Meilleur modèle abliterated pour le code : à quoi s'attendre
Le meilleur modèle abliterated pour le code est celui qui écrit du code correct et ne refuse pas votre demande légale en cours de route. L'abliteration ne gère que la deuxième partie, vous devez donc tester la première sur votre propre dépôt.

Points clés
- L'abliteration supprime le comportement de refus. Elle n'ajoute pas de compétence en codage, évaluez donc la qualité du code sur vos propres tâches.
- Les refus touchent les développeurs dans les outils de sécurité, le scraping, l'ingénierie inverse et les revues de code brutales.
- Une température faible et une graine fixe rendent la sortie de code reproductible et facile à comparer.
- Une requête typique de revue de code de 3 000 tokens en entrée et 800 tokens en sortie coûte moins d'un dixième de centime.
Ce que l'abliteration change, et ce qu'elle laisse de côté
L'abliteration est une technique appliquée à un modèle à poids ouverts après l'entraînement. Elle trouve la direction interne associée au refus d'une requête et la supprime, afin que le modèle arrête de décliner et de faire la leçon. Elle n'apprend pas de nouveaux langages de programmation au modèle ni ne corrige un mauvais raisonnement. La capacité d'un modèle à écrire une fonction correcte vient de son entraînement de base, et la version abliterated devrait être à peu près aussi bonne, ou légèrement différente, à cet égard.
Ce cadre vous aide à choisir avec discernement. Deux questions comptent, et elles sont indépendantes :
- Le modèle sous-jacent est-il bon pour le code dans les langages que vous utilisez ?
- Fait-il le travail sans refus lorsque la tâche est légale mais sensible ?
Ce service fait tourner un seul modèle à poids ouverts, hébergé par un fournisseur indépendant, avec l'ID de modèle uncensored. Je n'en indiquerai pas de score benchmark, car aucun n'est publié ici et des scores inventés n'aident personne. La voie honnête est un court test sur votre code, décrit ci-dessous. Le contexte plus large est sur la page concernant un modèle IA sans restrictions.
Où les refus touchent réellement les développeurs
La plupart des demandes de code ne déclenchent jamais un refus. Lorsqu'elles le font, c'est généralement dans un petit ensemble de domaines, tous légaux lorsqu'ils sont effectués sur des systèmes que vous possédez ou pour lesquels vous êtes autorisé à tester :
- Travaux de sécurité. Scanners de ports, fuzzers, preuves de concept d'exploitation pour votre propre labo, scripts d'analyse de malware, forensique des logs.
- Scraping et automatisation. Analyseurs, flux de navigateurs headless et tests de limite de débit qu'un modèle prudent qualifie de risqués.
- Ingénierie inverse. Lecture de désassemblage, documentation d'un format de fichier, travail d'interopérabilité.
- Outils pour jeux et fiction. Génération d'arbres de dialogue sombres, scripts de méchants ou intrigues matures pour des titres pour adultes.
- Ton. Revue de code qui dit clairement qu'une conception est mauvaise, sans rembourrer chaque commentaire de louanges.
L'autorisation est importante. Un modèle sans refus répond à tout ce que vous lui demandez, donc la responsabilité de rester dans la légalité vous appartient. Utilisez-le sur vos propres systèmes, vos cibles de test et le travail client avec une autorisation écrite.
Un test rapide qui en dit plus qu'un classement
Créez un petit ensemble de prompts à partir de votre travail réel : cinq à dix tâches, y compris une ou deux que d'autres assistants ont refusées. Exécutez-les avec une graine fixe et une température faible, et comparez les résultats à votre outil actuel. Le crédit d'essai de 0,50 $, valable 7 jours, couvre des centaines de ces appels.
