Unzensiertes LLM: Was es bedeutet und wie man es nutzt

Was ein unzensiertes LLM tatsächlich ist

Die meisten Chat-Produkte wickeln ein Sprachmodell in Schichten von Ablehnungsverhalten ein. Ein Teil davon ist in die Gewichte trainiert, ein Teil ist ein System-Prompt und ein Teil ist ein separater Filter, der deine Eingabe und die Antwort liest. Ein unzensiertes LLM ist ein Modell, dessen Gewichte so abgestimmt wurden, dass die erste Schicht, die trainierten Ablehnungen, viel schwächer ist. Es beantwortet Fragen zu düsteren Themen in der Fiktion, ungeschönten medizinischen oder rechtlichen Themen und anderem erwachsenen Material, das ein Mainstream-Assistant oft ablehnt oder abschwächt.

Das Wort ist etwas irreführend. Es wurde nichts aus dem Modell entfernt wie ein durchtrenntes Kabel. Was sich ändert, sind die Trainingsdaten und die Abstimmungsschritte. Ein Basismodell lernt Sprache aus einer riesigen Textsammlung. Eine spätere Phase bringt ihm bei, Anweisungen zu befolgen und normalerweise eine lange Liste von Anfragen abzulehnen. Eine unzensierte Variante überspringt die meisten dieser Ablehnungstrainings oder fügt eine Abstimmung hinzu, die in die andere Richtung geht.

Der Dienst hinter dieser Website betreibt ein solches Open-Weight-Modell, betrieben von einem unabhängigen Anbieter. Es ist nicht die offizielle API eines großen Labors und kein Router, der zwischen Anbietern wählt. Du erhältst ein Modell mit der ID uncensored hinter einem Standard-Chat-Completions-Endpunkt.

Was unzensiert nicht bedeutet

Es bedeutet nicht, dass das Modell keine Grenzen hat. Es gibt eine harte Grenze hier: Kein sexueller Inhalt, der Minderjährige betrifft, niemals. Der Dienst ist nur für die rechtmäßige Nutzung durch Erwachsene gebaut. Wenn du ein Modell für etwas anderes brauchst, ist dies das falsche Werkzeug.

Es bedeutet auch nicht, dass das Modell intelligenter, ehrlicher oder genauer ist. Ein Modell mit weniger Ablehnungen macht immer noch Fehler, erfindet immer noch Fakten, wenn es etwas nicht weiß, und benötigt immer noch die gleiche Sorgfalt bei Prompts. Das Weglassen von Ablehnungen ändert, was es bereit ist zu sagen, nicht wie gut es schlussfolgert. Behandle seine Ausgabe so wie die eines anderen Modells: Prüfe alles, was wichtig ist.

Schließlich bedeutet es nicht, dass du deine eigene Verantwortung überspringen kannst. Wenn du eine App darauf aufbaust, entscheidest du, was deine Nutzer tun dürfen, und trägst die Pflicht, dem Gesetz dort zu folgen, wo du und sie leben. Ein Modell, das nicht ablehnt, ist ein Werkzeug ohne Schutz, also muss der Schutz von deinem Produkt kommen.

Ablehnungen, Abschwächungen und Moralismus sind unterschiedliche Dinge

Menschen werfen drei Verhaltensweisen in einen Topf. Eine Ablehnung ist ein klares „Ich kann dabei nicht helfen“. Abschwächung ist eine Antwort, die unter Hinweisen begraben ist. Moralismus ist ein nicht angefordertes Vortragen. Ein Mainstream-Assistant macht oft alle drei zum selben Thema. Ein unzensiertes Modell lässt typischerweise die Ablehnung und den Großteil des Vortrags weg, weshalb Schriftsteller und Roleplay-Entwickler es mögen: Die Ausgabe bleibt in der Rolle, anstatt aus der Szene zu treten, um darüber zu kommentieren.

Woher das Verhalten stammt

Wenn ein Modell weniger ablehnt, liegt die Ursache an einem von vier Orten, und es hilft zu wissen, welche, weil nur einige davon unter deiner Kontrolle stehen.

1. Trainingsdaten und Tuning. Dies ist die Hauptquelle. Sie ist fest, wenn der Anbieter das Modell erstellt, und du kannst sie über die API nicht ändern.
2. Der System-Prompt. Du hast die Kontrolle darüber. Eine klare Systemnachricht, die eine Rolle, einen Ort und einen Ton festlegt, ändert die Antworten stark, selbst bei einem permissiven Modell.
3. Sampling-Einstellungen. Temperatur und top_p entscheiden nicht darüber, was das Modell behandelt, aber sie beeinflussen, wie abwechslungsreich und kohärent der Text ist. Diese Parameter werden an das Modell weitergegeben.
4. Plattform-Filter. Viele gehostete APIs fügen vor dem Modell eine Moderationsschicht ein. Diese Schicht ist der Grund, warum eine Anfrage fehlschlagen kann, obwohl die zugrunde liegenden Gewichte sie beantworten würden. Prüfe, wie ein Anbieter damit umgeht, bevor du darauf aufbaust.

Eine praktische Konsequenz: Du kannst dich nicht „jailbreaken“, um zu einem anderen Modell zu gelangen. Wenn ein Mainstream-Assistant ablehnt, hilft ein cleverer Prompt nur bis zum nächsten Update. Ein unzensiertes Modell überspringt das Problem an der Quelle.

Berechtigte Anwendungen für weniger Ablehnungen

Die ehrliche Liste der Gründe, warum Menschen weniger Ablehnungen wollen, ist länger als das Stereotyp vermuten lässt.

