無審查 LLM：含義與使用方法

無審查 LLM 的實際含義

大多數聊天產品會在語言模型外層疊加拒絕行為層。部分行為訓練在權重中，部分是系統提示詞，部分是獨立過濾器，用於讀取你的輸入和回覆。無審查 LLM 是一種權重經過微調的模型，使其第一層（訓練出的拒絕行為）顯著變弱。它能回答小說中的黑暗主題、直白的醫療或法律議題，以及其他主流助手經常拒絕或弱化的成人內容。

這個詞有點誤稱。模型中並沒有像剪斷電纜那樣移除任何東西。改變的是訓練資料和微調步驟。基礎模型從龐大的文本集合中學習語言。後續階段教導它遵循指令，通常還會拒絕長串的請求。無審查變體跳過了大部分拒絕訓練，或添加了反向推動的微調。

本網站後端的服務運行一種此類開放權重模型，由獨立供應商運營。它不是任何大型實驗室官方 API，也不是在供應商之間選擇的路由器。你獲得一個模型，ID 為 uncensored，位於標準聊天補完端點後方。

無審查不代表什麼

這不代表模型沒有界限。這裡有一條硬性規定：絕不允許涉及未成年人的性內容。該服務僅供合法的成人用途。如果你需要用於此範圍之外的模型，這不是合適的工具。

這也不代表模型更聰明、更誠實或更準確。較少拒絕的模型仍會犯錯，在不知道某些事情時仍會捏造事實，且仍需要同樣謹慎地使用提示詞。減少拒絕改變的是它願意說的話，而非其推理能力。將其輸出視為來自任何其他模型的輸出：檢查任何重要的內容。

最後，這不代表你可以推卸自己的責任。如果你在之上構建應用程式，你決定用戶可以做什麼，並承擔遵守你和你用戶所在地法律的責任。一個不拒絕的模型是一個沒有護欄的工具，所以護欄必須來自你的產品。

拒絕、迴避和說教是不同的

人們將三種行為混為一談。拒絕是直接的「我無法幫你」。迴避是隱藏在免責聲明下的回答。說教是未經請求的講座。主流助手通常會對同一主題同時做出這三種反應。無審查模型通常會消除拒絕和大部分講座，這就是為什麼小說作家和角色扮演開發者喜歡它：輸出保持角色狀態，而不是跳出場景進行評論。

行為的來源

如果模型較少拒絕，原因位於四個地方之一，了解是哪一個很有幫助，因為其中只有一部分在你的控制範圍內。

1. 訓練資料和微調。 這是主要來源。當供應商構建模型時它就已固定，你無法透過 API 更改它。
2. 系統提示詞。 你可以控制這一點。一個清晰的系統訊息設定角色、場景和語氣，即使對於寬鬆的模型，也會大幅改變回答。
3. 採樣設定。Temperature 與 top_p 不會決定模型要討論什麼，但它們會改變文本有多麼多樣以及多麼連貫。這些參數會傳遞給模型。
4. 平台過濾器。 許多託管 API 會在模型前方新增審核層。該層是請求失敗的原因，即使底層權重會回答它。在基於此構建之前，請檢查供應商如何處理此問題。

實際後果：你無法透過「越獄」來獲得不同的模型。如果主流助手拒絕，巧妙的提示詞僅在下次更新前有效。無審查模型從源頭跳過問題。

減少拒絕的合法用途

人們希望減少拒絕的誠實理由清單比刻板印象所暗示的更長。

• 小說與世界觀建構。小說處理暴力、犯罪、悲傷與殘酷。一個會中斷場景來警告你的寫作助手，對於驚悚類型或戰爭故事來說毫無用處。
• 成人角色扮演與陪伴應用程式。以角色為核心的聊天需要一個能在長時間對話中保持角色，且不會中途進行編輯評論的模型。
• 安全和審核測試。 構建內容過濾器的團隊需要真實的範例來捕捉他們想要的文本。一個能產生困難案例的模型有助於他們進行測試。
• 研究和分析。 總結極端文本、研究宣傳或討論敏感歷史有時會觸發謹慎模型的過濾器，儘管目的很明確。
• 坦率的建議主題。 關於藥物、減害或法律灰色地帶的問題應獲得直接回答，而不是一堆附註。請記住模型可能會出錯，因此不要將其視為醫生或律師。

