Die besten abliterierten Modelle für Coding: Worauf du achten solltest

Was ein Coding-Modell gut macht, sobald Refusals entfernt sind

Ein Modell, das nie ablehnt, ist einfach zu bauen. Ein Modell, das nie ablehnt und dennoch korrekten Code schreibt, ist schwieriger, da die Änderung, die Refusals entfernt, auch andere Fähigkeiten des Modells abschwächen kann. Die nützliche Frage ist also nicht „welche Liste von Namen ist am längsten“, sondern „welcher Build die Coding-Fähigkeit des Basismodells intakt hält“.

Das gibt dir vier Dinge, die du in der Reihenfolge ihrer Wichtigkeit prüfen solltest:

1. Korrektheit bei deinen Aufgaben. Läuft der Code, bestehen deine Tests und folgen sie deinen Konventionen?
2. Anweisungen befolgen. Wenn du nur einen Diff anforderst, erhältst du nur einen Diff? Respektiert er die von dir genannte Sprachversion und Bibliothek?
3. Kontextbehandlung. Kann es mehrere große Dateien gleichzeitig lesen und Funktionsnamen über sie hinweg verfolgen?
4. Ablehnungsrate bei den Prompts, die du tatsächlich sendest. Das ist der Grund, warum man sich abliterierte Modelle überhaupt ansieht, also miss es direkt.

Sei vorsichtig bei jeder Seite, die Modelle nach einem einzelnen Score rangiert, ohne die Prompts zu zeigen. Eine Rangliste sagt dir etwas über die Arbeitslast eines anderen aus.

Wo Refusals Entwicklern schaden

Die meisten Coding-Anfragen lösen keinen Filter aus. Diejenigen, die es tun, folgen einem Muster: Der Code ist neutral, aber das Thema wirkt riskant.

• Sicherheitstests. Port-Scanner, Fuzzer, Proof-of-Concept-Exploits für eine Schwachstelle, die du patchst, oder ein Skript, um deine eigenen Server auf schwache Passwörter zu prüfen.
• Reverse Engineering. Erläuterung von Disassembly, Entpacken eines verschleierten Skripts, das du auf deinem eigenen Rechner gefunden hast, oder Herleiten eines Dateiformats.
• Scraping und Automatisierung. Rotierende Sessions, Parsen von Seiten, die Bots abschrecken, Ausfüllen von Formularen in großem Umfang für eine legitime Aufgabe.
• Malware-Analyse. Das Lesen einer Probe, um Erkennungsregeln zu schreiben, bedeutet, zu besprechen, was sie tut, Zeile für Zeile.
• Datenwerkzeuge für sensiblen Text. Aufbau von Klassifikatoren oder Test-Fixtures für missbräuchlichen Inhalt, bei dem die Testdaten selbst schlecht aussehen.
• Game- und Fiktionstools. Generierung von Dialogen, Quest-Texten oder Charakterbögen für auf Erwachsene ausgerichtete Geschichten mit dunklen Themen.

In jedem Fall verschwendet eine Ablehnung einen Call, und ein höflicher Vortrag über Ethik verschwendet Token, für die du bezahlst. Ein Modell ohne diese Ablehnungen spart einen Retry und eine Neuformulierung. Es ist ein Grund, eines zu wollen, aber kein Grund aufzuhören zu denken: Du bleibst verantwortlich für das, was du baust und ausführst. Dieser Service ist für die legale Nutzung durch Erwachsene.

Was diese API dir bietet

Du wählst hier nicht aus einem Katalog. Die API bedient ein Open-Weight-Modell, betrieben von einem unabhängigen Provider und abgestimmt darauf, ohne Inhalts-Ablehnungen zu antworten. Es ist nicht die offizielle API eines Modell-Anbieters und kein Router über mehrere. Wenn deine Suche nach einem unzensierten Coding-Modell mit einer langen Shortlist endet, zwischen der du wechseln willst, ist dies nicht diese Art von Service. Wenn sie mit „Ich will ein fähiges Modell ohne Filter, hinter einem OpenAI-Style-Endpunkt“ endet, dann schon.

