DeepSeek R1の無検閲化:現実的な選択肢
DeepSeek R1を無検閲にする方法を知りたい場合、拒否を回避するプロンプト、ファインチューニング、アブリテレーション、またはすでに拒否なしで調整されたモデルへの切り替えという4つの現実的なルートがあります。この記事では、それらの労力、コスト、信頼性について比較します。
更新

主要ポイント
- 拒否は学習由来なので、1つの設定でオフにすることはできません。
- システムプロンプトは少し役立ちますが頻繁に破綻します。ファインチューニングとアブリテレーションは重みを変更します。
- フルR1のセルフホスティングには、量子化しても数百GBのメモリが必要です。
- このAPIはDeepSeekではありません。コンテンツ拒否なしで法的な成人向け利用に回答する、異なるオープンウェイトモデルです。
なぜDeepSeek R1は最初に拒否するのか
言語モデルはトレーニング後に拒否を学習します。大規模なテキストコーパスで事前学習した後、開発者は有益な回答の例と拒否されたリクエストの例でモデルをトレーニングし、望ましい行動を強化します。その結果、特定の種類のリクエストのように見えるプロンプトに対して拒否を生成するパターンをモデルが吸収します。
R1は推論モデルであるため、回答の前に思考連鎖を記述します。これにより拒否動作が完全に消えるわけではありません。モデルが自らを説得して拒否に至る、目に見えるステップを付加することがよくあります。ホストサービスでは、モデルの外側に入力または出力フィルタを追加し、さらに2層目の処理を施すことがあります。ホストチャットアプリで確認できる拒否は、モデル由来、フィルタ由来、またはその両方から生じる可能性があります。それぞれに対して修正方法は異なります。
これは記事の残りの部分にとって重要です。拒否が重み外にある場合、ローカルチューニングの量に関係なくホストアプリの動作は変わりません。それが重み内にある場合、重みを変更する方法、または異なる重みセットが必要です。
選択肢1:拒否を回避するプロンプト
最もコストの低い試みは、役割、目的、出力形式を設定するシステムプロンプトです。モデルが慎重さから拒否する境界上のリクエストの場合、明確で正直な文脈(「これは小説原稿用です」「私が権限を持って実行するセキュリティトレーニング演習です」)は結果を変えることがあります。
これらの問題は実用的なものです。実行ごとに結果が異なります。同じプロンプトでも、月曜日は機能しても、モデルのアップデート後に失敗することがあります。長いロールプレイプロンプトはコンテキストを消費し、呼び出しごとにトークンを消費します。また、プロンプトのトリックを製品に組み込んだ場合、モデル所有者がそれを修正する可能性があります。プロンプトエンジニアリングはアプリの基盤ではなく、迅速なテストとして扱ってください。
選択肢2:重みのファインチューニング
ファインチューニングは、モデルが以前拒否していたリクエストに回答する例でトレーニングを継続します。LoRAなどの手法は、すべてのパラメータではなく小さなアダプター行列をトレーニングすることでコストを抑えます。これは機能しますが、良いデータ、GPU環境、結果を評価する忍耐が必要です。
フルR1は、公開リリースによると6710億パラメータを持つ混合専門家モデルです。量子化されても実行には数百GBのメモリが必要なので、ファインチューニングを行うほとんどの人はより小さい蒸留版で作業します。これらはフルR1とは異なるモデルで、推論能力が弱くなります。また、汎用能力を損なうリスクもあります。拒否に強く焦点を当てると、モデルが他の面で雑になる可能性があります。
選択肢3:アブリテレーション
アブリテレーションは解釈可能性の研究から生まれた手法です。研究者たちは、多くのチャットモデルにおいて拒否がモデルの内部活性化の単一方向によって主に仲介されていることに気づきました。その方向を推定(モデルが拒否するプロンプトと回答するプロンプトの活性化を比較して)し、重みから投影除去できます。新しいデータでの勾配トレーニングは不要です。
