Mejores modelos abliterados para programación: qué buscar

Qué hace bueno a un modelo de programación una vez eliminados los rechazos

Un modelo que nunca rechaza es fácil de construir. Un modelo que nunca rechaza y aún escribe código correcto es más difícil, porque la edición que elimina los rechazos también puede atenuar otras habilidades del modelo. Así que la pregunta útil no es "qué lista de nombres es más larga" sino "qué construcción mantiene intacta la capacidad de programación del modelo base".

Eso te da cuatro cosas que verificar, en orden de importancia:

1. Precisión en tus tareas. ¿El código se ejecuta, pasa tus pruebas y sigue tus convenciones?
2. Seguimiento de instrucciones. Si pides solo un diff, ¿obtienes solo un diff? ¿Respeta la versión de lenguaje y la biblioteca que indicaste?
3. Manejo de contexto. ¿Puede leer varios archivos grandes a la vez y rastrear nombres de funciones a través de ellos?
4. Tasa de rechazo en los prompts que realmente envías. Esta es la razón principal para mirar modelos abliterados, así que mídela directamente.

Desconfía de cualquier página que clasifique modelos por una sola puntuación sin mostrar los prompts. Un ranking te habla de la carga de trabajo de otra persona.

Dónde los rechazos afectan a los desarrolladores

La mayoría de las solicitudes de código nunca activan un filtro. Las que sí comparten un patrón: el código es neutral, pero el tema parece arriesgado.

• Pruebas de seguridad. Escáneres de puertos, fuzzers, exploits de prueba de concepto para una vulnerabilidad que estás parcheando, o un script para verificar tus propios servidores en busca de contraseñas débiles.
• Ingeniería inversa. Explicar desensamblado, desempaquetar un script ofuscado que encontraste en tu propia máquina, o deducir un formato de archivo.
• Scraping y automatización. Rotar sesiones, analizar sitios que desalientan a los bots, rellenar formularios en volumen para una tarea legítima.
• Análisis de malware. Leer una muestra para escribir reglas de detección implica discutir qué hace, línea por línea.
• Herramientas de datos para texto sensible. Construir clasificadores o datos de prueba (fixtures) para contenido abusivo, donde los propios datos de prueba parecen incorrectos.
• Herramientas para juegos y ficción. Generar diálogos, texto de misiones o hojas de personaje para historias para adultos con temas oscuros.

En cada caso, un rechazo desperdicia una llamada, y una lección educada sobre ética desperdicia tokens por los que pagas. Un modelo sin esos rechazos ahorra un reintento y una reformulación. Es una razón para querer uno, no una razón para dejar de pensar: sigues siendo responsable de lo que construyes y ejecutas. Este servicio es para uso adulto lícito.

Qué te ofrece esta API

Aquí no eliges de un catálogo. La API sirve un único modelo de pesos abiertos, gestionado por un proveedor independiente y ajustado para responder sin rechazos de contenido. No es la API oficial de ningún proveedor de modelos ni un enrutador entre varios. Si tu búsqueda de un modelo de programación sin censura termina en una larga lista de candidatos entre las que quieres alternar, este no es ese tipo de servicio. Si termina en "quiero un modelo capaz sin el filtro, detrás de un endpoint estilo OpenAI", sí lo es.

Los hechos que importan para los desarrolladores:

• Ventana de contexto de 100.000 tokens para prompt más completado, suficiente para varios archivos de código y una conversación larga.
• Streaming sobre SSE, llamada a herramientas y modo JSON, todo en el formato OpenAI.
• temperature, top_p, stop, seed y las penalizaciones se reenvían.
• Una clave completa permite 8 solicitudes concurrentes y 300 solicitudes por minuto.
• Solo texto. Sin embeddings, sin generación de imágenes, sin ajuste fino.

La documentación lista cada parámetro y encabezado de respuesta.

Ejecuta una prueba de programación en diez minutos

Construye un conjunto de pruebas pequeño con trabajo que ya has hecho: cinco a diez tareas con una respuesta buena conocida, como un error que corregiste el mes pasado, una función con pruebas y un prompt que un modelo alineado alojado rechazó. Luego ejecuta todo a través del endpoint con una temperatura baja para que los resultados sean repetibles.

