Hoe je DeepSeek R1 ontcensureert: realistische opties
Als je wilt weten hoe je DeepSeek R1 kunt ontcensureren, zijn er vier echte routes: prompting rond weigeringen, fine-tuning, abliteration, of overschakelen naar een model dat al zonder weigeringen is ingesteld. Dit artikel vergelijkt ze op inspanning, kosten en betrouwbaarheid.
Bijgewerkt

Belangrijkste punten
- Weigeringen komen uit het trainen, dus ze kunnen niet met één instelling worden uitgeschakeld.
- System prompts helpen een beetje en breken vaak; fine-tuning en abliteration veranderen de gewichten.
- Het volledig R1-model zelf hosten vereist honderden gigabytes geheugen, zelfs wanneer het gekwantiseerd is.
- Deze API is niet DeepSeek; het is een ander open-weight model dat antwoordt zonder contentweigeringen voor wettig gebruik door volwassenen.
Waarom DeepSeek R1 eerst weigert
Een taalmodel leert te weigeren tijdens post-training. Na pretraining op een grote tekstcorpus trainen de ontwikkelaars het op voorbeelden van behulpzame antwoorden en voorbeelden van geweigerde verzoeken, en versterken ze vervolgens het gedrag dat ze willen. Het resultaat is een model dat een patroon heeft geabsorbeerd: wanneer een prompt eruitziet als een bepaald soort verzoek, produceer een weigering.
R1 is een reasoning model, dus het schrijft ook een chain of thought voordat het antwoordt. Dat verwijdert het weigeringsgedrag niet. Het voegt vaak een zichtbare stap toe waarbij het model zichzelf overtuigt van de weigering. Gehoste diensten kunnen een tweede laag bovenop toevoegen: een input- of outputfilter buiten het model. Weigeringen die je ziet via een gehoste chat-app kunnen dus komen van het model, het filter, of beide, en de oplossing verschilt voor elk.
Dit is belangrijk voor de rest van het artikel. Als de blokkade buiten de gewichten zit, verandert geen enkele lokale tuning wat de gehoste app doet. Als het in de gewichten zit, heb je een methode nodig die de gewichten verandert of een andere set gewichten.
Optie 1: prompting rond weigeringen
De goedkoopste poging is een system prompt die een rol, een doel en een output formaat stelt. Voor grensgevallen verzoeken waar het model uit voorzorg weigert, verandert een duidelijke en eerlijke context ("dit is voor een fictie manuscript", "dit is een security training oefening die ik geautoriseerd ben uit te voeren") soms de uitkomst.
De problemen zijn praktisch. Resultaten variëren van run tot run. Dezelfde prompt werkt op maandag en faalt na een model update. Lange role-play prompts verbruiken context en kosten tokens bij elke call. En als je een product bouwt op een prompt truc, heb je het gebouwd op iets wat de model eigenaar kan patchen. Behandel prompting als een snelle test, niet als de basis van een app.
Optie 2: fine-tunen van de gewichten
Fine-tuning voert verdere training uit op voorbeelden waarbij het model verzoeken beantwoordt die het eerder weigerde. Methoden zoals LoRA houden de kosten laag door kleine adaptermatrices te trainen in plaats van elke parameter. Het werkt, maar alleen als je goede data hebt, een GPU-omgeving en het geduld om het resultaat te evalueren.
Het volledige R1 is een mixture-of-experts-model met 671 miljard parameters, volgens de publieke release. Zelfs gekwantiseerd heeft het honderden gigabytes geheugen nodig om te draaien, dus de meeste mensen die fine-tunen werken aan de kleinere gedistilleerde versies. Dat zijn andere modellen dan het volledige R1, met zwakker redeneervermogen. Je riskeert ook het beschadigen van de algemene capaciteit: hard drukken op weigeringen kan het model op andere punten slordiger maken.
Optie 3: abliteration
Abliteration is een techniek die voortkwam uit interpretability research. Onderzoekers vonden dat in veel chat modellen weigering grotendeels wordt bemiddeld door een enkele richting in de interne activaties van het model. Als je die richting schat (door activaties te vergelijken op prompts waar het model weigert versus prompts waar het antwoordt) kun je het projecteren uit de gewichten. Er is geen gradient training op nieuwe data nodig.
