Ongecensureerd LLM: Wat het betekent en hoe je er een gebruikt

Wat een ongecensureerd LLM eigenlijk is

De meeste chatproducten wikkelen een taalmodel in lagen van weigergedrag. Een deel daarvan is getraind in de gewichten, een deel is een systeemprompt en een deel is een aparte filter die je input en het antwoord leest. Een ongecensureerd LLM is een model waarvan de gewichten zijn afgestemd zodat de eerste laag, de getrainde weigeringen, veel zwakker is. Het beantwoordt vragen over donkere thema's in fictie, bot medische of juridische onderwerpen en ander volwassen materiaal dat een mainstream assistent vaak weigert of verzacht.

De term is een beetje misleidend. Er is niets uit het model verwijderd, zoals een doorgeknipte kabel. Wat verandert, is de trainingsdata en de tuningstappen. Een basismodel leert taal uit een enorme tekstverzameling. In een latere fase leert men het om instructies op te volgen en meestal om een lange lijst van verzoeken te weigeren. Een ongecensureerde variant slaat de meeste van die weigeringstraining over, of voegt tuning toe die de andere kant op duwt.

De dienst achter deze site draait één open-weight model van dit soort, beheerd door een onafhankelijke provider. Het is niet de officiële API van een groot lab, en het is geen router die kiest tussen vendors. Je krijgt één model, met de ID uncensored, achter een standaard chat-completies-eindpunt.

Wat ongecensureerd niet betekent

Het betekent niet dat het model geen limieten heeft. Er is één harde lijn: geen seksuele inhoud met minderjarigen, ooit. De dienst is uitsluitend gebouwd voor wettelijk volwassen gebruik. Als je een model nodig hebt voor iets anders, is dit de verkeerde tool.

Het betekent ook niet dat het model slimmer, eerlijker of nauwkeuriger is. Een model met minder weigeringen maakt nog steeds fouten, verzint nog steeds feiten als het iets niet weet, en heeft nog steeds dezelfde zorg bij prompts nodig. Het wegvallen van weigeringen verandert wat het bereid is te zeggen, niet hoe goed het redeneert. Behandel de output alsof het van elk ander model komt: controleer alles wat van belang is.

Tot slot betekent het niet dat je je eigen verantwoordelijkheid kunt overslaan. Als je een app bouwt erboven, beslis je wat je gebruikers mogen doen, en draag je de plicht om de wet te volgen waar jij en zij wonen. Een model dat niet weigert is een tool zonder bewaking, dus de bewaking moet van jouw product komen.

Weigeringen, aarzeling en moraliseren zijn verschillende dingen

Mensen proppen drie gedragingen samen. Een weigering is een platte "Ik kan daar niet mee helpen". Aarzelend omzichtig antwoorden is een antwoord dat onder disclaimers begraven ligt. Moraliseren is een ongevraagde preek. Een mainstream assistent doet vaak alle drie op hetzelfde onderwerp. Een ongecensureerd model laat meestal de weigering en het grootste deel van de preek vallen, daarom vinden fictie schrijvers en roleplay developers het leuk: de output blijft in character in plaats van uit de scene te stappen om erover te commentaren.

Waar het gedrag vandaan komt

Als een model minder weigert, zit de oorzaak op een van de vier plaatsen, en het helpt om te weten welke, omdat maar sommige van hen onder jouw controle staan.

1. Training data en tuning. Dit is de belangrijkste bron. Het is vast wanneer de provider het model bouwt, en je kunt het niet veranderen van de API.
2. De system prompt. Je controleert deze. Een duidelijk systeembericht dat een rol, een setting en een toon vastlegt verandert de antwoorden veel, zelfs op een permissief model.
3. Sampling settings. Temperature en top_p beslissen niet wat het model zal bespreken, maar ze veranderen hoe gevarieerd en hoe coherent de tekst is. Deze worden doorgegeven aan het model.
4. Platformfilters. Veel gehoste APIs voegen een moderatielaag voor het model. Die laag is de reden dat een verzoek kan falen zelfs wanneer de onderliggende gewichten het zouden beantwoorden. Controleer hoe een provider dit behandelt voordat je erop bouwt.

Een praktische consequentie: je kunt niet "jailbreak" je weg naar een ander model. Als een mainstream assistent weigert, helpt een slimme prompt alleen tot de volgende update. Een ongecensureerd model slaat het probleem bij de bron over.

Legitieme toepassingen voor minder weigeringen

De eerlijke lijst van redenen waarom mensen minder weigeringen willen is langer dan het stereotype suggereert.