• Fiktion und Weltaufbau. Romane behandeln Gewalt, Kriminalität, Trauer und Grausamkeit. Ein Schreibassistent, der die Szene unterbricht, um dich zu warnen, ist für einen Thriller oder eine Kriegsgeschichte nutzlos.
• Roleplay- und Companion-Apps für Erwachsene. Charaktergetriebene Chats benötigen ein Modell, das über lange Sitzungen hinweg in der Rolle bleibt, ohne dazwischen zu kommentieren.
• Sicherheits- und Moderationstests. Teams, die Inhaltsfilter entwickeln, benötigen realistische Beispiele für den Text, den sie abfangen möchten. Ein Modell, das schwierige Fälle erzeugt, hilft ihnen beim Testen.
• Forschung und Analyse. Das Zusammenfassen extremistischer Texte, das Studieren von Propaganda oder das Diskutieren sensibler Geschichte löst manchmal die Filter eines vorsichtigen Modells aus, obwohl der Zweck klar ist.
• Direkte Ratschläge. Fragen zu Drogen, Schadensminimierung oder rechtlichen Grauzonen verdienen direkte Antworten statt einer Mauer an Einschränkungen. Denke daran, dass das Modell falsch liegen kann, also behandle es nicht als Arzt oder Anwalt.

Keines davon erfordert etwas Illegales, und alle funktionieren besser mit einem Modell, das den Nutzer als Erwachsenen behandelt.

So rufst du es auf: Base URL, Schlüssel und Modell-ID

Die API folgt dem OpenAI-Format für Chat-Vervollständigungen, sodass jedes OpenAI-SDK oder ein kompatibler Client funktioniert, sobald du zwei Werte änderst. Die Basis-URL ist https://api.ornith.top/v1, der Schlüssel wird in einem Authorization: Bearer-Header angegeben, und die Modell-ID ist uncensored. Zwei Methoden sind verfügbar: POST /v1/chat/completions und GET /v1/models.

Starte mit einer einfachen curl-Anfrage, um zu bestätigen, dass dein Schlüssel funktioniert:

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."}
    ]
  }'

Verwende in Python das offizielle openai-Paket und verweise es auf die neue Basis-URL:

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)

Und dasselbe in 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 ?? "");
}

Streaming funktioniert über SSE mit stream: true, Function Calling und JSON-Modus werden unterstützt, und das Kontextfenster umfasst 100.000 Token, gezählt aus Prompt und Antwort zusammen. Die API-Dokumentation deckt jeden Parameter und die Antwort-Header ab, einschließlich X-Balance-USD, das dein verbleibendes Guthaben bei jedem Aufruf anzeigt.

Was es kostet, mit echten Zahlen

Die Preisgestaltung ist Pay as you go vom Prepaid-Guthaben: $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token. Es gibt kein Abonnement, fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet, und Guthaben verfällt nie.

Nimm eine typische Chat-Anfrage mit einem 2.000-Token-Prompt (Systemnachricht plus Verlauf) und einer 500-Token-Antwort:

• Input: 2.000 Token bei $0,15 pro 1M ergeben $0,0003.
• Output: 500 Token bei $0,50 pro 1M ergeben $0,00025.
• Gesamt pro Runde: $0,00055.

Tausend solcher Anfragen kosten $0,55. Das $0,50 Testguthaben deckt daher etwa 900 Anfragen dieser Größe ab, was mehr als genug ist, um die Schreibqualität zu beurteilen, bevor du etwas bezahlst. Für eine schwerere Aufgabe, sagen wir 10M Input-Token und 2M Output-Token in einem Monat, beträgt die Rechnung $1,50 plus $1,00, also $2,50.

Wenn du dein Guthaben auflädst, funktioniert jeder ganze Betrag von $20 bis $500, mit einem Bonus von 5 % ab $50, 10 % ab $100 und 15 % ab $200. Du kannst mit der Karte (Visa, Mastercard, Apple Pay, Google Pay) oder mit Krypto (USDT auf TRC20, USDC auf Base) bezahlen. Sieh dir die Preisseite für die vollständige Tabelle an.

Es ausprobieren und zwischen Optionen wählen

Neue Nutzer können $0.50 an Trial Credit mit einem Klick auf der API-Schlüssel-Seite nach der Anmeldung mit Google oder mit E-Mail und Passwort beanspruchen. Es wird keine Karte benötigt, es ist eine pro Person und es ist 7 Tage gültig. Ein Trial Key erlaubt 2 parallele Anfragen und 60 Anfragen pro Minute; ein vollständiger Key erlaubt 8 parallele und 300 pro Minute. Du kannst in einer Minute einen API-Schlüssel erhalten und die obigen Beispiele ausführen.

Ein gehostetes Modell ist nicht der einzige Weg, um weniger Ablehnungen zu erhalten. Du kannst auch ein Open-Weight-Modell herunterladen und auf deiner eigenen Hardware ausführen, was dir volle Kontrolle gibt und offline funktioniert, zum Preis einer leistungsfähigen GPU und etwas Einrichtung. Unser Open-Source-LLM-API-Leitfaden vergleicht die Optionen und die Kosten. Die gehostete Variante gewinnt, wenn du keine Hardware willst, einen stabilen Endpunkt für eine App und Abrechnung, die auf null skaliert, wenn niemand es nutzt.

Ein weiterer Punkt für alle, die sensible Texte verarbeiten: Prompts, die an den Dienst gesendet werden, werden nicht zum Training verwendet. Lies die Datenschutzseite für Details.

Weitere Anleitungen

• Bestes Uncensored LLM zum Lokalen Ausführen mit Ollama
• Uncensored LLM API für SillyTavern: Einrichtungsschritte
• Open-Source-LLM-API-Leitfaden: Einrichtung, Kosten und Alternativen