VI ▾
Lấy khóa API

Cách bỏ kiểm duyệt DeepSeek R1: Các lựa chọn thực tế

Nếu bạn muốn biết cách bỏ kiểm duyệt DeepSeek R1, có bốn lộ trình thực tế: vượt qua từ chối bằng prompt, fine-tuning, abliteration, hoặc chuyển sang mô hình đã được tinh chỉnh không có từ chối. Bài viết này so sánh chúng về nỗ lực, chi phí và độ tin cậy.

Cập nhật

Mở khóa phát sáng giải phóng các khối dữ liệu vào một ngăn máy chủ, đại diện cho API của mô hình không kiểm duyệt

Điểm chính

  1. Việc từ chối đến từ quá trình huấn luyện, vì vậy không thể tắt chúng chỉ bằng một cài đặt.
  2. System prompt chỉ giúp được một ít và hỏng thường xuyên; fine-tuning và abliteration thay đổi các trọng số.
  3. Tự lưu trữ R1 đầy đủ cần hàng trăm gigabyte bộ nhớ ngay cả khi đã lượng tử hóa.
  4. API này không phải DeepSeek; đây là một mô hình trọng số mở khác, trả lời mà không từ chối nội dung cho việc sử dụng người lớn hợp pháp.

Tại sao DeepSeek R1 từ chối ngay từ đầu

Mô hình ngôn ngữ học cách từ chối trong giai đoạn huấn luyện sau. Sau khi huấn luyện trước trên một tập hợp dữ liệu văn bản lớn, các nhà phát triển huấn luyện nó trên các ví dụ về câu trả lời hữu ích và các ví dụ về yêu cầu bị từ chối, sau đó tăng cường hành vi mà họ muốn. Kết quả là một mô hình đã hấp thụ một mẫu: khi một prompt trông giống một loại yêu cầu nhất định, hãy tạo ra một lời từ chối.

R1 là một mô hình suy luận, vì vậy nó cũng viết một chuỗi suy nghĩ trước khi trả lời. Điều đó không loại bỏ hành vi từ chối. Nó thường thêm một bước hiển thị nơi mô hình tự thuyết phục mình từ chối. Các dịch vụ lưu trữ có thể thêm một lớp thứ hai phía trên: một bộ lọc đầu vào hoặc đầu ra bên ngoài mô hình. Do đó, các lời từ chối bạn thấy qua ứng dụng trò chuyện lưu trữ có thể đến từ mô hình, bộ lọc hoặc cả hai, và cách khắc phục khác nhau cho từng trường hợp.

Điều này quan trọng đối với phần còn lại của bài viết. Nếu khối nằm bên ngoài trọng số, bất kể bạn tinh chỉnh cục bộ nhiều đến đâu cũng không thay đổi những gì ứng dụng lưu trữ làm. Nếu nó nằm trong trọng số, bạn cần một phương pháp thay đổi trọng số hoặc một tập hợp trọng số khác.

Tùy chọn 1: vượt qua từ chối bằng prompt

Cách tiếp cận rẻ nhất là một system prompt đặt vai trò, mục đích và định dạng đầu ra. Đối với các yêu cầu ranh giới mà mô hình từ chối do thận trọng, một ngữ cảnh rõ ràng và trung thực ("điều này dành cho bản thảo tiểu thuyết", "đây là bài tập đào tạo bảo mật tôi được ủy quyền thực hiện") đôi khi thay đổi kết quả.

Các vấn đề là thực tế. Kết quả thay đổi từ lần chạy này sang lần chạy khác. Cùng một prompt hoạt động vào thứ Hai và thất bại sau khi cập nhật mô hình. Các prompt đóng vai trò dài ngốn ngữ cảnh và tốn token trong mọi lượt gọi. Và nếu bạn xây dựng sản phẩm dựa trên một thủ thuật prompt, bạn đã xây dựng nó trên thứ mà chủ sở hữu mô hình có thể vá. Hãy coi prompt là một bài kiểm tra nhanh, không phải là nền tảng của ứng dụng.

Tùy chọn 2: fine-tuning trọng số

Fine-tuning tiếp tục huấn luyện trên các ví dụ nơi mô hình trả lời các yêu cầu mà trước đây nó từ chối. Các phương pháp như LoRA giữ chi phí thấp bằng cách huấn luyện các ma trận bộ điều chỉnh nhỏ thay vì mọi tham số. Nó hoạt động, nhưng chỉ nếu bạn có dữ liệu tốt, thiết lập GPU và sự kiên nhẫn để đánh giá kết quả.

Phiên bản R1 đầy đủ là một mô hình mixture-of-experts với 671 tỷ tham số, theo thông tin phát hành công khai của nó. Ngay cả khi đã lượng tử hóa, nó vẫn cần hàng trăm gigabyte bộ nhớ để chạy, vì vậy hầu hết những người thực hiện fine-tuning đều làm việc trên các phiên bản nhỏ hơn đã được tinh chế. Những mô hình này khác với R1 đầy đủ, có khả năng suy luận yếu hơn. Bạn cũng có nguy cơ làm giảm khả năng tổng quát: việc ép mạnh các từ chối có thể khiến mô hình trở nên cẩu thả ở những khía cạnh khác.

Tùy chọn 3: abliteration

Abliteration là một kỹ thuật xuất hiện từ nghiên cứu về khả năng giải thích. Các nhà nghiên cứu đã tìm thấy rằng trong nhiều mô hình trò chuyện, việc từ chối chủ yếu được điều khiển bởi một hướng duy nhất trong các kích hoạt nội bộ của mô hình. Nếu bạn ước tính hướng đó (bằng cách so sánh các kích hoạt trên các prompt mà mô hình từ chối so với các prompt mà nó trả lời), bạn có thể chiếu nó ra khỏi trọng số. Không cần huấn luyện gradient trên dữ liệu mới.

