PL ▾
Pobierz klucz API

Jak usunąć cenzurę w DeepSeek R1: realistyczne opcje

Jeśli chcesz wiedzieć, jak usunąć cenzurę w DeepSeek R1, istnieją cztery realistyczne ścieżki: omijanie odmów poprzez promptowanie, dostrajanie (fine-tuning), abliteration lub przełączenie się na model, który został już wytrenowany bez odmów. Ten artykuł porównuje je pod kątem wysiłku, kosztów i niezawodności.

Zaktualizowano

Świecąca, otwarta kłódka uwalniająca bloki danych do szafy serwerowej, reprezentująca API modelu bez cenzury

Kluczowe punkty

  1. Odmowy wynikają z treningu, więc nie można ich wyłączyć jednym ustawieniem.
  2. Systemowe prompty pomagają w niewielkim stopniu i często zawodzą; dostrajanie i abliteration zmieniają wagi.
  3. Samodzielne hostowanie pełnego R1 wymaga setek gigabajtów pamięci nawet po kwantyzacji.
  4. To API nie jest DeepSeek; to inny model o otwartych wagach, który odpowiada bez odmów treściowych do użytku dorosłych.

Dlaczego DeepSeek R1 odmawia od początku

Model językowy uczy się odmawiać podczas posttreningu. Po wstępnym trenowaniu na dużym korpusie tekstów, deweloperzy trenują go na przykładach pomocnych odpowiedzi i przykładach odrzuconych żądań, wzmacniając następnie pożądane zachowanie. Efektem jest model, który przyswoił wzorzec: gdy prompt wygląda na pewnego rodzaju żądanie, generuje odmowę.

R1 to model rozumowania, więc przed udzieleniem odpowiedzi generuje również łańcuch myślenia. Nie usuwa to zachowania odmownego. Często dodaje widoczny krok, w którym model sam przekonywany jest do odmowy. Usługi hostowane mogą dodać drugą warstwę powyżej: filtr wejścia lub wyjścia poza modelem. Odmowy widoczne przez aplikację czatu hostowaną mogą więc pochodzić od modelu, filtra lub obu, a rozwiązanie różni się w zależności od przypadku.

Ma to znaczenie dla reszty artykułu. Jeśli blokada znajduje się poza wagami, żadna ilość lokalnego dostrajania nie zmieni tego, co robi aplikacja hostowana. Jeśli znajduje się w wagach, potrzebujesz metody, która zmienia wagi, lub innego zestawu wag.

Opcja 1: omijanie odmów poprzez promptowanie

Najtańszą próbą jest systemowy prompt, który ustala rolę, cel i format wyjściowy. Dla żądań brzegowych, które model odrzuca ze względu na ostrożność, jasny i uczciwy kontekst („to jest rękopis fikcyjny”, „to jest ćwiczenie szkoleniowe z bezpieczeństwa, które mam autoryzację do przeprowadzenia”) czasem zmienia wynik.

Problemy są praktyczne. Wyniki różnią się w zależności od uruchomienia. Ten sam prompt działa w poniedziałek, a zawodzi po aktualizacji modelu. Długie role-playowe prompty pochłaniają kontekst i zużywają tokeny przy każdym zapytaniu. Jeśli zbudujesz produkt na sztuczce z promptem, opierasz go na czymś, co właściciel modelu może łatwo naprawić. Traktuj promptowanie jako szybki test, a nie jako fundament aplikacji.

Opcja 2: dostrajanie wag

Dostrajanie kontynuuje trening na przykładach, w których model odpowiada na żądania, które wcześniej odrzucał. Metody takie jak LoRA obniżają koszty, trenując małe macierze adapterów zamiast każdego parametru. Działa, ale tylko jeśli masz dobre dane, konfigurację GPU i cierpliwość do oceny wyniku.

Pełny R1 to model mieszany ekspertów (MoE) z 671 miliardami parametrów, zgodnie z jego publicznym wydaniem. Nawet po kwantyzacji potrzebuje setek gigabajtów pamięci do uruchomienia, więc większość osób dostrajających pracuje na mniejszych wersjach zdistylowanych. Są to inne modele niż pełny R1, o słabszym rozumowaniu. Ryzykujesz również uszkodzenie ogólnej zdolności: naciskanie na odmowy może sprawić, że model stanie się niechlujny w innych obszarach.

Opcja 3: abliteration

Abliteration to technika pochodząca z badań interpretowalności. Badacze odkryli, że w wielu modelach czatu odmowa jest pośredniczona głównie przez pojedynczy kierunek w wewnętrznych aktywacjach modelu. Jeśli oszacujesz ten kierunek (porównując aktywacje na promptach, które model odrzuca, z promptami, na które odpowiada), możesz go rzutować poza wagi. Nie jest potrzebny trening gradientowy na nowych danych.

