DeepSeek R1'i Sansürsüz Hale Getirme: Gerçekçi Seçenekler
DeepSeek R1'i nasıl sansürsüz hale getireceğinizi merak ediyorsanız, dört gerçek yol vardır: reddetmelerin etrafından dolaşmak için istem kullanmak, ince ayar yapmak, abliteration uygulamak veya zaten reddetmeler olmadan ayarlanmış bir modele geçmek. Bu makale, bu yöntemleri çaba, maliyet ve güvenilirlik açısından karşılaştırır.
Güncellendi

Temel noktalar
- Reddetmeler eğitimden gelir, bu nedenle tek bir ayarla kapatılamazlar.
- Sistem istemleri biraz yardımcı olur ve sık bozulur; ince ayar ve abliteration ağırlıkları değiştirir.
- Tam R1'i kendi başınıza barındırmak, nicemlenmiş olsa bile yüzlerce gigabayt bellek gerektirir.
- Bu API DeepSeek değildir; yasal yetişkin kullanımı için içerik reddetmeleri olmadan yanıt veren farklı bir açık ağırlıklı modeldir.
Neden DeepSeek R1 ilk başta reddediyor
Bir dil modeli, eğitim sonrası aşamada reddetmeyi öğrenir. Büyük bir metin korpusu üzerinde ön eğitimden sonra, geliştiriciler onu yararlı yanıtların örnekleri ve reddedilen isteklerin örnekleri üzerinde eğitir ve istenen davranışı pekiştirir. Sonuç, bir kalıp öğrenmiş bir modeldir: bir istem belirli bir türde bir istek gibi görünürse, bir reddetme üretir.
R1 bir akıl yürütme modelidir, bu nedenle yanıtlamadan önce bir düşünce zinciri yazar. Bu, reddetme davranışını ortadan kaldırmaz. Modelin kendisini reddetmeye ikna ettiği görünür bir adım ekler. Barındırılan hizmetler modele ek olarak ikinci bir katman ekleyebilir: modelin dışındaki bir giriş veya çıkış filtresi. Bu nedenle, barındırılan bir sohbet uygulaması üzerinden gördüğünüz reddetmeler modelden, filtreden veya her ikisinden kaynaklanabilir ve her biri için çözüm farklıdır.
Bu, makalenin geri kalanı için önemlidir. Engel ağırlıkların dışında ise, yerel ayar ne kadar çok yapılırsa yapılsın barındırılan uygulamanın davranışını değiştirmez. Engel ağırlıkların içinde ise, ağırlıkları değiştiren bir yönteme veya farklı bir ağırlık setine ihtiyacınız vardır.
Seçenek 1: reddetmelerin etrafından dolaşmak için istem kullanmak
En ucuz deneme, bir rol, bir amaç ve bir çıktı biçimi belirleyen bir sistem istemidir. Modelin tedbir nedeniyle reddettiği sınır istekler için, net ve dürüst bir bağlam ("bu bir kurgu el yazması içindir", "yetkili olduğum bir güvenlik eğitim uygulamasıdır") bazen sonucu değiştirebilir.
Sorunlar pratiktir. Sonuçlar çalışmadan çalışmaya değişir. Aynı istem Pazartesi günü çalışır, model güncellemesinden sonra başarısız olur. Uzun rol yapma istemleri bağlam penceresini tüketir ve her çağrıda token maliyetine yol açar. Ayrıca bir ürünü bir istem hilesi üzerine kurarsanız, model sahibinin yama yapabileceği bir şey üzerine kurmuş olursunuz. İstemlemeyi bir uygulamanın temeli olarak değil, hızlı bir test olarak ele alın.
Seçenek 2: ağırlıkları ince ayarlamak
İnce ayar, modelin daha önce reddettiği isteklere yanıt verdiği örnekler üzerinde eğitimi sürdürür. LoRA gibi yöntemler, her parametre yerine küçük adaptör matrislerini eğiterek maliyeti düşürür. İyi bir veri, bir GPU kurulumu ve sonucu değerlendirme sabrı varsa işe yarar.
Tam R1, halka açıklamasına göre 671 milyar parametreli bir uzmanlar karışımı modelidir. Nicemlenmiş olsa bile çalıştırmak için yüzlerce gigabayt bellek gerektirir, bu nedenle ince ayar yapan çoğu kişi daha küçük distile edilmiş sürümlerle çalışır. Bunlar, tam R1'den farklı modellerdir ve daha zayıf akıl yürütme yeteneklerine sahiptir. Genel yeteneği de zedeleme riski taşırsınız: reddetmeler üzerinde çok ısrar etmek, modelin diğer alanlarda da dikkatsizleşmesine neden olabilir.
Seçenek 3: abliteration
Abliteration, yorumlayabilirlik araştırmalarından çıkan bir tekniktir. Araştırmacılar, birçok sohbet modelinde reddetmenin büyük ölçüde modelin içsel aktivasyonlarındaki tek bir yön tarafından yönetildiğini buldu. Bu yönü tahmin ederseniz (modelin reddettiği istemlere karşı yanıtladığı istemler üzerinde aktivasyonları karşılaştırarak), onu ağırlıklardan çıkarabilirsiniz. Yeni veri üzerinde gradyan eğitimi gerekmez.