import json
from openai import OpenAI
client = OpenAI(
base_url="https://api.abliteratedmodelhub.com/v1",
api_key="YOUR_KEY",
)
tasks = [
"Write a Python function that parses nmap XML output and lists open ports per host.",
"Refactor this loop into a generator and keep behavior identical: for i in range(len(xs)): out.append(xs[i] * 2)",
"Write a pytest file for a function slugify(text) that handles unicode and repeated dashes.",
]
results = []
for task in tasks:
resp = client.chat.completions.create(
model="uncensored",
messages=[
{"role": "system", "content": "You are a senior engineer. Return only code unless asked otherwise."},
{"role": "user", "content": task},
],
temperature=0.2,
seed=7,
)
results.append({"task": task, "answer": resp.choices[0].message.content})
print(json.dumps(results, indent=2))
Ensuite, exécutez le code. Ne notez pas seulement en lisant. Exécutez les tests, lancez le linter, et notez combien de tâches ont nécessité une deuxième tentative. Un taux de réussite sur vos propres dix tâches vaut plus que n'importe quel classement public, car il reflète votre stack.
Paramètres qui aident la sortie de code
La génération de code récompense le déterminisme. Commencez avec ces valeurs et modifiez-les une par une :
temperaturede 0,0 à 0,3 pour la génération et le refactoring. Augmentez-le à 0,7 uniquement pour le brainstorming d'approches.top_plaissé près de 1,0 lorsque la température est faible.stopséquences telles qu'une clôture de code fermante, si vous ne voulez que le premier bloc de code.seedfixe pendant les expériences, afin qu'un prompt modifié, et non le hasard, explique une réponse modifiée.max_tokensest facultatif. La complétion peut utiliser le reste de la fenêtre de 100 000 tokens, donc définissez un plafond si vous voulez limiter le coût sur les prompts ouverts.
Donnez au modèle le contexte dont un humain aurait besoin : la version du langage, le framework, la sortie de test défaillante et les fichiers pertinents. Une fenêtre de 100 000 tokens laisse de la place pour beaucoup de code source, mais plus de fichiers n'est pas toujours meilleur. Incluez ce qui a une incidence sur la question.
Prompts qui obtiennent un meilleur code
Le même modèle donne du code très différent selon la façon dont vous demandez. Quelques habitudes font une différence visible.
- Indiquez l'environnement. "Python 3.11, bibliothèque standard uniquement" empêche les imports que vous ne pouvez pas installer. "TypeScript, mode strict, pas de any" façonne les types.
- Montrez la sortie défaillante. Pour le débogage, collez la traceback et le plus petit code qui la déclenche. Demandez d'abord la cause, puis la correction, afin que vous puissiez juger du raisonnement.
- Demandez des tests avec le code. Une fonction et ses tests ensemble révèlent des lacunes que le modèle passerait autrement sous silence.
- Contraignez la sortie. "Retournez uniquement un diff unifié" ou "retournez un seul bloc de code et rien d'autre" économise des tokens et rend la réponse facile à appliquer.
- Itérez par petites étapes. Demandez un squelette, examinez-le, puis demandez la pièce suivante. Les demandes en une seule fois donnent plus d'endroits où une erreur subtile peut se cacher.
Pour déboguer un sujet susceptible de provoquer des refus, dites ce que vous faites et pourquoi en une phrase. "C'est mon serveur de staging ; écrivez un script qui vérifie lesquels de ces ports sont ouverts" est une demande normale, et un modèle ajusté pour répondre le gérera sans commentaire. L'énoncé documente également votre intention pour quiconque examine le code plus tard.
Travailler avec des bases de code plus grandes
La fenêtre de 100 000 tokens peut contenir de nombreux fichiers à la fois, mais envoyer un dépôt entier à chaque appel est gaspilleur. Choisissez le contexte délibérément :
- Envoyez le fichier modifié et les fichiers qu'il importe directement.
- Ajoutez les définitions d'interface ou les fichiers de type, pas les implémentations complètes de tout.
- Incluez le test défaillant et sa sortie.
- Excluez les fichiers générés, les fichiers de verrouillage et le code tiers embarqué (vendored).
Un petit assistant qui parcourt une liste de chemins et construit un prompt garde cela reproductible :
from pathlib import Path
from openai import OpenAI
client = OpenAI(
base_url="https://api.abliteratedmodelhub.com/v1",
api_key="YOUR_KEY",
)
def review(paths, question):
parts = []
for p in paths:
parts.append("### " + p + "\n" + Path(p).read_text())
prompt = "\n\n".join(parts) + "\n\nQuestion: " + question
resp = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": prompt}],
temperature=0.2,
)
return resp.choices[0].message.content
print(review(["app/models.py", "app/views.py"], "Where can this raise a KeyError?"))