這些都不需要任何違法事項，且所有這些在使用將用戶視為成人的模型時效果更佳。

如何呼叫它：Base URL、金鑰和模型 ID

API 遵循 OpenAI 聊天補完格式，因此一旦更改兩個值，任何 OpenAI SDK 或相容客戶端均可使用。Base URL 是 https://api.ornith.top/v1，金鑰放在 Authorization: Bearer 標頭中，模型 ID 是 uncensored。提供兩種方法：POST /v1/chat/completions 和 GET /v1/models。

從簡單的 curl 請求開始以確認你的金鑰是否有效：

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."}
    ]
  }'

在 Python 中，使用官方 openai 套件並將其指向新的 Base 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)

Node 中的相同操作：

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 ?? "");
}

串流輸出透過 SSE 運作，設定 stream: true，支援函式呼叫和 JSON 模式，上下文視窗為 100,000 token（計算提示詞和回覆總和）。API 文件 涵蓋每個參數和回應標頭，包括 X-Balance-USD，它在每次呼叫時顯示你的剩餘額度。

實際費用

計費方式為從預付額度按量付費：輸入 token 每 1M 為 $0.15，輸出 token 每 1M 為 $0.50。沒有訂閱，失敗或拒絕的請求不收費，且額度永不過期。

考慮一次典型的對話輪次，包含 2,000 token 的提示詞（系統訊息加歷史記錄）和 500 token 的回覆：

• 輸入：2,000 個 token，每 1M 為 $0.15，即 $0.0003。
• 輸出：500 個 token，每 1M 為 $0.50，即 $0.00025。
• 每輪總計：$0.00055。

一千次此類輪次的費用為 $0.55。$0.50 的試用額度因此可覆蓋約 900 次此類輪次，這足以在付費之前評估寫作質量。對於較重的任務，例如一個月內 10M 輸入 token 和 2M 輸出 token，帳單為 $1.50 加 $1.00，即 $2.50。

當你儲值時，$20 到 $500 之間的任何整數金額均可使用，$50 起贈送 5%，$100 起贈送 10%，$200 起贈送 15%。你可以透過信用卡（Visa、Mastercard、Apple Pay、Google Pay）或加密貨幣（TRC20 上的 USDT、Base 上的 USDC）付款。請參閱 定價頁面 查看完整表格。

試用並選擇選項

新用戶可在註冊 Google 或電子郵件與密碼後，在 API 金鑰頁面一鍵領取 $0.50 的免費試用額度。它不需要信用卡，每人限領一次，有效期為 7 天。試用金鑰允許 2 個並行請求和每分鐘 60 次請求；完整金鑰允許 8 個並行請求和每分鐘 300 次請求。你可以在一分鐘內 獲取 API 金鑰 並運行上述範例。

託管模型並非減少拒絕回應的唯一方式。你也可以下載開放權重模型並在自有硬體上執行，這能讓你擁有完全的控制權且可離線運作，代價是需要具備效能的 GPU 與一些設定。我們的 開源 LLM API 指南比較了各選項與成本。當你需要無硬體負擔、為應用程式提供穩定的端點，且費用隨使用量變化（無人使用時費用歸零）時，託管方案勝出。

處理敏感文本的人還有一點要注意：傳送至服務的提示詞不會用於訓練。請閱讀 隱私權頁面以取得詳細資訊。

更多指南

• 使用 Ollama 在本地運行最佳無審查 LLM
• SillyTavern 的無審查 LLM API：設定步驟
• 開源 LLM API 指南：設定、成本和替代方案