Como desbloquear o DeepSeek R1: Opções realistas
Se você quer saber como tornar o DeepSeek R1 sem censura, há quatro rotas reais: usar prompts para contornar recusas, fine-tuning, abliteration ou mudar para um modelo já ajustado sem recusas. Este artigo compara essas opções por esforço, custo e confiabilidade.
Atualizado

Pontos principais
- As recusas vêm do treinamento, então não podem ser desligadas com uma única configuração.
- System prompts ajudam um pouco e quebram frequentemente; fine-tuning e abliteration alteram os pesos.
- Hospedar o R1 completo exige centenas de gigabytes de memória, mesmo quando quantizado.
- Esta API não é a DeepSeek; é um modelo de pesos abertos diferente que responde sem recusas de conteúdo para uso adulto lícito.
Por que o DeepSeek R1 recusa inicialmente
Um modelo de linguagem aprende a recusar durante o pós-treinamento. Após o pré-treinamento em um grande corpus de texto, os desenvolvedores o treinam com exemplos de respostas úteis e exemplos de solicitações recusadas, reforçando então o comportamento desejado. O resultado é um modelo que absorveu um padrão: quando um prompt se parece com um certo tipo de solicitação, produz uma recusa.
O R1 é um modelo de raciocínio, então ele também escreve uma cadeia de pensamento antes de responder. Isso não remove o comportamento de recusa. Frequentemente, adiciona-se uma etapa visível onde o modelo se convence a recusar. Serviços hospedados podem adicionar uma segunda camada por cima: um filtro de entrada ou saída fora do modelo. As recusas que você vê por meio de um aplicativo de chat hospedado podem, portanto, vir do modelo, do filtro ou de ambos, e a correção difere para cada caso.
Isso importa para o restante do artigo. Se o bloqueio estiver fora dos pesos, nenhuma quantidade de ajuste local altera o que o aplicativo hospedado faz. Se estiver dentro dos pesos, você precisa de um método que altere os pesos ou de um conjunto diferente de pesos.
Opção 1: contornar recusas com prompting
A tentativa mais barata é um prompt de sistema que define um papel, um propósito e um formato de saída. Para solicitações limítrofes que o modelo recusa por cautela, um contexto claro e honesto ("isto é para um manuscrito de ficção", "isto é um exercício de treinamento de segurança que estou autorizado a executar") às vezes altera o resultado.
Os problemas são práticos. Os resultados variam de execução para execução. O mesmo prompt funciona na segunda-feira e falha após uma atualização do modelo. Prompts longos de role-play consomem janela de contexto e custam tokens em cada chamada. E se você construir um produto baseado em um truque de prompt, você o construiu sobre algo que o proprietário do modelo pode corrigir. Trate o prompting como um teste rápido, não como a base de um aplicativo.
Opção 2: ajuste fino dos pesos
O ajuste fino continua o treinamento em exemplos onde o modelo responde a solicitações que antes recusava. Métodos como LoRA mantêm o custo baixo treinando pequenas matrizes de adaptador em vez de todos os parâmetros. Funciona, mas apenas se você tiver bons dados, uma configuração de GPU e paciência para avaliar o resultado.
O R1 completo é um modelo de mistura de especialistas com 671 bilhões de parâmetros, de acordo com seu lançamento público. Mesmo quantizado, ele precisa de centenas de gigabytes de memória para ser executado, então a maioria das pessoas que fazem ajuste fino trabalha nas versões menores e distiladas. Essas são modelos diferentes do R1 completo, com raciocínio mais fraco. Você também corre o risco de prejudicar a capacidade geral: empurrar forte nas recusas pode tornar o modelo desleixado em outras áreas.
Opção 3: abliteração
Abliteration é uma técnica que surgiu da pesquisa de interpretabilidade. Pesquisadores descobriram que em muitos modelos de chat, a recusa é mediada principalmente por uma única direção nas ativações internas do modelo. Se você estimar essa direção (comparando ativações em prompts que o modelo recusa contra prompts que ele responde), você pode projetá-la fora dos pesos. Não é necessário treinamento de gradiente em novos dados.
