无审查 LLM：含义与使用方法

无审查 LLM 实际上是什么

大多数聊天产品将语言模型包裹在多层拒绝行为中。其中一些是训练进权重中的，一些是系统提示词，还有一些是读取你的输入和回复的独立过滤器。无审查 LLM 是一种权重经过调整的模型，使得第一层（训练形成的拒绝）变得非常弱。它会就小说中的黑暗主题、直白的医疗或法律话题，以及主流助手通常会拒绝或淡化处理的成人内容进行回答。

这个词有点名不副实。模型中并没有像剪断电缆那样移除任何东西。变化的是训练数据和调优步骤。基础模型从海量文本集中学习语言。后续阶段教它遵循指令，并且通常会拒绝一系列请求。无审查变体跳过了大部分拒绝训练，或者添加了朝相反方向调优的步骤。

本网站背后的服务运行一种此类开放权重模型，由独立提供商运营。它不是任何大型实验室的官方 API，也不是在供应商之间进行选择的路由器。你获得一个模型，ID 为 uncensored，位于标准聊天补全接口之后。

无审查不代表什么

它并不意味着模型没有限制。这里有一条硬性界限：永远禁止涉及未成年人的性内容。该服务专为合法的成人用途构建。如果你需要用于该范围之外的任何用途的模型，这不是正确的工具。

它也不意味着模型更聪明、更诚实或更准确。拒绝较少的模型仍然会犯错，在不知道答案时仍然会编造事实，并且仍然需要小心提示词。去除拒绝机制改变了它愿意说什么，而不是它的推理能力。像对待任何其他模型一样对待它的输出：检查任何重要的内容。

最后，它并不意味着你可以免除自己的责任。如果你在其之上构建应用程序，你决定用户可以做些什么，并且你有义务遵守你和他们所在地的法律。一个不拒绝的模型是一个没有护栏的工具，所以护栏必须来自你的产品。

拒绝、含糊其辞和说教是不同概念

人们常将三种行为混为一谈。拒绝是直截了当地说“我帮不了你”。含糊其辞是答案被免责声明淹没。说教是未经请求的训诫。主流助手通常会在同一话题上同时表现出这三种行为。无审查模型通常会去除拒绝和大部分说教，这就是为什么小说作家和角色扮演开发者喜欢它：输出保持角色设定，而不是跳出场景对其进行评论。

行为来自哪里

如果模型拒绝较少，原因归结为四种情况之一，了解是哪一种很有帮助，因为其中只有一些是你可控的。

1. 训练数据和调优。 这是主要来源。当提供商构建模型时它就已固定，你无法通过 API 更改它。
2. 系统提示词。 由你控制。清晰设定角色、场景和语气的系统消息会极大地改变回答，即使在宽松模型上也是如此。
3. 采样设置。 Temperature 和 top_p 不决定模型讨论什么，但它们会改变文本的多样性和连贯性。这些参数会传递给模型。
4. 平台过滤器。 许多托管 API 在模型前添加了一层审核层。这就是为什么即使底层权重本可以生成回答，请求仍可能失败的原因。在基于此构建之前，请检查提供商如何处理此问题。

一个实际后果：你无法通过“越狱”来获得不同的模型。如果主流助手拒绝，巧妙的提示词只在下次更新之前有效。无审查模型从源头上跳过了这个问题。

减少拒绝的合法用途

人们希望减少拒绝的真实原因列表比刻板印象所暗示的要长。

• 小说和世界设定。 小说涉及暴力、犯罪、悲伤和残酷。一个打破场景来警告你的写作助手对于惊悚小说或战争故事毫无用处。
• 成人角色扮演和伴侣应用。 以角色为中心的聊天需要一个能够在长会话中保持角色设定而不停止发表主观评论的模型。
• 安全和审核测试。 构建内容过滤器的团队需要他们想要拦截的文本的真实示例。能够生成困难案例的模型有助于他们进行测试。
• 研究和分析。 总结极端主义文本、研究宣传或讨论敏感历史有时会触发谨慎模型的过滤器，尽管目的很明显。
• 直白建议话题。 关于药物、减害或法律灰色地带的问题值得直接回答，而不是一堆免责声明。请记住模型可能会出错，所以不要将其视为医生或律师。

这些都不需要任何非法行为，并且所有这些都更适合将用户视为成人的模型。

如何配置它：base URL、密钥和模型 ID

API 遵循 OpenAI 聊天补全格式，因此一旦更改两个值，任何 OpenAI SDK 或兼容客户端均可使用。基础 URL 是 https://api.ornith.top/v1，密钥放入 Authorization: Bearer 头中，模型 ID 为 uncensored。提供两种方法：POST /v1/chat/completions 和 GET /v1/models。

首先使用普通的 curl 请求来确认你的密钥是否有效：

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 包，并将其指向新的基础 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 ?? "");
}

通过 stream: true 支持 SSE 进行流式输出，支持函数调用和 JSON 模式，上下文窗口为 100,000 个 token（计算提示词和回复总和）。API 文档 涵盖了每个参数和响应头，包括 X-Balance-USD，它在每次调用时显示你的剩余预付额度。

真实价格

定价采用从预付额度按量付费模式：输入 token 每 1M 个 $0.15，输出 token 每 1M 个 $0.50。没有订阅，失败或被拒绝的请求不收费，且额度永不过期。

考虑一个典型的聊天轮次，包含 2,000 个 token 的提示词（系统消息加历史记录）和 500 个 token 的回复：

• 输入：2,000 个 token，每 1M $0.15，即 $0.0003。
• 输出：500 个 token，每 1M $0.50，即 $0.00025。
• 每轮总计：$0.00055。

一千次此类轮次的费用为 $0.55。因此，$0.50 的试用额度可覆盖大约 900 次该规模的轮次，这足以在支付任何费用之前评估写作质量。对于更重的任务，例如每月 10M 输入 token 和 2M 输出 token，账单为 $1.50 加 $1.00，即 $2.50。

当你充值时，$20 到 $500 之间的任何整数金额均可使用，并提供 5% 的奖金（从 $50 起）、10% 的奖金（从 $100 起）和 15% 的奖金（从 $200 起）。你可以通过银行卡（Visa、Mastercard、Apple Pay、Google Pay）或加密货币（TRC20 上的 USDT、Base 上的 USDC）支付。完整表格请参阅 定价页面。

试用并选择选项

新用户可以在使用 Google 或电子邮件和密码注册后，在 API 密钥页面点击一下领取 $0.50 的试用额度。它不需要银行卡，每人限领一次，有效期为 7 天。试用密钥允许 2 个并发请求和每分钟 60 个请求；完整密钥允许 8 个并发请求和每分钟 300 个请求。你可以在一分钟内 获取 API 密钥 并运行上述示例。

托管模型不是减少拒绝的唯一方法。你还可以下载开放权重模型并在自己的硬件上运行它，这将赋予你完全的控制权并支持离线使用，代价是需要一块强大的 GPU 和一些设置。我们的 开源 LLM API 指南 比较了选项和成本。当你想要无需硬件、应用稳定的接口以及无人使用时计费降至零的计费方式时，托管路线胜出。

处理敏感文本的用户的另一个要点：发送至服务的提示词不用于训练。详细信息请阅读 隐私页面。

更多指南

• 使用 Ollama 运行最佳本地无审查 LLM
• SillyTavern 的无审查 LLM API：设置步骤
• 开源 LLM API 指南：设置、成本和替代方案