LLM แบบไม่เซ็นเซอร์: ความหมายและการใช้งาน ความหมายและการใช้งาน

LLM แบบไม่เซ็นเซอร์จริงๆ คืออะไร

ผลิตภัณฑ์แชทส่วนใหญ่ห่อหุ้มโมเดลภาษาด้วยชั้นพฤติกรรมปฏิเสธ บางส่วนถูกฝึกเข้าไปในน้ำหนัก บางส่วนเป็นพรอมต์ระบบ และบางส่วนเป็นตัวกรองแยกที่อ่านข้อมูลนำเข้าและคำตอบของคุณ LLM แบบไม่เซ็นเซอร์คือโมเดลที่ปรับน้ำหนักเพื่อให้ชั้นแรกของการปฏิเสธที่ฝึกไว้มีความอ่อนแอลงมาก มันตอบคำถามเกี่ยวกับธีมมืดในนิยาย หัวข้อทางการแพทย์หรือกฎหมายที่ตรงไปตรงมา และเนื้อหาผู้ใหญ่ที่ผู้ช่วยกระแสหลักมักปฏิเสธหรือทำให้เจือจาง

คำนี้เป็นคำที่เรียกผิดไปเล็กน้อย ไม่ได้มีการตัดส่วนใดออกจากโมเดลเหมือนสายไฟขาด สิ่งที่เปลี่ยนแปลงคือข้อมูลการฝึกและขั้นตอนการปรับแต่ง โมเดลพื้นฐานเรียนรู้ภาษาจากชุดข้อความขนาดใหญ่ ขั้นตอนที่ตามมาจะสอนให้มันปฏิบัติตามคำสั่งและมักจะปฏิเสธคำขอจำนวนมาก รุ่นที่ไร้การเซ็นเซอร์จะข้ามขั้นตอนการปฏิเสธส่วนใหญ่ หรือเพิ่มการปรับแต่งที่ผลักไปในทิศทางตรงกันข้าม

บริการที่อยู่เบื้องหลังเว็บไซต์นี้รันโมเดลแบบเปิดน้ำหนักหนึ่งตัวโดยผู้ให้บริการอิสระ ไม่ใช่ API ทางการของแล็บใหญ่ใดๆ และไม่ใช่ตัวจัดเส้นทางที่เลือกผู้ขาย คุณจะได้โมเดลหนึ่งตัวที่มี ID uncensored ที่อยู่ด้านหลังเอนด์พอยต์การเสร็จสิ้นการแชทมาตรฐาน

สิ่งที่ "ไม่เซ็นเซอร์" ไม่ได้หมายถึง

ไม่ได้หมายถึงว่าโมเดลไม่มีขีดจำกัด มีเส้นห้ามข้ามเส้นหนึ่งที่นี่: ไม่มีเนื้อหาทางเพศที่เกี่ยวข้องกับผู้เยาว์เลย บริการนี้สร้างมาเพื่อการใช้งานผู้ใหญ่ที่ถูกต้องตามกฎหมายเท่านั้น หากคุณต้องการโมเดลสำหรับวัตถุประสงค์อื่นนอกเหนือจากนี้ นี่คือเครื่องมือที่ไม่ถูกต้อง

ไม่ได้หมายถึงว่าโมเดลฉลาดขึ้น ซื่อสัตย์ขึ้น หรือแม่นยำขึ้น โมเดลที่มีการปฏิเสธน้อยลงยังคงทำผิดพลาด ยังคงประดิษฐ์ข้อเท็จจริงเมื่อไม่รู้จักสิ่งนั้น และยังคงต้องการการดูแลพรอมต์เช่นเดิม การลดการปฏิเสธเปลี่ยนแปลงสิ่งที่โมเดลยินดีที่จะพูด ไม่ใช่ความสามารถในการให้เหตุผล ให้ปฏิบัติกับผลลัพธ์ของมันเหมือนโมเดลอื่นๆ: ตรวจสอบสิ่งที่สำคัญ