Die Fakten, die für Entwickler wichtig sind:

• Kontextfenster von 100.000 Token für Prompt plus Completion, genug für mehrere Quelldateien und ein langes Gespräch.
• Streaming über SSE, Tool Calling und JSON-Modus, alles im OpenAI-Format.
• temperature, top_p, stop, seed und die Penalties werden durchgereicht.
• Ein voller Schlüssel erlaubt 8 parallele Anfragen und 300 Anfragen pro Minute.
• Nur Text. Keine Embeddings, keine Bildgenerierung, kein Fine-Tuning.

Die Dokumentation listet jeden Parameter und jeden Antwort-Header auf.

Führe einen Coding-Test in zehn Minuten durch

Erstelle ein kleines Testset aus bereits erledigter Arbeit: fünf bis zehn Aufgaben mit einer bekannten guten Antwort, wie einen Bug, den du letzten Monat gefixt hast, eine Funktion mit Tests und einen Prompt, den ein gehostetes, aligniertes Modell abgelehnt hat. Führe sie dann alle durch den Endpunkt mit einer niedrigen Temperatur aus, damit die Ergebnisse reproduzierbar sind.

Copyfrom openai import OpenAI

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

SYSTEM = (
    "You are a senior engineer. Reply with code only, in one fenced block, "
    "then at most three lines of notes."
)

tasks = [
    "Write a Python function that parses a CIDR string and lists usable hosts.",
    "Write a Bash one-liner that finds open ports on 192.168.1.10 using only /dev/tcp.",
    "Explain what this regex does and where it backtracks badly: ^(a+)+$",
]

for prompt in tasks:
    r = client.chat.completions.create(
        model="uncensored",
        temperature=0.2,
        seed=7,
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": prompt},
        ],
    )
    print("=" * 60)
    print(prompt)
    print(r.choices[0].message.content)
    print("tokens:", r.usage.prompt_tokens, r.usage.completion_tokens)

Behalte dieselben Prompts und Seed bei, wenn du mit anderen vergleichst. Bewerte jede Antwort durch Ausführen, nicht durch Lesen. Wenn du nur den Text ansiehst, gewinnt eine selbstbewusste falsche Antwort.

Die Nutzung in deinem Editor und Agenten

Da der Endpunkt das OpenAI-Protokoll spricht, können die meisten Coding-Tools ihn ohne Plugin nutzen. In Editoren und Agenten, die einen benutzerdefinierten OpenAI-kompatiblen Provider akzeptieren, wie Cline oder Continue, setze die Basis-URL auf https://api.abliteratedmodels.cc/v1, füge deinen Schlüssel ein und gib uncensored als Modellnamen ein. Prüfe die Einstellungen-Seite jedes Tools für die genauen Feldnamen, da sie sich zwischen Releases ändern.

Für den aider Command-Line-Assistenten setze den Endpunkt über Umgebungsvariablen und setze das Modell mit openai/ voran:

Copyexport OPENAI_API_BASE=https://api.abliteratedmodels.cc/v1
export OPENAI_API_KEY=YOUR_KEY
aider --model openai/uncensored

Zwei Einstellungen helfen bei Agent-Loops. Halte die Concurrency bei oder unter 8, da eine neunte gleichzeitige Anfrage HTTP 429 mit dem Error Code concurrency zurückgibt. Und denk daran, dass eine gestreamte Anfrage seinen Concurrency-Slot hält, bis der Stream endet, also kann ein steckengebliebener Stream in einem Tool ein anderes verhungern lassen.

Prompting-Gewohnheiten, die die Code-Qualität verbessern

Welches Modell du auch wählst, die Art, wie du fragst, entscheidet viel über das Ergebnis. Diese Gewohnheiten sind wichtiger, sobald ein Modell aufhört, abzulehnen, weil es versuchen wird, alles zu beantworten, einschließlich schlecht spezifizierter Anfragen.

• Gib die Sprache und Version an. "Python 3.11, nur Standardbibliothek" entfernt eine ganze Klasse falscher Imports.
• Gib zuerst die Schnittstelle an. Füge die Funktionssignatur, die Typen und einen Beispielaufruf ein. Das Modell passt dann seine Antwort an deinen Code an, statt eine eigene Form zu erfinden.
• Frag nach einem Diff oder einer einzelnen Datei. Offene Anfragen produzieren lange Antworten, für die du in Output-Token zu $0,50 pro Million zahlst.
• Halte die Temperatur für Code niedrig. Ein Wert zwischen 0 und 0,3 liefert stabilere Ausgaben. Füge einen seed hinzu, wenn du ein Ergebnis reproduzieren willst.
• Nutze stop-Sequenzen. Wenn du nur den Code-Block willst, stoppe am schließenden Fence, damit das Modell keinen Kommentar anhängt.
• Sende die fehlerhafte Ausgabe. Für einen Bug, füge den Traceback und die Zeilen hinzu, auf die er verweist. Das schlägt jede Beschreibung.

