DeepSeek R1 무검열 방법: 현실적인 옵션
DeepSeek R1의 무검열 방법을 알고 싶다면, 실제적인 경로는 네 가지입니다: 거절 회피 프롬프트, 파인튜닝, abliteration, 또는 이미 거절 없이 튜닝된 모델로 전환하기. 이 글은 노력, 비용, 신뢰성 기준으로 이들을 비교합니다.
업데이트됨

주요 포인트
- 거부는 학습에서 비롯되므로 하나의 설정으로 끌 수 없습니다.
- 시스템 프롬프트는 약간 도움이 되지만 자주 깨집니다. 파인튜닝과 abliteration은 가중치를 변경합니다.
- 전체 R1을 자체 호스팅하려면 양자화하더라도 수백 기바의 메모리가 필요합니다.
- 이 API는 DeepSeek가 아니며 합법적인 성인 사용에 콘텐츠 거부 없이 응답하는 다른 오픈 웨이트 모델입니다.
DeepSeek R1이 처음부터 거부하는 이유
언어 모델은 사후 훈련 중에 거부를 학습합니다. 대규모 텍스트 코퍼스에서 사전 훈련한 후, 개발자는 유용한 답변의 예시와 거절된 요청의 예시로 모델을 훈련한 후 원하는 동작을 강화합니다. 그 결과 특정 유형의 요청처럼 보이는 프롬프트에 대해 거부를 생성하는 패턴을 흡수한 모델이 만들어집니다.
R1은 추론 모델이므로 답변 전에 사고의 사슬(chain of thought)도 생성합니다. 이것이 거절 행위를 제거하는 것은 아닙니다. 모델이 스스로를 설득하여 거절하는 과정이 종종 노출됩니다. 호스팅 서비스는 모델 외부의 입력 또는 출력 필터라는 두 번째 레이어를 추가할 수 있습니다. 따라서 호스팅 채팅 앱을 통해 보이는 거절은 모델, 필터 또는 둘 다에서 비롯될 수 있으며, 각 경우에 대한 해결책이 다릅니다.
이것은 나머지 글에서 중요합니다. 차단이 가중치 외부에 있다면 로컬 튜닝의 양으로 호스팅 앱이 수행하는 작업을 변경할 수 없습니다. 가중치 내부에 있다면 가중치를 변경하는 방법이나 다른 세트의 가중치가 필요합니다.
옵션 1: 거부 회피 프롬프트
가장 간단한 시도는 역할, 목적, 출력 형식을 설정하는 시스템 프롬프트입니다. 모델이 신중함 때문에 거절하는 경계선 요청의 경우, 명확하고 정직한 컨텍스트(예: "이것은 소설 원고용입니다", "이것은 제가 권한을 가지고 수행하는 보안 교육 훈련입니다")가 때때로 결과를 바꿀 수 있습니다.
문제는 실용적인 측면에서 존재합니다. 실행마다 결과가 다릅니다. 같은 프롬프트가 월요일에는 작동하지만 모델 업데이트 이후에는 실패할 수 있습니다. 긴 역할극 프롬프트는 컨텍스트를 소모하고 모든 호출에서 토큰 비용을 증가시킵니다. 또한 프롬프트 트릭을 기반으로 제품을 구축했다면, 모델 소유자가 패치할 수 있는 기반 위에 구축한 것입니다. 프롬프팅을 앱의 기반이 아닌 빠른 테스트로 간주하십시오.
옵션 2: 가중치 파인튜닝
파인튜닝은 모델이 이전에 거부하던 요청에 답변하는 예시로 훈련을 계속합니다. LoRA와 같은 방법은 작은 어댑터 행렬을 훈련하여 모든 매개변수를 훈련하는 대신 비용을 낮춥니다. 작동하지만 좋은 데이터, GPU 설정 및 결과 평가를 위한 인내심이 필요합니다.
전체 R1은 공개 릴리스에 따르면 6710억 개의 파라미터를 가진 mixture-of-experts 모델입니다. 양자화되더라도 실행하려면 수백 기바의 메모리가 필요하므로, 파인튜닝을 수행하는 대부분의 사람들은 더 작은 디스틸레이션(distilled) 버전을 작업합니다. 이들은 전체 R1과 다른 모델로, 추론 능력이 약합니다. 또한 일반 능력이 손상될 위험이 있습니다: 거절에 강하게 집중하면 모델이 다른 부분에서 게으르게 될 수 있습니다.
옵션 3: abliteration
abliteration은 해석 가능성 연구에서 나온 기술입니다. 연구자들은 많은 채팅 모델에서 거부가 모델의 내부 활성화에서 단일 방향에 의해 주로 조정된다는 것을 발견했습니다. 그 방향을 추정(모델이 거부하는 프롬프트와 답변하는 프롬프트의 활성화를 비교하여)하면 가중치에서 투영할 수 있습니다. 새 데이터에 대한 경사 훈련이 필요하지 않습니다.