สุดท้าย ไม่ได้หมายถึงว่าคุณสามารถละความรับผิดชอบของคุณได้ หากคุณสร้างแอปพลิเคชันบนพื้นฐานนี้ คุณเป็นผู้ตัดสินใจว่าผู้ใช้ของคุณทำอะไรได้บ้าง และคุณมีหน้าที่ต้องปฏิบัติตามกฎหมายในพื้นที่ที่คุณและพวกเขาอาศัยอยู่ โมเดลที่ไม่ปฏิเสธเป็นเครื่องมือที่ไม่มีรั้วกั้น ดังนั้นรั้วกั้นต้องมาจากผลิตภัณฑ์ของคุณ

การปฏิเสธ การพูดกำกวม และการสั่งสอนศีลธรรมเป็นสิ่งที่แตกต่างกัน

ผู้คนมัก จัดกลุ่ม สามพฤติกรรมเข้าด้วยกัน การปฏิเสธคือการตอบว่า "ฉันไม่สามารถช่วยเรื่องนั้นได้" การพูดกำกวมคือการตอบที่ซ่อนอยู่ภายใต้คำเตือน การสั่งสอนศีลธรรมคือการบรรยายที่ไม่ได้รับเชิญ ผู้ช่วยทั่วไปมักทำทั้งสามอย่างในหัวข้อเดียวกัน โมเดลแบบไม่เซ็นเซอร์โดยทั่วไปจะตัดการปฏิเสธและการบรรยายส่วนใหญ่ทิ้ง ซึ่งเป็นเหตุผลที่นักเขียนนิยายและนักพัฒนา roleplay ชอบมัน: ผลลัพธ์ยังคงอยู่ในตัวละครแทนที่จะก้าวออกจากฉากเพื่อแสดงความคิดเห็นเกี่ยวกับมัน

ที่มาของพฤติกรรม

หากโมเดลปฏิเสธน้อยลง สาเหตุอยู่ในหนึ่งในสี่จุด และการรู้ว่าเป็นจุดใดก็ช่วยได้ เพราะมีเพียงบางจุดเท่านั้นที่อยู่ภายใต้การควบคุมของคุณ

1. ข้อมูลการฝึกและการปรับแต่ง นี่คือแหล่งข้อมูลหลัก มันคงที่เมื่อผู้สร้างสร้างโมเดล และคุณไม่สามารถเปลี่ยนมันผ่าน API ได้
2. พรอมต์ระบบ คุณควบคุมสิ่งนี้ ข้อความระบบที่ชัดเจนที่กำหนดบทบาท สถานที่ และโทนเสียงเปลี่ยนแปลงคำตอบได้อย่างมาก แม้บนโมเดลที่อนุญาต
3. ค่าการสุ่มตัวอย่าง Temperature และ top_p ไม่ได้ตัดสินใจว่าโมเดลจะพูดคุยเรื่องใด แต่พวกมันเปลี่ยนความหลากหลายและความสอดคล้องของข้อความ ค่าเหล่านี้จะถูกส่งผ่านไปยังโมเดล
4. ตัวกรองแพลตฟอร์ม API ที่โฮสต์จำนวนมากเพิ่มชั้นการตรวจสอบเนื้อหาไว้ด้านหน้าโมเดล ชั้นนี้คือเหตุผลที่คำขออาจล้มเหลวแม้ว่าน้ำหนักพื้นฐานจะตอบได้ ตรวจสอบว่าผู้ให้บริการจัดการเรื่องนี้อย่างไรก่อนที่คุณจะสร้างบนพื้นฐานนั้น

ผลลัพธ์ในทางปฏิบัติ: คุณไม่สามารถ "jailbreak" เพื่อเข้าถึงโมเดลอื่นได้ หากผู้ช่วยทั่วไปปฏิเสธ พรอมต์ที่ชาญฉลาดจะช่วยได้เพียงจนกว่าการอัปเดตครั้งถัดไป โมเดลแบบไม่เซ็นเซอร์ข้ามปัญหานี้ที่แหล่งที่มา

การใช้งานที่ถูกต้องสำหรับการปฏิเสธที่น้อยลง

รายการเหตุผลที่แท้จริงที่ผู้คนต้องการการปฏิเสธที่น้อยลงนั้นยาวกว่าที่ภาพจำทั่วไปแนะนำ

