Mô hình AI không giới hạn: Hiểu về LLM không kiểm duyệt và đã loại bỏ sự từ chối

'Không giới hạn' có nghĩa là gì trong AI?

Khi các nhà phát triển nói về mô hình AI không giới hạn, họ đang đề cập đến việc loại bỏ các lớp 'alignment' thường kiểm soát cách mô hình phản hồi với các chủ đề cụ thể. Các mô hình thương mại tiêu chuẩn được tinh chỉnh để lịch sự, thận trọng và thường từ chối thảo luận về các chủ đề gây tranh cãi, tình dục hoặc nhạy cảm chính trị ngay cả khi yêu cầu hoàn toàn hợp lệ. Hành vi 'từ chối' này được tích hợp vào trọng số của mô hình thông qua Học tăng cường từ phản hồi của con người (RLHF).

Đối với người dùng cao cấp, những lời từ chối này có thể gây khó chịu. Một mô hình có thể từ chối tạo lời độc thoại của một nhân vật phản diện hợp lý trong truyện hoặc từ chối giải thích một lỗ hổng bảo mật phổ biến chỉ vì nó nghe có vẻ 'nguy hiểm' đối với bộ lọc an toàn chung. Một mô hình không giới hạn không có các ranh giới tùy tiện này. Nó đánh giá prompt của bạn dựa trên mức độ liên quan và chính xác thay vì một danh sách các chủ đề 'an toàn' được xác định trước.

Điều này không có nghĩa là mô hình trở nên hỗn loạn hoặc vô nghĩa. Nó vẫn hiểu ngữ pháp, logic và ngữ cảnh. Nó đơn giản không còn kích hoạt phản hồi 'Tôi không thể trả lời điều đó' đối với nội dung người hợp pháp, các kịch bản hư cấu hoặc các cuộc đào sâu kỹ thuật. Kết quả là một tương tác trung thực hơn nơi mô hình xuất ra những gì bạn đã yêu cầu, không phải những gì nó nghĩ bạn được phép nghe.

Sự trỗi dậy của các mô hình đã loại bỏ sự từ chối

Xu hướng hiện tại của AI không kiểm duyệt đến từ một kỹ thuật gọi là abliteration. Khác với lượng hóa hoặc chuyển đổi định dạng truyền thống, việc loại bỏ sự từ chối là một quy trình phẫu thuật. Các kỹ sư xác định các nơ-ron cụ thể trong mạng thần kinh chịu trách nhiệm cho hành vi 'từ chối'—như nói 'Là một trợ lý AI...' hoặc 'Tôi rất vui được giúp nhưng...'—sau đó điều chỉnh trọng số của chúng để triệt tiêu các tín hiệu đó.

Phương pháp này bảo toàn trí thông minh và khả năng suy luận cốt lõi của mô hình trong khi loại bỏ 'nhân cách' phục vụ khách hàng. Mô hình giữ lại kiến thức về lịch sử, mã nguồn và văn học nhưng mất đi bản năng né tránh hoặc từ chối. Điều này khác với việc chỉ loại bỏ prompt hệ thống, vốn dễ vỡ và dễ bị bỏ qua bởi mô hình quay lại với thói quen huấn luyện của nó.

Bởi vì sự loại bỏ sự từ chối xảy ra ở cấp độ trọng số, hành vi nhất quán trên các ngữ cảnh khác nhau. Cho dù bạn đang viết một bài thơ hay gỡ lỗi mã Python, mô hình vẫn ổn định và trực tiếp. Điều này làm cho các mô hình đã loại bỏ sự từ chối rất đáng tin cậy cho các ứng dụng nơi sự nhất quán là chìa khóa, chẳng hạn như tạo nội dung tự động hoặc các quy trình viết sáng tạo lặp đi lặp lại.

Đã loại bỏ sự từ chối so với không kiểm duyệt: Chúng có giống nhau không?

Mặc dù thường được sử dụng thay thế cho nhau, 'không kiểm duyệt' và 'đã loại bỏ sự từ chối' mô tả các khía cạnh khác nhau của tự do của mô hình. 'Không kiểm duyệt' là một thuật ngữ rộng có thể đề cập đến bất kỳ mô hình nào không tuân thủ nghiêm ngặt các hướng dẫn an toàn chính thống. Điều này bao gồm các mô hình chưa bao giờ được tinh chỉnh cho sự căn chỉnh (như nhiều mô hình trọng số mở sớm) hoặc những mô hình mà sự căn chỉnh đã được loại bỏ thông qua kỹ thuật prompt.