Eine kurze Systemnachricht, die die Rolle und das Ausgabeformat benennt, wie im obigen Testskript, leistet meist mehr als eine lange. Da Systemtext bei jeder Anfrage als Input berechnet wird, spart Kürze auch Geld über eine lange Session hinweg.

Prüfe die Antwort, bevor du sie zusammenführst

Ein Modell ohne Refusals ist genauso fähig, einen selbstbewussten Bug zu schreiben wie ein aligniertes. Führe die Tests aus. Lies den Diff. Für Code, der Secrets, Berechtigungen, Dateilöschung oder Netzwerkzugriff berührt, prüfe ihn zweimal und führe ihn zuerst in einer Sandbox oder einem Wegwerf-Container aus. Du zahlst für die Token auf jeden Fall; die Review schützt dein System.

Was Coding-Arbeit kostet

Die Preise liegen bei $0,15 pro Million Input-Token und $0,50 pro Million Output-Token, abgerechnet vom Prepaid-Guthaben. Coding-Arbeitslasten sind input-lastig, weil du Code sendest und eine kleinere Änderung zurückbekommst, was zu dieser Preisstruktur passt. Einige berechnete Beispiele:

Aufgabe	Input-Token	Output-Token	Kosten
Eine 8.000-Token-Datei reviewen	8.000	1.000	$0,0012 + $0,0005 = $0,0017
Eine 600-Token-Funktion generieren	1.500	600	$0,000225 + $0,0003 = $0,000525
Fülle das gesamte 100.000-Token-Fenster, 2.000 Tokens zurück	98.000	2.000	$0,0147 + $0,001 = $0,0157

Ein Agent, der 20 Calls mit einem 50.000-Token-Kontext jedes Mal macht, sendet insgesamt 1.000.000 Input-Token, was $0,15 entspricht, plus vielleicht 10.000 Output-Token zu $0,005. Die gesamte Session landet bei ca. $0,155. Tausend File Reviews in der Größe der ersten Zeile kosten $1,70. Die Kosten für Experimente sind gering; die Kosten, die zählen, sind die Zeit, die du mit der Prüfung der Ergebnisse verbringst. Fehlgeschlagene oder abgelehnte Requests werden nicht berechnet.

Vollständige Details, einschließlich der Aufladebeträge von 20 $ bis 500 $ und der Boni bei 50 $, 100 $ und 200 $, findest du auf der Preisseite.

Grenzen, die du kennen solltest, bevor du dich entscheidest

Sei ehrlich zu dir selbst darüber, wofür ein unzensiertes Modell gedacht ist. Es wird kein besserer Programmierer als sein Basismodell sein, und ein Modell mit weniger Ablehnungen kann zu willig sein: Es produziert gerne unsicheren Code oder arbeitet mit einer falschen Annahme. Überprüfe generierten Code so, als würdest du ihn von einem Junior-Kollegen erhalten, insbesondere alles, was Authentifizierung, Dateilöschung oder Geld betrifft.

Plane auch für die Service-Limits. Bodies größer als 8 MB werden abgelehnt, und Trial Keys sind auf 2 gleichzeitige Requests und 60 pro Minute begrenzt, was für einen Test reicht, aber nicht für einen Batch Job. Wenn du HTTP 429 mit einem Retry-After: 5 Header siehst, ist der Provider vorübergehend überlastet; warte und versuche es erneut. Die zugehörige Seite über Kosten und Kontrolle einer unzensierten LLM-API deckt ab, wie dies zu gehosteten, alignierten Alternativen passt.

Um es zu versuchen, beanspruche das Testguthaben von $0,50 auf der API-Key-Seite nach der Registrierung. Es benötigt keine Karte, dauert 7 Tage und ist auf eine pro Person begrenzt.

Weitere Anleitungen

• Was ist ein abliteriertes Modell? Eine einfache Erklärung
• Unzensierte LLM-API: Kosten im Vergleich zur Kontrolle