LLM Tanpa Sensor: Makna dan Cara Penggunaannya

Apa sebenarnya LLM tanpa sensor

Sebagian besar produk chat membungkus model bahasa dalam lapisan perilaku penolakan. Sebagian dari hal itu dilatih ke dalam bobot, sebagian lagi berupa prompt sistem, dan sebagian lagi adalah filter terpisah yang membaca input Anda dan balasan. LLM tanpa sensor adalah model yang bobotnya disesuaikan sehingga lapisan pertama, yaitu penolakan yang dilatih, jauh lebih lemah. Model ini menjawab pertanyaan tentang tema gelap dalam fiksi, topik medis atau hukum yang blak-blakan, dan materi dewasa lainnya yang sering ditolak atau dihaluskan oleh asisten arus utama.

Kata ini agak kurang tepat. Tidak ada yang dihapus dari model seperti kabel yang terputus. Yang berubah adalah data pelatihan dan langkah penyesuaian. Model dasar mempelajari bahasa dari kumpulan teks yang sangat besar. Tahap selanjutnya mengajarkannya untuk mengikuti instruksi dan, biasanya, menolak daftar panjang permintaan. Varian tanpa sensor melewatkan sebagian besar pelatihan penolakan itu, atau menambahkan penyesuaian yang mendorong ke arah lain.

Layanan di balik situs ini menjalankan satu model bobot terbuka dari jenis ini, yang dioperasikan oleh penyedia independen. Ini bukan API resmi dari laboratorium besar mana pun, dan ini bukan router yang memilih antara vendor. Anda mendapatkan satu model, dengan ID uncensored, di balik endpoint chat completions standar.

Apa yang tidak berarti tanpa sensor

Ini tidak berarti model tidak memiliki batas. Ada satu garis keras di sini: tidak ada konten seksual yang melibatkan anak di bawah umur, selamanya. Layanan ini dibangun untuk penggunaan dewasa yang sah saja. Jika Anda membutuhkan model untuk hal lain di luar itu, ini adalah alat yang salah.

Ini juga tidak berarti model lebih pintar, lebih jujur, atau lebih akurat. Model dengan lebih sedikit penolakan masih membuat kesalahan, masih mengarang fakta ketika tidak tahu sesuatu, dan masih membutuhkan perawatan yang sama dengan prompt. Melepas penolakan mengubah apa yang bersedia dikatakannya, bukan seberapa baik model tersebut bernalar. Perlakukan outputnya seperti dari model lain apa pun: periksa apa pun yang penting.

Akhirnya, ini tidak berarti Anda dapat melewatkan tanggung jawab Anda sendiri. Jika Anda membangun aplikasi di atasnya, Anda memutuskan apa yang boleh dilakukan pengguna Anda, dan Anda memikul kewajiban untuk mengikuti hukum di tempat Anda dan mereka tinggal. Model yang tidak menolak adalah alat tanpa pengawal, jadi pengawal harus berasal dari produk Anda.

Penolakan, penghalusan, dan moralisasi adalah hal yang berbeda

Orang-orang menggabungkan tiga perilaku menjadi satu. Penolakan adalah "Saya tidak bisa membantu itu" yang datar. Penghalusan adalah jawaban yang terkubur di bawah pernyataan pembatas. Moralisasi adalah ceramah yang tidak diminta. Asisten arus utama sering melakukan ketiganya pada topik yang sama. Model tanpa sensor biasanya menghilangkan penolakan dan sebagian besar ceramah, itulah mengapa penulis fiksi dan pengembang roleplay menyukainya: output tetap dalam karakter alih-alih keluar dari adegan untuk mengomentari itu.

Dari mana perilaku itu berasal

Jika model menolak lebih sedikit, penyebabnya ada di salah satu dari empat tempat, dan penting untuk mengetahui mana, karena hanya beberapa di antaranya yang berada di bawah kendali Anda.

1. Data pelatihan dan penyetelan. Ini adalah sumber utama. Data ini bersifat tetap saat penyedia membangun model, dan Anda tidak dapat mengubahnya melalui API.
2. Prompt sistem. Anda mengendalikan ini. Pesan sistem yang jelas yang menetapkan peran, pengaturan, dan nada mengubah jawaban secara signifikan, bahkan pada model yang permisif.
3. Pengaturan sampling. Suhu dan top_p tidak memutuskan apa yang akan dibahas model, tetapi mereka mengubah seberapa beragam dan seberapa koheren teksnya. Ini diteruskan ke model.
4. Filter platform. Banyak API yang di-hosting menambahkan lapisan moderasi di depan model. Lapisan inilah alasan permintaan dapat gagal meskipun bobot dasarnya akan menjawabnya. Periksa bagaimana penyedia menangani ini sebelum Anda membangun di atasnya.

Konsekuensi praktis: Anda tidak dapat melakukan "jailbreak" untuk mendapatkan model yang berbeda. Jika asisten arus utama menolak, prompt yang cerdas hanya membantu hingga pembaruan berikutnya. Model tanpa sensor mengatasi masalah di sumbernya.

Penggunaan yang sah untuk lebih sedikit penolakan

Daftar jujur alasan orang menginginkan lebih sedikit penolakan lebih panjang dari stereotip yang disarankan.