Các mô hình đã loại bỏ sự từ chối là một tập hợp con cụ thể của các mô hình không kiểm duyệt đã trải qua quy trình sửa đổi trọng số. Điều này khiến chúng mạnh mẽ hơn các mô hình dựa vào các prompt 'jailbreak'. Một prompt jailbreak là một chuỗi ký tự thông minh đánh lừa mô hình bỏ qua các quy tắc của nó, nhưng nó thường làm hỏng logic của mô hình hoặc khiến nó dài dòng. Một mô hình đã loại bỏ sự từ chối bỏ qua các quy tắc một cách bản chất.

Tính năng	Mô hình Căn chỉnh Tiêu chuẩn	Mô hình Jailbroken	Mô hình Đã loại bỏ sự Từ chối
Hành vi Từ chối	Cao	Thấp (nhưng dễ vỡ)	Rất Thấp
Ổn định Logic	Cao	Thường bị suy giảm	Được bảo tồn
Triển khai	Tích hợp sẵn	Dựa trên Prompt	Dựa trên Trọng số

Tại sao chọn LLM không kiểm duyệt?

Việc chọn một LLM không kiểm duyệt là về việc giành quyền kiểm soát đầu ra. Các mô hình tiêu chuẩn được thiết kế cho công chúng nói chung, có nghĩa là chúng ưu tiên an toàn hơn sự tinh tế. Đối với các nhà phát triển, điều này tạo ra một số điểm ma sát:

• Tự do sáng tạo: Bạn có thể tạo ra hài hước đen, các chủ đề trưởng thành hoặc ý kiến gây tranh cãi mà không cần mô hình tránh né đến mức mơ hồ.
• Chính xác trong nghiên cứu: Khi phân tích các văn bản chính trị hoặc nghiên cứu trường hợp y tế, bạn muốn mô hình báo cáo các sự thật, không phải tóm tắt phiên bản 'an toàn' của các sự kiện.
• Trải nghiệm Nhà phát triển: Không còn phải vật lộn với các prompt để buộc mô hình tuân thủ. Bạn chỉ định nhiệm vụ, và mô hình thực thi nó.

Ngoài ra, các mô hình không kiểm duyệt thường hoạt động tốt hơn trong các kịch bản nhập vai. Vì chúng không bị ràng buộc bởi nhân cách 'trợ lý hữu ích', chúng có thể thích nghi với các giọng điệu và tính cách khác nhau một cách tự nhiên hơn. Điều này rất quan trọng đối với chatbot, truyện tương tác và các ứng dụng dựa trên nhân vật nơi sự nhập vai là chìa khóa.

Các trường hợp sử dụng cho AI không lọc

Các mô hình AI không lọc không chỉ dành cho sự mới lạ; chúng giải quyết các vấn đề kỹ thuật cụ thể. Dưới đây là các trường hợp sử dụng phổ biến nơi các mô hình tiêu chuẩn không đáp ứng được:

• Tạo mã: Các mô hình tiêu chuẩn thường từ chối tạo các đoạn mã chứa 'lỗ hổng' hoặc các mẫu 'độc hại' nếu chúng trông đáng ngờ. Một mô hình AI không kiểm duyệt để viết mã sẽ tạo mã chính xác như yêu cầu, cho phép bạn tự phân tích lỗ hổng.
• Kiểm thử kiểm duyệt nội dung: Nếu bạn đang xây dựng hệ thống kiểm duyệt, bạn cần kiểm thử các trường hợp biên. Một mô hình không kiểm duyệt có thể tạo ra chính xác các loại nội dung mà hệ thống của bạn cần phát hiện mà không từ chối tạo chúng.
• Tóm tắt dữ liệu: Khi tóm tắt các bài báo tin tức gây tranh cãi, bạn muốn bản tóm tắt phản ánh giọng điệu của văn bản gốc, không phải ý kiến của mô hình về việc chủ đề có 'an toàn' để thảo luận hay không.

Các trường hợp sử dụng này làm nổi bật lý do tại sao việc có một LLM không kiểm duyệt trực tuyến hoặc có thể truy cập qua API lại có giá trị. Bạn không cần một mô hình riêng cho mỗi nhiệm vụ; một mô hình mạnh mẽ, không lọc có thể xử lý các đầu vào đa dạng mà không thay đổi hành vi dựa trên mức độ nhạy cảm của chủ đề.

Xem xét kỹ thuật: Ngữ cảnh và Tốc độ

Khi chạy một mô hình AI không kiểm duyệt, các ràng buộc kỹ thuật vẫn giống như bất kỳ LLM nào khác. Yếu tố chính cần xem xét là cửa sổ ngữ cảnh. API được lưu trữ của chúng tôi hỗ trợ cửa sổ ngữ cảnh 100.000 token, đủ cho hầu hết các phân tích tài liệu dài và cuộc trò chuyện kéo dài. Tuy nhiên, ngữ cảnh lớn hơn yêu cầu nhiều bộ nhớ hơn và có thể tăng độ trễ.