• Fictie en worldbuilding. Romans gaan over geweld, misdaad, rouw en wreedheid. Een schrijfassistent die de scène breekt om je te waarschuwen is nutteloos voor een thriller of een oorlogsverhaal.
• Roleplay en companion apps voor volwassenen. Chat die om personages draait heeft een model nodig dat in karakter blijft over lange sessies zonder te stoppen om te editorialiseren.
• Veiligheids- en moderatietesten. Teams die inhoudsfilters bouwen hebben realistische voorbeelden nodig van de tekst die ze willen vangen. Een model dat moeilijke gevallen kan produceren, helpt hen bij het testen.
• Onderzoek en analyse. Het samenvatten van extremistische teksten, het bestuderen van propaganda, of het bespreken van gevoelige geschiedenis kan soms de filters van een voorzichtig model triggeren, hoewel het doel duidelijk is.
• Eerlijk advies over onderwerpen. Vragen over drugs, schadevermindering of juridische grijze gebieden verdienen directe antwoorden in plaats van een muur van kanttekeningen. Onthoud dat het model fout kan zijn, dus behandel het niet als een dokter of advocaat.

Geen van deze vereist iets onwettigs, en allemaal werken ze beter met een model dat de gebruiker behandelt als een volwassene.

Hoe het aan te roepen: basis-URL, sleutel en model-ID

De API volgt het OpenAI-chatcompletieformaat, dus elke OpenAI SDK of compatibele client werkt zodra je twee waarden verandert. De basis-URL is https://api.ornith.top/v1, de sleutel gaat in een Authorization: Bearer-header, en de model-ID is uncensored. Twee methoden zijn beschikbaar: POST /v1/chat/completions en GET /v1/models.

Begin met een eenvoudige curl-request om te bevestigen dat je sleutel werkt:

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."}
    ]
  }'

Gebruik in Python het officiële openai-pakket en wijs het naar de nieuwe 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)

En hetzelfde 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 werkt via SSE met stream: true, toolaanroepen en JSON-modus worden ondersteund, en het contextvenster is 100.000 tokens, tellend prompt en antwoord samen. De API-documentatie behandelt elke parameter en de response-headers, inclusief X-Balance-USD, wat je resterende tegoed toont bij elke aanroep.

Wat het kost, met echte cijfers

Prijzen zijn pay-as-you-go van vooruitbetaald tegoed: $0,15 per 1 miljoen invoertokens en $0,50 per 1 miljoen uitvoertokens. Er is geen abonnement, mislukte of geweigerde verzoeken worden niet in rekening gebracht, en tegoed verloopt nooit.

Neem een typische chatbeurt met een prompt van 2.000 tokens (systeembericht plus geschiedenis) en een antwoord van 500 tokens:

• Input: 2.000 tokens tegen $0,15 per 1M is $0,0003.
• Output: 500 tokens tegen $0,50 per 1M is $0,00025.
• Totaal per beurt: $0,00055.

Duizend zulke beurten kosten $0,55. Het $0,50 proeftegoed dekt dus ongeveer 900 beurten van die grootte, wat genoeg is om de schrijfkwaliteit te beoordelen voordat je iets betaalt. Voor een zwaardere taak, zeg 10 miljoen invoertokens en 2 miljoen uitvoertokens in een maand, is de rekening $1,50 plus $1,00, dus $2,50.

Wanneer je tegoed oplaadt, werkt elk heel bedrag van $20 tot $500, met een bonus van 5% vanaf $50, 10% vanaf $100 en 15% vanaf $200. Je kunt betalen met een kaart (Visa, Mastercard, Apple Pay, Google Pay) of met crypto (USDT op TRC20, USDC op Base). Zie de prijzenpagina voor de volledige tabel.

Het proberen en kiezen tussen opties

Nieuwe gebruikers kunnen $0,50 aan proeftegoed claimen met één klik op de API-sleutelpagina na het aanmelden met Google of met e-mail en wachtwoord. Je hebt geen kaart nodig, het is één per persoon, en het is 7 dagen geldig. Een proefsleutel staat 2 gelijktijdige verzoeken en 60 verzoeken per minuut toe; een volledige sleutel staat 8 gelijktijdige en 300 per minuut toe. Je kunt een API key krijgen in een minuut en de bovenstaande voorbeelden uitvoeren.

Een gehost model is niet de enige manier om minder weigeringen te krijgen. Je kunt ook een open-weight model downloaden en het op je eigen hardware draaien, wat je volledige controle geeft en offline werkt, tegen de prijs van een krachtige GPU en wat installatie. Onze gids voor open source LLM API's vergelijkt de opties en de kosten. De gehoste route wint wanneer je geen hardware wilt, een stabiel eindpunt voor een app, en facturatie die schaleert naar nul wanneer niemand het gebruikt.

Een extra punt voor mensen die gevoelige tekst verwerken: prompts die naar de dienst worden gestuurd, worden niet gebruikt voor training. Lees de privacy pagina voor meer details.

Meer handleidingen

• Beste Ongecensureerd LLM om Lokaal te Draaien Met Ollama
• Ongecensureerde LLM API voor SillyTavern: Installatiestappen
• Gids voor open source LLM API's: Installatie, kosten en alternatieven