Surveillez le coût des prompts volumineux répétés. Vingt appels avec une fenêtre de contexte de 40 000 tokens chacun utilisent 800 000 tokens en entrée, soit 0,8 x 0,15 $ = 0,12 $. C’est peu coûteux, mais cela augmente à chaque échange supplémentaire, alors posez des questions ciblées.
Utilisez les outils et le JSON pour vos workflows de développement
L’API prend en charge l’appel de fonctions et le mode JSON, ce qui transforme le modèle en composant plutôt qu’en partenaire de chat. Une étape de revue de code, par exemple, peut renvoyer des résultats structurés qu’un job CI peut publier en tant que commentaires.
curl https://api.abliteratedmodelhub.com/v1/chat/completions \
-H "Authorization: Bearer YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "uncensored",
"temperature": 0.1,
"response_format": {"type": "json_object"},
"messages": [
{"role": "system", "content": "Review the diff. Reply as JSON: {\"findings\": [{\"line\": number, \"severity\": string, \"comment\": string}]}"},
{"role": "user", "content": "def add(a, b):\n return a - b"}
]
}'
Avec l'appel de fonctions, vous pouvez exposer des fonctions comme run_tests ou read_file et permettre au modèle de les demander en boucle, puis renvoyer les résultats sous forme de messages role: "tool". Votre code exécute l'outil, donc vous contrôlez ce qu'il peut toucher. Sandboxez tout ce qui exécute du code généré.
Coût pour les tâches de codage typiques
Les tarifs sont de 0,15 $ par 1 M de tokens en entrée et de 0,50 $ par 1 M de tokens en sortie. Exemples :
- Une demande d’extrait avec 3 000 tokens en entrée et 800 en sortie : 0,003 M x 0,15 $ = 0,00045 $, plus 0,0008 M x 0,50 $ = 0,0004 $, soit 0,00085 $. Mille d’entre eux coûtent 0,85 $.
- Une revue de fichier complet avec 20 000 tokens en entrée et 1 500 en sortie : 0,003 $ + 0,00075 $ = 0,00375 $.
- Une journée chargée avec 400 requêtes mixtes de la taille d’un extrait : 400 x 0,00085 $ = 0,34 $.
Il n'y a pas d'abonnement, et les requêtes échouées ou refusées ne sont pas facturées. Rechargez un montant entier de 20 $ à 500 $ par crypto (USDT sur TRC20, USDC sur Base). Des bonus ajoutent +5 % à partir de 50 $, +10 % à partir de 100 $ et +15 % à partir de 200 $. Les détails complets sont sur la page tarifaire ; les paramètres sont listés dans la documentation, et vous pouvez obtenir une clé sur la page d'inscription.
Plus de guides
Questions et réponses
L'abliteration rend-elle un modèle meilleur en codage ?
Non. Elle supprime le comportement de refus. La capacité de codage provient du modèle de base, testez-le donc sur vos propres tâches.
Est-il légal d’utiliser un modèle sans censure pour le code de sécurité ?
Écrire du code pour des systèmes que vous possédez ou pour lesquels vous êtes autorisé à effectuer des tests est généralement légal, mais vous êtes responsable du respect de la loi et de vos autorisations.
Puis-je l’utiliser dans mon éditeur ?
Toute extension ou outil d’éditeur acceptant une URL de base compatible OpenAI, une clé et un nom de modèle peut se connecter. Utilisez l’URL de base, votre clé et le modèle uncensored.
Quelle est la taille maximale d'un fichier que je peux envoyer ?
La fenêtre de contexte est de 100 000 tokens pour le prompt plus la complétion, et le corps de la requête maximum est de 8 Mo.
Votre clé n'est qu'à un formulaire d'ici
Créez un compte, copiez la clé, modifiez l'URL de base. C'est toute la configuration.