• นวนิยายและการสร้างโลกนวนิยายเกี่ยวข้องกับความรุนแรง อาชญากรรม ความโศกเศร้า และความโหดร้าย ผู้ช่วยการเขียนที่ทำลายฉากเพื่อเตือนคุณนั้นไร้ประโยชน์สำหรับเรื่องระทึกขวัญหรือเรื่องราวสงคราม
• แอปพลิเคชัน roleplay และเพื่อนสนทนาสำหรับผู้ใหญ่ การแชทที่ขับเคลื่อนด้วยตัวละครต้องการโมเดลที่ยังคงอยู่ในตัวละครตลอดเซสชันที่ยาวนานโดยไม่หยุดเพื่อแสดงความคิดเห็น
• การทดสอบความปลอดภัยและการตรวจสอบเนื้อหา ทีมที่สร้างตัวกรองเนื้อหาต้องการตัวอย่างที่แท้จริงของข้อความที่พวกเขาต้องการจับ โมเดลที่สามารถผลิตกรณีที่ยากลำบากได้ช่วยพวกเขาทดสอบ
• การวิจัยและการวิเคราะห์ การสรุปข้อความสุดโต่ง การศึกษาโฆษณาชวนเชื่อ หรือการอภิปรายประวัติศาสตร์ที่อ่อนไหวบางครั้งทำให้ตัวกรองของโมเดลที่ระมัดระวังทำงานแม้ว่าจุดประสงค์จะชัดเจน
• หัวข้อคำแนะนำแบบตรงไปตรงมา คำถามเกี่ยวกับยา การลดอันตราย หรือพื้นที่สีเทาทางกฎหมายสมควรได้รับคำตอบที่ตรงไปตรงมาแทนกำแพงของข้อควรระวัง จำไว้ว่าโมเดลอาจผิดได้ ดังนั้นอย่าถือว่าโมเดลเป็นแพทย์หรือทนายความ

สิ่งเหล่านี้ไม่ต้องการอะไรที่ผิดกฎหมาย และทั้งหมดทำงานได้ดีขึ้นด้วยโมเดลที่ปฏิบัติต่อผู้ใช้เป็นผู้ใหญ่

วิธีการเรียกใช้: Base URL, คีย์ API และ ID โมเดล

API ปฏิบัติตามรูปแบบ chat completions ของ OpenAI ดังนั้น SDK ของ OpenAI หรือไคลเอนต์ที่เข้ากันได้ใดๆ จะใช้งานได้ทันทีหลังจากเปลี่ยนค่าสองค่า Base URL คือ https://api.ornith.top/v1 คีย์ไปอยู่ใน header Authorization: Bearer และ ID โมเดลคือ uncensored มีสองวิธีที่ใช้ได้: POST /v1/chat/completions และ GET /v1/models

เริ่มด้วยคำสั่ง curl แบบธรรมดาเพื่อยืนยันว่าคีย์ API ของคุณใช้งานได้:

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."}
    ]
  }'

ใน Python ให้ใช้แพ็กเกจ openai ที่เป็นทางการและชี้ไปยัง Base URL ใหม่:

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)

และแบบเดียวกันใน 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 ?? "");
}

สตรีมมิงใช้ SSE stream: true รองรับ function calling และ JSON mode หน้าต่างบริบท 100,000 โทเคน รวมพรอมต์และคำตอบ เอกสาร APIครอบคลุมพารามิเตอร์และ response headers เช่น X-Balance-USD แสดงเครดิตคงเหลือ

ต้นทุนจริง

ราคาแบบจ่ายตามการใช้งานจากเครดิตแบบเติมเงินล่วงหน้า: $0.15 ต่อ 1M โทเคนอินพุต และ $0.50 ต่อ 1M โทเคนเอาต์พุต ไม่มีค่าสมาชิก คำขอที่ล้มเหลวหรือถูกปฏิเสธจะไม่ถูกเรียกเก็บเงิน และเครดิตไม่หมดอายุ