Jest tańszy niż fine-tuning, a społeczność opublikowała abliterowane wersje wielu modeli open-weight. Kompromisy są realne. Edycja jest gruba, więc jakość może nieznacznie spaść. Odmowy mogą zostać zmniejszone, a nie wyeliminowane. Nadal potrzebujesz sprzętu do uruchomienia wyniku, co w przypadku modelu rozumującego wielkości R1 jest trudniejszą częścią. Zrobienie tego samodzielnie oznacza pobranie wag, uruchomienie analizy aktywacji i przetestowanie wyniku pod kątem regresji.

Opcja 4: użycie modelu, który jest już wytrenowany bez odmów

Dla większości deweloperów najprostszą ścieżką jest nie modyfikowanie niczego. Użyj hostowanego modelu, który został wytrenowany bez odmów treściowych do dozwolonego użytku dorosłych, i wywołuj go przez API. Pomijasz GPU, dane i pracę evaluacyjną.

Bądź jasny co do tego, czym jest to API. To API nie jest DeepSeek ani R1. To pojedynczy model o otwartych wagach uruchamiany przez niezależnego dostawcę, nie oficjalne API DeepSeek ani żadnego innego dostawcy, ani router między dostawcami. Jeśli potrzebujesz specyficznego stylu rozumowania R1, nie zastąpi go to. Jeśli Twoim celem jest model, który nie odrzuca zwykłej fikcji dla dorosłych, odgrywania ról lub szczerych dyskusji, spełnia ten cel bezpośrednio. Twardy limit pozostaje w mocy: brak treści seksualnych z udziałem nieletnich.

Jest kompatybilny z OpenAI, więc migracja istniejącej integracji w stylu DeepSeek oznacza zmianę Base URL, klucza i nazwy modelu.

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)

Porównanie obok siebie

TrasaWysiłekWymagany sprzętNiezawodność
PromptowanieMinutyBrakNiska, zależy od promptu i wersji modelu
Fine-tuningDni, plus daneGPU z dużą pamięciąDobra, jeśli dane są dobre
AbliterationGodziny do dniWystarczająca pamięć do załadowania modeluUmiarkowana, może zmniejszyć jakość
Hostowane API bez cenzuryMinutyBrakSpójna, jeden model

Trasa hostowana kosztuje $0,15 za 1 mln tokenów wejściowych i $0,50 za 1 mln tokenów wyjściowych, płatność za zużycie. Prompt o długości 1000 tokenów z odpowiedzią 500 tokenów kosztuje $0,00015 plus $0,00025, czyli łącznie $0,0004. Aby porównać te stawki z cenami DeepSeek, zobacz cennik API DeepSeek oraz porównanie cen DeepSeek i OpenAI.

Wypróbuj bez zobowiązań

Nowi użytkownicy mogą odebrać $0,50 kredytu próbnego jednym kliknięciem na stronie klucza API po zalogowaniu się przez Google lub e-mail i hasło. Nie jest potrzebna karta, a kredyt jest ważny przez 7 dni. Klucz próbny pozwala na 2 równoległe zapytania i 60 zapytań na minutę, co wystarczy do przetestowania kilku promptów, które twój obecny model odrzuca. Strumieniowanie, wywoływanie funkcji i tryb JSON działają tak samo jak w przypadku dowolnego klienta kompatybilnego z OpenAI, a dokumentacja wymienia wszystkie endpointy.

Prompty nie są używane do treningu. Tylko legalny użytek dorosłych, a reguła dotycząca nieletnich jest niepodważalna.

Pytania i odpowiedzi

Czy to API DeepSeek R1 bez filtra?

Nie. To inny model o otwartych wagach uruchamiany przez niezależnego dostawcę. Nie jest to API DeepSeek ani zmodyfikowana kopia R1.

Czy systemowy prompt może w pełni usunąć cenzurę z R1?

Nie zawsze. Prompt może zmienić przypadki brzegowe, ale odrzucenia nauczone w trakcie treningu wracają nieprzewidywalnie, a filtr zewnętrzny wobec modelu nie jest zależny od Twojego promptu.

Czym jest abliteration w jednym zdaniu?

Usuwa kierunek odmowy znajdujący się w aktywacjach modelu z jego wag, co zmniejsza odmowy bez ponownego trenowania na nowych danych.

Czy ten model pokazuje ślad rozumowania podobny do R1?

Nie. To inny model, więc nie spodziewaj się zachowania R1. Przetestuj swoje prompty i sprawdź format odpowiedzi, który faktycznie otrzymujesz.

Twój klucz jest o jeden formularz stąd

Utwórz konto, skopiuj klucz, zmień bazowy URL. To cała konfiguracja.

Pobierz klucz APIPrzeczytaj dokumentację