Nó rẻ hơn fine-tuning và cộng đồng đã công bố các phiên bản abliterated của nhiều mô hình mở. Sự đánh đổi là có thật. Phép chỉnh sửa khá thô, vì vậy chất lượng có thể giảm nhẹ. Các từ chối có thể được giảm bớt thay vì loại bỏ hoàn toàn. Và bạn vẫn cần phần cứng để chạy kết quả, điều này với một mô hình suy luận có kích thước của R1 là phần khó nhất. Làm điều này bằng tay nghĩa là tải trọng số về, chạy phân tích kích hoạt và kiểm tra đầu ra để tìm các sự suy giảm.

Tùy chọn 4: sử dụng mô hình đã được tinh chỉnh không có từ chối

Đối với hầu hết các nhà phát triển, lộ trình đơn giản nhất là không sửa đổi bất cứ thứ gì. Sử dụng một mô hình lưu trữ đã được tinh chỉnh không có từ chối nội dung cho việc sử dụng người lớn hợp pháp và gọi nó qua API. Bạn bỏ qua GPU, dữ liệu và công việc đánh giá.

Hãy làm rõ điều đó là gì. API này không phải DeepSeek và không phải R1. Đây là một mô hình trọng số mở duy nhất do một nhà cung cấp độc lập vận hành, không phải API chính thức của DeepSeek hay bất kỳ nhà cung cấp nào khác, và không phải là trình định tuyến giữa các nhà cung cấp. Nếu bạn cần phong cách suy luận cụ thể của R1, điều này sẽ không thay thế được nó. Nếu mục tiêu của bạn là một mô hình không từ chối các truyện người lớn thông thường, đóng vai hoặc thảo luận thẳng thắn, nó đáp ứng trực tiếp mục tiêu đó. Giới hạn cứng vẫn được duy trì: không có nội dung tình dục liên quan đến người chưa thành niên.

Nó tương thích với OpenAI, vì vậy việc chuyển đổi tích hợp kiểu DeepSeek hiện có có nghĩa là thay đổi base URL, khóa và tên mô hình.

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)

So sánh cạnh nhau

Định tuyếnNỗ lựcPhần cứng cần thiếtĐộ tin cậy
Sử dụng promptVài phútKhôngThấp, thay đổi theo prompt và phiên bản mô hình
Tinh chỉnh (Fine-tuning)Ngày, cộng với dữ liệuGPU với bộ nhớ lớnTốt nếu dữ liệu tốt
AbliterationVài giờ đến vài ngàyĐủ bộ nhớ để tải mô hìnhTrung bình, có thể giảm chất lượng
API không kiểm duyệt được lưu trữVài phútKhôngNhất quán, một mô hình

Lộ trình lưu trữ tốn $0,15 cho mỗi 1M token đầu vào và $0,50 cho mỗi 1M token đầu ra, trả theo mức sử dụng. Một prompt 1.000 token với phản hồi 500 token tốn $0,00015 cộng $0,00025, hoặc $0,0004. Để so sánh các tỷ lệ này với giá của chính DeepSeek, hãy xem giá API DeepSeek và phân tích giá DeepSeek so với OpenAI.

Thử nó mà không cần cam kết

Người dùng mới có thể nhận $0,50 tín dụng dùng thử chỉ với một cú nhấp chuột trên trang khóa API sau khi đăng ký bằng Google hoặc bằng email và mật khẩu. Không cần thẻ, và tín dụng này có hiệu lực trong 7 ngày. Khóa dùng thử cho phép 2 yêu cầu đồng thời và 60 yêu cầu mỗi phút, đủ để kiểm tra một vài prompt mà mô hình hiện tại của bạn từ chối. Truyền phát (streaming), gọi hàm và chế độ JSON hoạt động giống hệt như với bất kỳ máy khách kiểu OpenAI nào, và tài liệu liệt kê mọi endpoint.

Các prompt không được sử dụng để huấn luyện. Chỉ sử dụng người lớn hợp pháp, và quy tắc người chưa thành niên là không thương lượng được.

Hỏi đáp

API này có phải DeepSeek R1 không có bộ lọc không?

Không. Đó là một mô hình trọng số mở khác do nhà cung cấp độc lập vận hành. Đây không phải API của DeepSeek và không phải bản sao đã sửa đổi của R1.

System prompt có thể bỏ kiểm duyệt hoàn toàn R1 không?

Không đáng tin cậy. Một prompt có thể thay đổi các trường hợp ranh giới, nhưng các từ chối được học trong quá trình huấn luyện sẽ quay lại một cách khó dự đoán, và bộ lọc được lưu trữ bên ngoài mô hình không bị ảnh hưởng bởi prompt của bạn.

Abliteration là gì trong một câu?

Nó loại bỏ một hướng từ chối được tìm thấy trong các kích hoạt của mô hình khỏi các trọng số, giúp giảm thiểu các từ chối mà không cần huấn luyện lại trên dữ liệu mới.

Mô hình này có hiển thị chuỗi suy luận giống R1 không?

Không. Đó là một mô hình khác, vì vậy đừng mong đợi hành vi của R1. Hãy thử các prompt của bạn và kiểm tra định dạng phản hồi bạn thực sự nhận được.

Khóa của bạn chỉ cách một mẫu

Tạo tài khoản, sao chép khóa, thay đổi URL cơ sở. Đó là toàn bộ thiết lập.

Lấy khóa APIĐọc tài liệu