É mais barato que o ajuste fino e a comunidade já publicou versões abliteradas de muitos modelos de pesos abertos. As compensações são reais. A edição é grosseira, então a qualidade pode cair ligeiramente. As recusas podem ser reduzidas em vez de eliminadas. E você ainda precisa de hardware para executar o resultado, o que para um modelo de raciocínio do tamanho do R1 é a parte difícil. Fazer isso você mesmo significa baixar os pesos, executar a análise de ativação e testar a saída para regressões.
Opção 4: usar um modelo já ajustado sem recusas
Para a maioria dos desenvolvedores, a rota mais simples é não modificar nada. Use um modelo hospedado que foi ajustado sem recusas de conteúdo para uso adulto legal e chame-o por uma API. Você pula a GPU, os dados e o trabalho de avaliação.
Seja claro sobre o que isso é. Esta API não é DeepSeek nem R1. É um único modelo de pesos abertos operado por um provedor independente, não a API oficial da DeepSeek ou de qualquer outro fornecedor, e não um roteador entre fornecedores. Se você precisa do estilo de raciocínio específico do R1, isso não o substituirá. Se o seu objetivo é um modelo que não recusa ficção adulta ordinária, role-play ou discussões francas, ele atende a esse objetivo diretamente. O limite rígido permanece: sem conteúdo sexual envolvendo menores de idade.
É compatível com OpenAI, então migrar uma integração existente estilo DeepSeek significa alterar a base URL, a chave e o nome do modelo.
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)
Comparação lado a lado
| Roteamento | Esforço | Hardware necessário | Confiabilidade |
|---|---|---|---|
| Engenharia de prompt | Minutos | Nenhum | Baixa, varia por prompt e versão do modelo |
| Ajuste fino | Dias, mais dados | GPUs com grande memória | Boa se os dados forem bons |
| Abliteração | Horas a dias | Memória suficiente para carregar o modelo | Moderada, pode reduzir a qualidade |
| API sem censura hospedada | Minutos | Nenhum | Consistente, um modelo |
A rota hospedada custa $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída, pagamento por uso. Um prompt de 1.000 tokens com uma resposta de 500 tokens custa $0,00015 mais $0,00025, totalizando $0,0004. Para uma comparação de como essas tarifas se comparam aos próprios preços da DeepSeek, consulte Preços da API DeepSeek e o Detalhamento de preços DeepSeek vs OpenAI.
Experimente sem compromisso
Novos usuários podem reivindicar $0,50 de crédito de teste com um clique na página da chave de API após se registrar com Google ou com e-mail e senha. Nenhum cartão é necessário e o crédito é válido por 7 dias. Uma chave de teste permite 2 requisições simultâneas e 60 requisições por minuto, o suficiente para testar alguns prompts que seu modelo atual se recusa a processar. Streaming, chamada de funções e modo JSON funcionam da mesma forma que com qualquer cliente estilo OpenAI, e a documentação lista todos os endpoints.
Prompts não são usados para treinamento. Uso adulto legal apenas, e a regra sobre menores de idade é inegociável.
Mais guias
Perguntas e respostas
Esta API é o DeepSeek R1 sem filtro?
Não. É um modelo de pesos abertos diferente, operado por um provedor independente. Não é a API da DeepSeek nem uma cópia modificada do R1.
Um prompt do sistema pode tornar o R1 totalmente sem censura?
Não de forma confiável. Um prompt pode alterar casos limite, mas as recusas aprendidas durante o treinamento retornam de forma imprevisível, e um filtro hospedado fora do modelo não é afetado pelo seu prompt.
O que é abliteration em uma frase?
Ele remove uma direção de recusa encontrada nas ativações do modelo de seus pesos, o que reduz recusas sem retreinar em novos dados.
Este modelo exibe um rastro de raciocínio como o R1?
Não. É um modelo diferente, então não espere o comportamento do R1. Teste seus prompts e verifique o formato de resposta que você realmente recebe.
Sua chave está a um formulário de distância
Crie uma conta, copie a chave e altere a URL base. Essa é toda a configuração.