파인튜닝보다 저렴하며 커뮤니티는 많은 오픈 모델의 abliterated 버전을 게시했습니다. 트레이드오프는 현실적입니다. 편집이 뭉뚱그려져 있으므로 품질이 약간 떨어질 수 있습니다. 거절이 완전히 제거되기보다는 감소할 수 있습니다. 그리고 여전히 결과를 실행할 하드웨어가 필요합니다. R1 크기의 추론 모델의 경우 이것이 가장 어려운 부분입니다. 직접 수행하려면 가중치를 다운로드하고 활성화 분석을 실행한 후 회귀를 위해 출력을 테스트해야 합니다.
옵션 4: 이미 거부 없이 튜닝된 모델 사용
대부분의 개발자에게 가장 간단한 경로는 아무것도 수정하지 않는 것입니다. 합법적인 성인 사용에 콘텐츠 거부 없이 튜닝된 호스팅 모델을 사용하고 API를 통해 호출하십시오. GPU, 데이터 및 평가 작업을 건너뜁니다.
그것이 무엇인지 명확히 하십시오. 이 API는 DeepSeek도 아니고 R1도 아닙니다. 독립적인 제공자가 실행하는 단일 오픈 웨이트 모델이며, DeepSeek 또는 기타 벤더의 공식 API가 아니며 벤더 간 라우터도 아닙니다. R1의 특정 추론 스타일이 필요하다면 이것이 대체할 수 없습니다. 당신의 목표가 일반 성인 대상 픽션, 역할극 또는 솔직한 논의를 거절하지 않는 모델이라면, 이 API는 그 목표를 직접적으로 충족합니다. 절대적인 제한은 유지됩니다: 미성년자가 관련된 성 콘텐츠는 없습니다.
OpenAI와 호환되므로 기존 DeepSeek 스타일 통합을 마이그레이션하려면 base URL, 키 및 모델 이름을 변경해야 합니다.
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)
나란히 비교
| 라우트 | 노력 | 필요한 하드웨어 | 신뢰성 |
|---|---|---|---|
| 프롬프트 | 분 | 없음 | 낮음, 프롬프트 및 모델 버전에 따라 다름 |
| 파인튜닝 | 수일 및 데이터 준비 | 대용량 메모리가 있는 GPU | 데이터가 좋으면 좋음 |
| Abliteration | 몇 시간에서 며칠 | 모델을 로드할 충분한 메모리 | 중간, 품질 감소 가능 |
| 호스팅 무검열 API | 분 | 없음 | 일관됨, 단일 모델 |
호스팅 API 이용 경로는 1M 입력 토큰당 $0.15, 1M 출력 토큰당 $0.50의 종량제 요금을 부과합니다. 1,000 토큰의 프롬프트와 500 토큰의 응답은 $0.00015 + $0.00025, 즉 $0.0004가 됩니다. 이러한 요금이 DeepSeek 자체 가격과 비교되는 방법은 DeepSeek API 가격 책정 및 DeepSeek vs OpenAI 가격 분석을 참조하십시오.
부담 없이 사용해 보기
새로운 사용자는 Google 또는 이메일과 비밀번호로 가입한 후 API 키 페이지에서 한 번의 클릭으로 $0.50의 무료 체험 크레딧을 받을 수 있습니다. 카드가 필요 없으며 크레딧은 7일 동안 유효합니다. 체험 키는 동시 요청 2개와 분당 60개의 요청을 허용하며, 현재 모델이 거절하는 몇 가지 프롬프트를 테스트하기에 충분합니다. 스트리밍, 함수 호출 및 JSON 모드는 모든 OpenAI 호환 클라이언트와 동일하게 작동하며, 문서에는 모든 엔드포인트가 나열되어 있습니다.
프롬프트는 학습에 사용되지 않습니다. 합법적인 성인 사용 전용이며 미성년자 규칙은 타협 불가합니다.
더 많은 가이드
질문과 답변
이 API는 필터가 제거된 DeepSeek R1인가요?
아니요. 독립적인 제공자가 운영하는 다른 오픈 웨이트 모델입니다. DeepSeek의 API가 아니며 R1의 수정된 복제본도 아닙니다.
시스템 프롬프트로 R1을 완전히 무검열할 수 있나요?
항상 일관되게 작동하지는 않습니다. 프롬프트로 경계선 사례를 변경할 수 있지만, 학습 과정에서 학습된 거절 반응은 예측 불가능하게 다시 나타날 수 있으며, 모델 외부에서 작동하는 호스팅 필터는 프롬프트의 영향을 받지 않습니다.
abliteration은 무엇입니까? 한 문장으로 설명해 주세요.
모델의 활성화에서 발견된 거부 방향을 가중치에서 제거하여 새 데이터로 재학습하지 않고도 거부를 줄입니다.
이 모델은 R1처럼 추론 과정을 표시하나요?
아니요. 다른 모델이므로 R1의 동작을 기대하지 마십시오. 프롬프트를 테스트하고 실제로 얻는 응답 형식을 확인하십시오.