ファインチューニングよりも安価で、コミュニティは多くのオープンモデルのabliterated版を公開しています。トレードオフは確かに存在します。編集は粗雑なため、品質がわずかに低下する可能性があります。拒否が完全に消えるのではなく、減少するにとどまることもあります。また、結果を実行するにはハードウェアが必要です。R1サイズの推論モデルの場合、これが最も難しい部分となります。自分でこれを行うには、ウェイトのダウンロード、活性化分析の実行、および回帰テストによる出力の検証が必要です。
選択肢4:すでに拒否なしで調整されたモデルを使用する
ほとんどの開発者にとって最も簡単なルートは、何も修正しないことです。コンテンツ拒否なしで調整されたホストモデルを使用し、API経由で呼び出します。GPU、データ、評価作業をスキップできます。
それが何かを明確にしてください。このAPIはDeepSeekでもR1でもありません。独立したプロバイダが運用する単一のオープンウェイトモデルであり、DeepSeekやその他のベンダーの公式APIでも、ベンダー間のルーターでもありません。R1固有の推論スタイルが必要な場合、これはそれを置き換えるものではありません。通常の成人向けフィクション、ロールプレイ、率直な議論を拒否しないモデルが必要な場合、このモデルはまさにその目的に適合します。厳格な制限は維持されます:未成年者を含む性的コンテンツは禁止です。
OpenAI互換なので、既存のDeepSeekスタイルの統合を移行するには、ベースURL、キー、モデル名を変更する必要があります。
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)
並列比較
| ルーティング | 労力 | 必要なハードウェア | 信頼性 |
|---|---|---|---|
| プロンプト | 数分 | なし | 低く、プロンプトとモデルバージョンによって変動 |
| ファインチューニング | 日数、およびデータ | 大容量メモリを持つGPU | データが良ければ良好 |
| アブリテレーション | 数時間〜数日 | モデルを読み込むのに十分なメモリ | 中程度、品質が低下する可能性あり |
| ホスト型無検閲API | 数分 | なし | 一貫性があり、モデルは1つ |
ホストルートの料金は入力トークン100万トークンあたり$0.15、出力トークン100万トークンあたり$0.50で、従量課金です。1,000トークンのプロンプトと500トークンの返信には$0.00015と$0.00025、合計$0.0004かかります。これらのレートがDeepSeek自身の価格と比較してどうなるかについては、DeepSeek API料金表およびDeepSeek対OpenAIの価格内訳をご覧ください。
コミットメントなしで試す
Googleまたはメールアドレスとパスワードでサインアップ後、API キーページでワンクリックで$0.50の無料トライアルクレジットを受け取ることができます。クレジットカードは不要で、クレジットの有効期限は7日間です。トライアルキーでは同時2リクエスト、1分あたり60リクエストまで可能で、現在のモデルが拒否するいくつかのプロンプトをテストするのに十分な性能です。ストリーミング、関数呼び出し、JSON モードは、OpenAI互換のクライアントと同じように動作します。ドキュメントにはすべてのエンドポイントが記載されています。
プロンプトはトレーニングに使用されません。法的な成人向け利用のみで、未成年者ルールは交渉の余地がありません。
その他のガイド
質問と回答
このAPIはフィルタなしのDeepSeek R1ですか?
いいえ。これは別のオープンウェイトモデルで、独立したプロバイダが運用しています。DeepSeekのAPIではなく、R1の改変版でもありません。
システムプロンプトでR1を完全に無検閲にできますか?
確実ではありません。プロンプトが境界ケースを変えられることがありますが、トレーニングで学習された拒否は予測不能に発生し、モデル外で動作するホストフィルタはプロンプトの影響を受けません。
abliterationとは何ですか?一文で説明してください。
モデルの活性化から検出された拒否方向を重みから除去し、新しいデータでの再学習なしに拒否を減らす手法です。
このモデルはR1のような推論トレースを表示しますか?
いいえ。異なるモデルなので、R1の挙動を期待しないでください。プロンプトをテストし、実際に得られるレスポンス形式を確認してください。