Het is goedkoper dan fine-tuning en de community heeft geabliterate versies van veel open modellen gepubliceerd. De trade-offs zijn reëel. De edit is grof, dus de kwaliteit kan iets dalen. Weigeringen kunnen worden verminderd in plaats van geëlimineerd. En je hebt nog steeds hardware nodig om het resultaat te draaien, wat voor een reasoning model van de grootte van R1 het moeilijke deel is. Dit zelf doen betekent gewichten downloaden, de activation analyse uitvoeren en de output testen op regressies.
Optie 4: een model gebruiken dat al zonder weigeringen is ingesteld
Voor de meeste ontwikkelaars is de eenvoudigste route om niets te wijzigen. Gebruik een gehost model dat is ingesteld zonder contentweigeringen voor wettig gebruik door volwassenen en bel het via een API. Je slaat de GPU, de data en de evaluatiewerkzaamheden over.
Wees duidelijk over wat dat is. Deze API is niet DeepSeek en niet R1. Het is een enkel open-weight model dat wordt uitgevoerd door een onafhankelijke provider, niet de officiële API van DeepSeek of een andere leverancier, en geen router tussen leveranciers. Als je de specifieke redeneerstijl van R1 nodig hebt, vervangt dit die niet. Als je doel een model is dat gewone volwassen fictie, role-play of eerlijke discussie niet weigert, dan dekt dit dat doel direct. De harde limiet blijft van kracht: geen seksuele inhoud met minderjarigen.
Het is OpenAI-compatibel, dus het migreren van een bestaande DeepSeek-achtige integratie betekent het wijzigen van de basis-URL, de key en de modelnaam.
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)
Vergelijking naast elkaar
| Route | Inspanning | Benodigde hardware | Betrouwbaarheid |
|---|---|---|---|
| Prompting | Minuten | Geen | Laag, varieert per prompt en model versie |
| Fine-tuning | Dagen, plus data | GPU's met groot geheugen | Goed als de data goed is |
| Abliteration | Uren tot dagen | Voldoende geheugen om het model te laden | Matig, kan kwaliteit verminderen |
| Gehoste ongecensureerde API | Minuten | Geen | Consistent, één model |
De gehoste route kost $0,15 per 1M inputtokens en $0,50 per 1M outputtokens, pay as you go. Een prompt van 1.000 tokens met een antwoord van 500 tokens kost $0,00015 plus $0,00025, oftewel $0,0004. Voor een vergelijking van hoe die tarieven zich verhouden tot de eigen prijzen van DeepSeek, zie DeepSeek API-prijzen en de prijsvergelijking DeepSeek vs OpenAI.
Het proberen zonder commitment
Nieuwe gebruikers kunnen met één klik op de API-sleutelpagina na het inloggen met Google of met een e-mailadres en wachtwoord $0,50 aan proeftegoed claimen. Er is geen kaart nodig en het tegoed is 7 dagen geldig. Een proefsleutel staat 2 gelijktijdige verzoeken en 60 verzoeken per minuut toe, wat genoeg is om een handvol prompts te testen die je huidige model weigert. Streaming, function calling en JSON-modus werken hetzelfde als met elke OpenAI-achtige client, en de documentatie somt alle endpoints op.
Prompts worden niet gebruikt voor training. Alleen wettig gebruik door volwassenen, en de minderjarigen regel is niet onderhandelbaar.
Meer handleidingen
Vragen en antwoorden
Is dit de DeepSeek R1 API zonder filter?
Nee. Het is een ander open-weight model dat wordt uitgevoerd door een onafhankelijke provider. Het is niet het API van DeepSeek en geen aangepaste kopie van R1.
Kan een system prompt R1 volledig ontcensureren?
Niet betrouwbaar. Een prompt kan grensgevallen veranderen, maar weigeringen die tijdens het trainen zijn aangeleerd, komen onvoorspelbaar terug, en een gehost filter buiten het model wordt niet beïnvloed door je prompt.
Wat is abliteration in één zin?
Het verwijdert een weigeringrichting die in de activaties van het model is gevonden uit de gewichten, wat weigeringen vermindert zonder opnieuw te trainen op nieuwe data.
Toont dit model een reasoning trace zoals R1?
Nee. Het is een ander model, dus verwacht niet het gedrag van R1. Test je prompts en controleer het responsformaat dat je daadwerkelijk krijgt.
Je sleutel is nog maar één formulier verwijderd
Maak een account aan, kopieer de sleutel, pas de basis-URL aan. Dat is de hele setup.