نموذج LLM بدون رقابة: المعنى وكيفية استخدامه

ما هو نموذج LLM بدون رقابة فعليًا

تغلف معظم منتجات الدردشة نموذجًا لغويًا في طبقات من سلوك الرفض. جزء منه مُدرَّب في الأوزان، وجزء منه هو موجّه النظام، وجزء آخر هو فلتر منفصل يقرأ مدخلاتك والرد. نموذج LLM بدون رقابة هو نموذج تم ضبط أوزانه بحيث تكون الطبقة الأولى، وهي الرفض المُدرَّب، أضعف بكثير. يجيب على الأسئلة حول المواضيع المظلمة في الخيال، والمواضيع الطبية أو القانونية المباشرة، ومواد أخرى للبالغين غالبًا ما يرفضها أو يخففها المساعدون الشائعون.

الكلمة تُعدّ تسمية غير دقيقة إلى حدّ ما. لم يُحذف شيء من النموذج كما يُقطع سلك. ما يتغيّر هو بيانات التدريب وخطوات الضبط. يتعلّم النموذج الأساسي اللغة من مجموعة ضخمة من النصوص. مرحلة لاحقة تُعلّمه اتباع التعليمات و، عادةً، رفض قائمة طويلة من الطلبات. يتخطّى المتغير غير الخاضع للرقابة معظم تدريب الرفض هذا، أو يضيف ضبطاً يدفع في الاتجاه الآخر.

تُشغّل الخدمة خلف هذا الموقع نموذجًا واحدًا مفتوح الأوزان من هذا النوع، بواسطة مزوّد مستقل. ليست واجهة برمجة التطبيقات الرسمية لأي مختبر كبير، وليست موزّعًا يختار بين المزوّدين. تحصل على نموذج واحد، بمعرف النموذج uncensored، خلف نقطة نهاية مكملات الدردشة القياسية.

ما لا يعنيه كون النموذج بدون رقابة

لا تعني أن النموذج ليس لديه حدود. هناك خطّ صارم هنا: لا محتوى جنسي يتضمن القاصرين، على الإطلاق. الخدمة مبنية للاستخدام القانوني للبالغين فقط. إذا كنت بحاجة إلى نموذج لأي شيء خارج ذلك، فهذه الأداة غير المناسبة.

كما لا تعني أن النموذج أذكى، أو أكثر صدقًا، أو أكثر دقة. لا يزال النموذج الذي يحتوي على رفض أقل يرتكب الأخطاء، ويخترع الحقائق عندما لا يعرف شيئًا، ولا يزال يحتاج إلى نفس العناية مع الموجّه. إزالة الرفض تغيّر ما هو مستعد لقوله، وليس مدى جودة استنتاجه. عامل مخرجاته كما تفعل مع أي نموذج آخر: تحقق من أي شيء مهم.

أخيراً، لا يعني ذلك أنك تستطيع التخلي عن مسؤوليتك الخاصة. إذا بنيت تطبيقاً عليه، فأنت من يقرر ما يمكن لمستخدمي القيام به، وتحمل مسؤولية الالتزام بالقانون في المكان الذي تعيش فيه أنت وهم. النموذج الذي لا يرفض هو أداة بلا حارس، لذا يجب أن يأتي الحارس من منتجك.

الرفض والتحفظ والتأدب الأخلاقي أشياء مختلفة

يخلط الناس بين ثلاث سلوكيات. الرفض هو عبارة ثابتة مثل "لا يمكنني مساعدتك في ذلك". التحفظ هو إجابة مدفونة تحت التحفظات. التأدب الأخلاقي هو محاضرة غير مطلوبة. غالبًا ما يقوم مساعد رئيسي بالسلوكيات الثلاث نفسها حول الموضوع نفسه. النموذج بدون رقابة عادةً ما يتخلى عن الرفض ومعظم المحاضرات، ولهذا يعجب به كتاب الخيال ومطوّرو لعب الأدوار: تبقى المخرجات في الشخصية بدلاً من الخروج عن المشهد للتعليق عليه.

من أين يأتي السلوك

إذا رفض نموذج أقل، فإن السبب يكمن في أحد الأماكن الأربعة، ومن المفيد معرفة أي منها، لأن بعضها فقط تحت سيطرتك.

