-tuning e la community ha pubblicato versioni abliterated di molti modelli open. I compromessi sono reali. La modifica è grossolana, quindi la qualità può diminuire leggermente. I rifiuti possono essere ridotti piuttosto che eliminati. E hai comunque bisogno di hardware per eseguire il risultato, che per un modello di ragionamento delle dimensioni di R1 è la parte più difficile. Farlo da solo significa scaricare i pesi, eseguire l'analisi dell'attivazione e testare l'output per regressioni.
Opzione 4: usare un modello già ottimizzato senza rifiuti
Per la maggior parte degli sviluppatori la via più semplice è non modificare nulla. Usa un modello ospitato che è stato ottimizzato senza rifiuti sui contenuti per uso adulto legale e chiamalo via API. Salti la GPU, i dati e il lavoro di valutazione.
Sii chiaro su cosa sia. Questa API non è DeepSeek e non è R1. È un singolo modello a pesi aperti gestito da un provider indipendente, non l'API ufficiale di DeepSeek o di qualsiasi altro fornitore, e non un router tra fornitori. Se hai bisogno dello stile di ragionamento specifico di R1, questo non lo sostituirà. Se il tuo obiettivo è un modello che non rifiuta narrativa orientata agli adulti, role-play o discussioni schiette, copre quell'obiettivo direttamente. Il limite rigido rimane in vigore: nessun contenuto sessuale che coinvolga minorenni.
È compatibile con OpenAI, quindi migrare un'integrazione esistente stile DeepSeek significa cambiare il Base URL, la chiave e il nome del modello.
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)
Confronto lato a lato
| Instradamento | Sforzo | Hardware necessario | Affidabilità |
|---|---|---|---|
| Prompting | Minuti | Nessuna | Bassa, varia in base al prompt e alla versione del modello |
| Fine-tuning | Giorni, più dati | GPU con grande memoria | Buona se i dati sono buoni |
| Abliterazione | Ore o giorni | Memoria sufficiente per caricare il modello | Moderata, può ridurre la qualità |
| API senza censura ospitata | Minuti | Nessuna | Coerente, un modello |
La via ospitata costa $0,15 per 1M di token di input e $0,50 per 1M di token di output, pagamento a consumo. Un prompt di 1.000 token con una risposta di 500 token costa $0,00015 più $0,00025, ovvero $0,0004. Per un confronto su come queste tariffe si confrontano con i prezzi di DeepSeek, vedi prezzi API DeepSeek e la suddivisione dei prezzi DeepSeek vs OpenAI.
Provalo senza impegno
I nuovi utenti possono richiedere $0,50 di credito di prova con un clic nella pagina chiave API dopo essersi registrati con Google o con email e password. Non è necessaria una carta e il credito è valido per 7 giorni. Una chiave di prova consente 2 richieste parallele e 60 richieste al minuto, sufficienti per testare un paio di prompt che il tuo modello attuale rifiuta. Streaming, chiamata di funzioni e modalità JSON funzionano come con qualsiasi client in stile OpenAI, e la documentazione elenca ogni endpoint. Nota: per i ricarichi non accettiamo più carte, solo criptovalute.
I prompt non sono usati per l'addestramento. Solo uso adulto legale, e la regola sui minorenni è non negoziabile.
Altre guide
Domande e risposte
Questa API è DeepSeek R1 senza filtri?
No. È un modello a pesi aperti diverso gestito da un provider indipendente. Non è l'API di DeepSeek né una copia modificata di R1.
Un system prompt può rimuovere completamente la censura da R1?
Non in modo affidabile. Un prompt può modificare i casi limite, ma i rifiuti appresi durante l'addestramento tornano in modo imprevedibile e un filtro ospitato esterno al modello non è influenzato dal tuo prompt.
Cos'è l'abliteration in una frase?
Rimuove una direzione di rifiuto trovata nelle attivazioni del modello dai suoi pesi, riducendo i rifiuti senza riaddestrare su nuovi dati.
Questo modello mostra una traccia di ragionamento come R1?
No. È un modello diverso, quindi non aspettarti il comportamento di R1. Testa i tuoi prompt e controlla il formato di risposta che ottieni effettivamente.
La tua chiave è a un modulo di distanza
Crea un account, copia la chiave, modifica l'URL di base. È tutta qui la configurazione.