ลองดูการสนทนาทั่วไปหนึ่งรอบที่มีพรอมต์ขนาด 2,000 โทเคน (รวมข้อความระบบและประวัติการสนทนา) และคำตอบขนาด 500 โทเคน:

• อินพุต: 2,000 โทเคน ที่ $0.15 ต่อ 1M คือ $0.0003
• เอาต์พุต: 500 โทเคน ที่ $0.50 ต่อ 1M คือ $0.00025
• รวมต่อรอบ: $0.00055

การสนทนาขนาดนี้ 1,000 ครั้งมีค่าใช้จ่าย $0.55 ดังนั้นเครดิตทดลองใช้ $0.50 จึงครอบคลุมการสนทนาขนาดนี้ประมาณ 900 ครั้ง ซึ่งเพียงพอสำหรับการประเมินคุณภาพการเขียนก่อนชำระเงิน สำหรับการใช้งานที่หนักกว่า เช่น อินพุต 10M โทเคนและเอาต์พุต 2M โทเคนในหนึ่งเดือน ค่าบริการคือ $1.50 บวก $1.00 รวมเป็น $2.50

เมื่อคุณเติมเงิน จำนวนเต็มตั้งแต่ $20 ถึง $500 ใช้ได้ พร้อมโบนัส 5% เมื่อเติม $50 โบนัส 10% เมื่อเติม $100 และโบนัส 15% เมื่อเติม $200 คุณสามารถชำระเงินด้วยบัตร (Visa, Mastercard, Apple Pay, Google Pay) หรือคริปโต (USDT บน TRC20, USDC บน Base) ดูตารางราคาเต็มได้ที่ หน้าราคา

การลองใช้งานและการเลือกตัวเลือก

ผู้ใช้ใหม่สามารถรับเครดิตทดลองใช้ $0.50 ได้เพียงคลิกเดียวที่หน้าคีย์ API หลังจากสมัครสมาชิกด้วย Google หรือด้วยอีเมลและรหัสผ่าน ไม่ต้องใช้บัตร ใช้ได้หนึ่งครั้งต่อบุคคล และใช้ได้เป็นเวลา 7 วัน คีย์ทดลองอนุญาตให้ทำคำขอพร้อมกัน 2 คำขอและ 60 คำขอต่อนาที ส่วนคีย์เต็มอนุญาตให้ทำคำขอพร้อมกัน 8 คำขอและ 300 คำขอต่อนาที คุณสามารถ รับคีย์ API ได้ภายในหนึ่งนาทีและรันตัวอย่างข้างต้น

โมเดลโฮสต์ไม่ใช่ทางเดียวเพื่อลดการปฏิเสธ คุณดาวน์โหลดโมเดลแบบเปิดน้ำหนักมารันบนฮาร์ดแวร์ตัวเองได้ ควบคุมได้เต็มที่ ใช้งานออฟไลน์ได้ แต่ต้องมี GPU และตั้งค่า คู่มือ LLM API โอเพนซอร์สของเราเปรียบเทียบตัวเลือกและค่าใช้จ่าย ทางเลือกแบบโฮสต์เหมาะกว่าเมื่อคุณไม่ต้องการฮาร์ดแวร์ ต้องการเอนด์พอยต์ที่เสถียรสำหรับแอป และการเรียกเก็บเงินที่ลดลงเหลือศูนย์เมื่อไม่มีใครใช้งาน

อีกจุดหนึ่งสำหรับผู้ที่จัดการข้อความที่ละเอียดอ่อน: พรอมต์ที่ส่งไปยังบริการจะไม่ถูกนำไปใช้ในการฝึกโมเดล อ่านรายละเอียดได้ที่ หน้าความเป็นส่วนตัว

คู่มือเพิ่มเติม

• LLM แบบไม่เซ็นเซอร์ที่ดีที่สุดสำหรับรันในเครื่องด้วย Ollama
• API LLM แบบไม่เซ็นเซอร์สำหรับ SillyTavern: ขั้นตอนการตั้งค่า
• คู่มือ API LLM แบบโอเพนซอร์ส: การตั้งค่า ค่าใช้จ่าย และทางเลือก