1. بيانات التدريب والضبط. هذا هو المصدر الرئيسي. إنه ثابت عندما يبني المزوّد النموذج، ولا يمكنك تغييره من واجهة برمجة التطبيقات.
2. موجه النظام. أنت تتحكم في هذا. رسالة نظام واضحة تحدد دورًا، وإعدادًا ونبرة تغير الإجابات كثيرًا، حتى على نموذج متسامح.
3. إعدادات أخذ العينات. لا يحدد درجة الحرارة و top_p ما سيناقشه النموذج، لكنها تغير مدى تنوع النص واتساقه. يتم تمرير هذه الإعدادات إلى النموذج.
4. مرشحات المنصة. تضيف العديد من واجهات برمجة التطبيقات المستضافة طبقة تعديل في المقدمة أمام النموذج. هذه الطبقة هي السبب الذي يجعل الطلب يفشل حتى عندما تكون الأوزان الأساسية ستجيب عنه. تحقق من كيفية تعامل المزوّد مع هذا قبل البناء عليه.

نتيجة عملية: لا يمكنك "كسر القيود" للوصول إلى نموذج مختلف. إذا رفض مساعد شائع، فإن الموجه الذكي يساعد فقط حتى التحديث التالي. يتخطى النموذج بدون رقابة المشكلة من المصدر.

الاستخدامات المشروعة لرفض أقل

القائمة الصادقة لأسباب رغبة الناس في رفض أقل أطول من الوصف النمطي.

• الخيال وبناء العالم. تتعامل الروايات مع العنف والجريمة والحزن والقسوة. مساعد الكتابة الذي يكسر المشهد لتنبيهك يكون عديم الفائدة لرواية إثارة أو قصة حرب.
• لعب الأدوار وتطبيقات الرفقة للبالغين. تحتاج الدردشة القائمة على الشخصيات إلى نموذج يبقى في الشخصية عبر جلسات طويلة دون التوقف للتعليق.
• اختبار السلامة والمراجعة. تحتاج الفرق التي تبني فلاتر المحتوى إلى أمثلة واقعية للنص الذي تريد التقاطه. نموذج سيُنتج حالات صعبة يساعدهم على الاختبار.
• البحث والتحليل. تلخيص النصوص المتطرفة، دراسة الدعاية، أو مناقشة التاريخ الحساس أحيانًا يُفعّل فلاتر نموذج حذر على الرغم من أن الغرض واضح.
• مواضيع النصيحة الصريحة. الأسئلة حول المخدرات، أو تقليل الضرر، أو المناطق الرمادية القانونية تستحق إجابات مباشرة بدلاً من جدار من التحفظات. تذكر أن النموذج يمكن أن يكون خاطئًا، لذا لا تعامله كطبيب أو محامٍ.

لا يتطلب أي من هذه أي شيء غير قانوني، وجميعها تعمل بشكل أفضل مع نموذج يعامل المستخدم كبالغ.

كيفية الاتصال به: عنوان URL الأساسي والمفتاح ومعرف النموذج

تتبع واجهة برمجة التطبيقات تنسيق إكمال الدردشة الخاص بـ OpenAI، لذا فإن أي SDK متوافق أو عميل يعمل بمجرد تغيير قيمتين. عنوان URL الأساسي هو https://api.ornith.top/v1، ويذهب المفتاح في رأس Authorization: Bearer، ومعرف النموذج هو uncensored. طريقتان متاحتان: POST /v1/chat/completions و GET /v1/models.

ابدأ بطلب curl بسيط لتأكيد أن مفتاح API يعمل:

Copycurl https://api.ornith.top/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [
      {"role": "system", "content": "You are a blunt editor for adult fiction."},
      {"role": "user", "content": "Rewrite this scene so the villain sounds more menacing."}
    ]
  }'

في Python، استخدم الحزمة الرسمية openai وأشرها إلى عنوان URL الأساسي الجديد:

Copyfrom openai import OpenAI

client = OpenAI(
    base_url="https://api.ornith.top/v1",
    api_key="YOUR_API_KEY",
)

resp = client.chat.completions.create(
    model="uncensored",
    messages=[
        {"role": "system", "content": "You write dark fantasy for adult readers."},
        {"role": "user", "content": "Describe a siege from the point of view of a tired defender."},
    ],
    temperature=0.9,
)
print(resp.choices[0].message.content)

والنفس الشيء في Node:

Copyimport OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.ornith.top/v1",
  apiKey: process.env.API_KEY,
});

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Give me three bleak opening lines for a noir story." }],
  stream: true,
});

for await (const chunk of resp) {
  process.stdout.write(chunk.choices[0]?.delta?.content ?? "");
}

يعمل البث المتدفق عبر SSE مع stream: true، ويتم دعم استدعاء الأدوات ووضع JSON، ونافذة السياق هي 100,000 رمز تحسب الموجّه والرد معاً. تغطي وثائق API كل معلمة و رؤوس الاستجابة، بما في ذلك X-Balance-USD، الذي يظهر رصيدك المتبقي في كل استدعاء.

ما يكلفه، بأرقام حقيقية

التسعير يعتمد الدفع حسب الاستخدام من رصيد مسبق الدفع: $0.15 لكل مليون رمز (token) مدخل و$0.50 لكل مليون رمز (token) مخرج. لا يوجد اشتراك، ولا تُحسب الطلبات الفاشلة أو المرفوضة، ولا ينتهي الرصيد.

خذ دورة محادثة نموذجية مع موجّه بحجم 2,000 رمز (token) (رسالة النظام بالإضافة إلى السجل) ورد بحجم 500 رمز (token):

• المدخل: 2,000 رمز بسعر $0.15 لكل مليون هو $0.0003.
• الإخراج: 500 رمز بسعر $0.50 لكل 1M يساوي $0.00025.
• الإجمالي لكل جولة: $0.00055.

تتكلف ألف دورة من هذا النوع $0.55. لذلك يغطي رصيد التجربة بقيمة $0.50 حوالي 900 دورة من هذا الحجم، وهو ما يكفي لتقييم جودة الكتابة قبل الدفع. بالنسبة لمهمة أثقل، مثل 10 ملايين رمز (token) مدخل و2 مليون رمز (token) مخرج في شهر، تكون الفاتورة $1.50 بالإضافة إلى $1.00، أي ما مجموعه $2.50.

عند شحن الرصيد، يعمل أي مبلغ صحيح يتراوح بين $20 و$500، مع مكافأة بنسبة 5% من $50، و10% من $100، و15% من $200. يمكنك الدفع بالبطاقة (Visa، Mastercard، Apple Pay، Google Pay) أو بالعملات المشفرة (USDT على TRC20، USDC على Base). راجع صفحة التسعير للحصول على الجدول الكامل.

تجربته واختيار الخيارات

يمكن للمستخدمين الجدد المطالبة برصيد تجريبي بقيمة $0.50 بنقرة واحدة في صفحة مفتاح API بعد إنشاء الحساب باستخدام Google أو باستخدام البريد الإلكتروني وكلمة المرور. لا يتطلب بطاقة، وهو لكل شخص، وهو صالح لمدة 7 أيام. يسمح المفتاح التجريبي بـ 2 طلب متزامن و60 طلب في الدقيقة؛ بينما يسمح المفتاح الكامل بـ 8 طلبات متزامنة و300 طلب في الدقيقة. يمكنك الحصول على مفتاح API في دقيقة وتشغيل الأمثلة أعلاه.

النموذج المستضاف ليس الطريقة الوحيدة للحصول على رفض أقل. يمكنك أيضًا تنزيل نموذج مفتوح الأوزان وتشغيله على الأجهزة الخاصة بك، مما يمنحك تحكماً كاملاً ويعمل دون اتصال، مقابل سعر بطاقة رسومات قوية (GPU) وبعض الإعدادات. دليل API للLLM مفتوح المصدر يقارن الخيارات والتكاليف. تفوز الطريقة المستضافة عندما تريد عدم وجود أجهزة، ونقطة نهاية مستقرة لتطبيق، وفوترة تتكيف مع الصفر عندما لا أحد يستخدمها.

نقطة أخرى للأشخاص الذين يتعاملون مع نصوص حساسة: لا تُستخدم الموجّهات المرسلة إلى الخدمة في التدريب. اقرأ صفحة الخصوصية للحصول على التفاصيل.

المزيد من الأدلة

• أفضل LLM بدون رقابة للتشغيل محلياً مع Ollama
• API LLM بدون رقابة لـ SillyTavern: خطوات الإعداد
• دليل API LLM مفتوح المصدر: الإعداد، التكاليف والخيارات البديلة