Tốc độ là một yếu tố khác. Các mô hình đã được loại bỏ sự kiểm duyệt không chạy nhanh hơn vốn có so với các đối tác đã được căn chỉnh. Trên thực tế, vì chúng có thể tạo ra các phản hồi dài dòng hoặc trực tiếp hơn, số lượng token đầu ra đôi khi cao hơn, ảnh hưởng đến chi phí. Bạn nên theo dõi chặt chẽ việc sử dụng token của mình.

Một xem xét khác là thiếu cơ chế kiểm duyệt tích hợp. Vì mô hình không từ chối nội dung, bạn có thể cần triển khai các bộ lọc xử lý hậu kỳ của riêng mình nếu bạn có yêu cầu nội dung cụ thể cho người dùng cuối của mình. Điều này mang lại cho bạn quyền kiểm soát hoàn toàn nhưng thêm một lớp phức tạp vào kiến trúc của bạn.

Cách truy cập mô hình AI không giới hạn

Truy cập một mô hình không lọc trước đây yêu cầu tải xuống các tệp trọng số lớn và quản lý cơ sở hạ tầng GPU. Bây giờ, bạn có thể sử dụng API được lưu trữ. Phương pháp đơn giản nhất là sử dụng một endpoint tương thích với OpenAI. Điều này cho phép bạn sử dụng các SDK tiêu chuẩn như openai-python hoặc openai-node với các thay đổi cấu hình tối thiểu.

Copycurl https://api.abliteratedmodelhub.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Bạn chỉ cần trỏ máy khách của mình vào URL cơ sở API và cung cấp khóa API của bạn. ID mô hình thường được đặt thành 'uncensored'. Cấu hình này đảm bảo tương thích với các công cụ hiện có như LangChain hoặc LlamaIndex, giúp dễ dàng tích hợp AI không lọc vào quy trình làm việc của bạn mà không cần viết lại toàn bộ ngăn xếp của bạn.

Giá cả và Hiệu quả chi phí

Tính minh bạch là chìa khóa khi chọn nhà cung cấp API. Giá cả của chúng tôi rất rõ ràng: $0.25 cho mỗi 1M token đầu vào và $1.00 cho mỗi 1M token đầu ra. Không có phí ẩn, không có gói đăng ký và không có cam kết hàng tháng. Bạn trả tiền cho những gì bạn sử dụng.

Chúng tôi cung cấp hệ thống tín dụng trả trước. Bạn có thể nạp tiền từ $10 bằng tiền điện tử (USDT hoặc USDC). Để khuyến khích sử dụng nhiều hơn, chúng tôi cung cấp tín dụng bổ sung: +5% tiền thưởng cho khoản nạp $50 và +10% tiền thưởng cho khoản nạp $100. Tín dụng của bạn không bao giờ hết hạn, vì vậy bạn có thể sử dụng nó bất cứ khi nào bạn sẵn sàng mở rộng.

Tài khoản mới nhận được $0.50 tín dụng dùng thử, có giá trị trong 7 ngày, không cần thẻ tín dụng. Điều này cho phép bạn kiểm tra chất lượng mô hình và thời gian phản hồi trước khi cam kết với gói trả phí. Mô hình trả theo mức dùng này rất phù hợp cho các nhà phát triển muốn tránh chi phí vận hành của các tài nguyên đã đặt trước.

Bắt đầu với yêu cầu đầu tiên của bạn

Bắt đầu rất đơn giản. Đăng ký trên trang 'Lấy khóa API' chỉ với email và mật khẩu. Khóa API của bạn sẽ được hiển thị ngay lập tức. Bạn có thể tạo lại khóa này bất cứ lúc nào, điều này sẽ thu hồi khóa cũ để bảo mật.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.abliteratedmodelhub.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

Sử dụng mã SDK được cung cấp để gửi prompt đầu tiên của bạn. Hãy nhớ rằng mô hình chỉ chặn các nội dung bất hợp pháp cụ thể, chủ yếu là nội dung tình dục liên quan đến người chưa thành niên, để đảm bảo khả năng sử dụng rộng rãi. Đối với tất cả các chủ đề khác, nó sẽ phản hồi trực tiếp. Sự đơn giản này cho phép bạn tập trung vào logic ứng dụng của mình thay vì quản lý hành vi của mô hình.