İnce ayar yapmaktan daha ucuzdur ve topluluk, birçok açık model için abliteration edilmiş sürümler yayınlamıştır. Yapılan değişiklikler gerçektir. Düzenleme kaba olduğu için kalite biraz düşebilir. Reddetmeler azalabilir ancak tamamen ortadan kalkmayabilir. Sonucu çalıştırmak için hala donanıma ihtiyacınız vardır; R1 boyutundaki bir akıl yürütme modeli için bu en zor kısımdır. Bunu kendiniz yapmak ağırlıkları indirmek, aktivasyon analizini çalıştırmak ve çıktıyı regresyonlar açısından test etmek demektir.
Seçenek 4: zaten reddetmeler olmadan ayarlanmış bir model kullanmak
Çoğu geliştirici için en basit yol hiçbir şeyi değiştirmemektir. Yasal yetişkin kullanımı için içerik reddetmeleri olmadan ayarlanmış bir barındırılan model kullanın ve API üzerinden arayın. GPU'yu, veriyi ve değerlendirme çalışmalarını atlamış olursunuz.
Bunun ne olduğunu netleştirin. Bu API DeepSeek veya R1 değildir. Bağımsız bir sağlayıcı tarafından çalışan tek bir açık ağırlıklı modeldir; DeepSeek'in resmi API'si veya başka bir satıcının API'si değildir ve satıcılar arasında bir yönlendirici değildir. R1'in belirli akıl yürütme tarzına ihtiyacınız varsa, bu onu yerine geçmez. Amacınız sıradan yetişkin odaklı kurgu, rol yapma veya açık tartışmaları reddetmeyen bir model elde etmekse, bu hedefi doğrudan karşılar. Sert sınır yerinde kalır: reşit olmayanlarla ilgili cinsel içerik yoktur.
OpenAI ile uyumlu olduğu için, mevcut bir DeepSeek tarzı entegrasyonu taşımak temel URL'yi, anahtarı ve model adını değiştirmek anlamına gelir.
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)
Yan yana karşılaştırma
| Yönlendirme | Çaba | Gerekli donanım | Güvenilirlik |
|---|---|---|---|
| İstemleme | Dakikalar | Yok | Düşük, isteme ve model sürümüne göre değişir |
| İnce ayar | Günler, ayrıca veri | Büyük bellekli GPU'lar | Veri iyi ise iyi |
| Abliteration | Saatler veya günler | Modeli yüklemek için yeterli bellek | Orta, kaliteyi azaltabilir |
| Barındırılan sansürsüz API | Dakikalar | Yok | Tutarlı, tek model |
Barındırılan yol, 1M girdi token'ı başına $0,15 ve 1M çıktı token'ı başına $0,50'dir; kullandıkça öde. 1.000 token'lık bir istem ve 500 token'lık bir yanıt $0,00015 artı $0,00025, yani $0,0004 tutarındadır. Bu oranların DeepSeek'in kendi fiyatlarıyla nasıl kıyaslandığına DeepSeek API fiyatlandırması ve DeepSeek vs OpenAI fiyat analizi bağlantılarından ulaşabilirsiniz.
Taahhüt olmadan deneme
Yeni kullanıcılar, Google veya e-posta ve şifre ile kayıt olduktan sonra, API anahtarı sayfası üzerinde tek bir tıklama ile $0,50 deneme kredisi talep edebilir. Kart gerekmez ve kredi 7 gün boyunca geçerlidir. Bir deneme anahtarı 2 eşzamanlı istek ve dakika başına 60 istek izni verir; bu, mevcut modelinizin reddettiği birkaç istemi test etmek için yeterlidir. Akış, fonksiyon çağırma ve JSON modu herhangi bir OpenAI tarzı istemci ile aynı şekilde çalışır ve dokümantasyon her uç noktanın listesini içerir.
İstemler eğitim için kullanılmaz. Yalnızca yasal yetişkin kullanımı ve reşit olmayanlar kuralı müzakere edilemez.
Daha fazla kılavuz
Sorular ve cevaplar
Bu API, filtresiz bir DeepSeek R1 mi?
Hayır. Bağımsız bir sağlayıcı tarafından çalışan farklı bir açık ağırlıklı modeldir. DeepSeek'in API'si değildir ve R1'in değiştirilmiş bir kopyası değildir.
Bir sistem istemi R1'i tamamen sansürsüz hale getirebilir mi?
Güvenilir bir şekilde değil. Bir istem sınır durumları değiştirebilir, ancak eğitim sırasında öğrenilen reddetmeler öngörülemez şekilde geri gelebilir ve modelin dışındaki barındırılan bir filtre, isteminizden etkilenmez.
Abliteration nedir? Tek cümleyle açıklayın.
Modelin aktivasyonlarında bulunan bir reddetme yönünü ağırlıklardan kaldırır; bu, yeni veri üzerinde yeniden eğitim yapmadan reddetmeleri azaltır.
Bu model, R1 gibi bir akıl yürütme izi gösteriyor mu?
Hayır. Farklı bir modeldir, bu nedenle R1'in davranışını beklemeyin. İstemlerinizi test edin ve aslında aldığınız yanıt biçimini kontrol edin.
Anahtarınız tek bir formun uzağında
Bir hesap oluşturun, anahtarı kopyalayın, base URL'yi değiştirin. Kurulumun tamamı bu kadar.