• Fiksi dan pembangunan dunia. Novel berurusan dengan kekerasan, kejahatan, duka, dan kekejaman. Asisten menulis yang memecah adegan untuk memperingatkan Anda tidak berguna untuk thriller atau cerita perang.
• Roleplay dan aplikasi pendamping untuk dewasa. Obrolan berbasis karakter membutuhkan model yang tetap dalam karakter selama sesi panjang tanpa berhenti untuk mengedit.
• Pengujian keamanan dan moderasi. Tim yang membangun filter konten membutuhkan contoh realistis dari teks yang ingin mereka tangkap. Model yang akan menghasilkan kasus keras membantu mereka menguji.
• Penelitian dan analisis. Meringkas teks ekstremis, mempelajari propaganda, atau membahas sejarah sensitif terkadang memicu filter model yang hati-hati meskipun tujuannya jelas.
• Topik saran jujur. Pertanyaan tentang obat-obatan, pengurangan bahaya, atau area abu-abu hukum layak mendapat jawaban langsung daripada dinding peringatan. Ingatlah bahwa model bisa salah, jadi jangan menganggapnya sebagai dokter atau pengacara.

Tidak satu pun dari ini memerlukan sesuatu yang tidak sah, dan semuanya bekerja lebih baik dengan model yang memperlakukan pengguna sebagai orang dewasa.

Cara memanggilnya: base URL, kunci, dan ID model

API mengikuti format penyelesaian chat OpenAI, sehingga SDK OpenAI atau klien kompatibel apa pun berfungsi setelah Anda mengubah dua nilai. Base URL adalah https://api.ornith.top/v1, kunci masuk ke header Authorization: Bearer, dan ID model adalah uncensored. Dua metode tersedia: POST /v1/chat/completions dan GET /v1/models.

Mulailah dengan permintaan curl biasa untuk mengkonfirmasi bahwa kunci Anda berfungsi:

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."}
    ]
  }'

Dalam Python, gunakan paket openai resmi dan arahkan ke base URL baru:

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)

Dan yang sama di 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 bekerja melalui SSE dengan stream: true, pemanggilan fungsi dan mode JSON didukung, dan jendela konteks adalah 100.000 token yang menghitung prompt dan balasan secara bersamaan. Dokumentasi API mencakup setiap parameter dan header respons, termasuk X-Balance-USD, yang menunjukkan sisa saldo Anda pada setiap panggilan.

Biayanya, dengan angka nyata

Harga adalah bayar sesuai penggunaan dari kredit prabayar: $0.15 per 1M token input dan $0.50 per 1M token output. Tidak ada langganan, permintaan yang gagal atau ditolak tidak dikenakan biaya, dan kredit tidak pernah kedaluwarsa.

Ambil giliran chat biasa dengan prompt 2.000 token (pesan sistem plus riwayat) dan balasan 500 token:

• Input: 2.000 token pada $0,15 per 1M adalah $0,0003.
• Output: 500 token pada $0,50 per 1M adalah $0,00025.
• Total per putaran: $0,00055.

Seribu putaran seperti itu berharga $0.55. Kredit uji coba sebesar $0.50 oleh karena itu mencakup sekitar 900 putaran berukuran itu, yang cukup untuk menilai kualitas penulisan sebelum Anda membayar apa pun. Untuk pekerjaan yang lebih berat, misalnya 10 juta token input dan 2 juta token output dalam sebulan, tagihannya adalah $1.50 ditambah $1.00, sehingga total $2.50.

Saat Anda melakukan isi saldo, jumlah bulat apa pun dari $20 hingga $500 dapat digunakan, dengan bonus 5% dari $50, 10% dari $100, dan 15% dari $200. Anda dapat membayar dengan kartu (Visa, Mastercard, Apple Pay, Google Pay) atau dengan kripto (USDT pada TRC20, USDC pada Base). Lihat halaman harga untuk tabel lengkapnya.

Mencobanya dan memilih antara opsi

Pengguna baru dapat mengklaim $0,50 kredit percobaan dengan satu klik di halaman kunci API setelah mendaftar dengan Google atau dengan email dan kata sandi. Tidak perlu kartu, satu per orang, dan berlaku selama 7 hari. Kunci percobaan memungkinkan 2 permintaan bersamaan dan 60 permintaan per menit; kunci penuh memungkinkan 8 permintaan bersamaan dan 300 per menit. Anda dapat mendapatkan kunci API dalam satu menit dan menjalankan contoh-contoh di atas.

Model yang di-hosting bukan satu-satunya cara untuk mendapatkan lebih sedikit penolakan. Anda juga dapat mengunduh model bobot terbuka dan menjalankannya di perangkat keras Anda sendiri, yang memberi Anda kontrol penuh dan berfungsi secara offline, dengan biaya GPU yang mumpuni dan beberapa penyiapan. Panduan API LLM sumber terbuka kami membandingkan opsi dan biayanya. Jalur yang di-hosting menang ketika Anda menginginkan tidak adanya perangkat keras, endpoint yang stabil untuk aplikasi, dan penagihan yang diskalakan ke nol ketika tidak ada yang menggunakannya.

Satu poin lagi untuk orang yang menangani teks sensitif: prompt yang dikirim ke layanan tidak digunakan untuk pelatihan. Baca halaman privasi untuk detailnya.

Panduan lainnya

• LLM Tanpa Sensor Terbaik untuk Dijalankan Secara Lokal Dengan Ollama
• API LLM Tanpa Sensor untuk SillyTavern: Langkah-langkah Penyiapan
• Panduan API LLM Open Source: Penyiapan, Biaya, dan Alternatif