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)

Mantén los mismos prompts y seed cuando compares con cualquier otra cosa. Puntúa cada respuesta ejecutándola, no leyéndola. Si solo miras el texto, una respuesta equivocada pero segura gana.

Usándolo dentro de tu editor y agentes

Como el endpoint habla el protocolo de OpenAI, la mayoría de las herramientas de programación pueden usarlo sin un plugin. En editores y agentes que aceptan un proveedor personalizado compatible con OpenAI, como Cline o Continue, establece la URL base en https://api.abliteratedmodels.cc/v1, pega tu clave y escribe uncensored como el nombre del modelo. Revisa la página de configuración de cada herramienta para ver los nombres exactos de los campos, ya que cambian entre versiones.

Para el asistente de línea de comandos aider, establece el endpoint a través de variables de entorno y antepone el modelo con openai/:

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

Dos ajustes ayudan con los bucles de agentes. Mantén la concurrencia en 8 o menos, porque una novena petición simultánea devuelve HTTP 429 con el código de error concurrency. Y recuerda que una petición en streaming ocupa su ranura de concurrencia hasta que termina el flujo, por lo que un flujo atascado en una herramienta puede dejar sin recursos a otra.

Hábitos de prompting que ayudan a la calidad del código

Sea cual sea el modelo que elijas, la forma en que preguntas decide gran parte del resultado. Estos hábitos importan más una vez que un modelo deja de rechazar, porque intentará responder todo, incluidas solicitudes mal especificadas.

• Indica el lenguaje y la versión. "Python 3.11, solo librería estándar" elimina toda una clase de importaciones incorrectas.
• Da prioridad a la interfaz. Pega la firma de la función, los tipos y un ejemplo de llamada. El modelo entonces ajusta su respuesta a tu código en lugar de inventar su propia estructura.
• Pide un diff o un único archivo. Las peticiones abiertas producen respuestas largas por las que pagas en tokens de salida a $0,50 por millón.
• Mantén la temperatura baja para código. Un valor entre 0 y 0,3 da una salida más estable. Añade un seed cuando quieras reproducir un resultado.
• Usa secuencias stop. Si solo quieres el bloque de código, detente en el cierre del bloque de código para que el modelo no añada comentarios.
• Envía la salida de error. Para un bug, incluye el traceback y las líneas a las que señala. Eso supera a cualquier descripción.

Un mensaje de sistema corto que nombra el rol y el formato de salida, como en el script de prueba anterior, generalmente hace más que uno largo. Ya que el texto del sistema se factura como entrada en cada solicitud, la brevedad también ahorra dinero a lo largo de una sesión larga.

Verifica la respuesta antes de fusionarla

Un modelo sin rechazos es igual de capaz de escribir un error muy convincente que uno alineado. Ejecuta las pruebas. Lee el diff. Para código que toca secretos, permisos, eliminación de archivos o acceso a la red, revísalo dos veces y ejecútalo primero en un sandbox o un contenedor desechable. Pagas los tokens de cualquier manera; la revisión es lo que protege tu sistema.

Cuánto cuesta el trabajo de programación

La tarifa es de $0,15 por millón de tokens de entrada y $0,50 por millón de tokens de salida, facturados desde crédito prepago. Las cargas de trabajo de programación son intensivas en entrada, porque envías código y recibes un cambio más pequeño, lo que se adapta a esta forma de precio. Algunos ejemplos con números:

Tarea	Tokens de entrada	Tokens de salida	Costo
Revisar un archivo de 8.000 tokens	8.000	1.000	$0,0012 + $0,0005 = $0,0017
Generar una función de 600 tokens	1.500	600	$0,000225 + $0,0003 = $0,000525
Llenar toda la ventana de 100.000 tokens, con 2.000 tokens de respuesta	98.000	2.000	$0,0147 + $0,001 = $0,0157

Un agente que realiza 20 llamadas con un contexto de 50.000 tokens cada vez envía 1.000.000 de tokens de entrada en total, lo que son $0,15, más quizás 10.000 tokens de salida a $0,005. Toda la sesión asciende a unos $0,155. Mil revisiones de archivos del tamaño de la primera fila cuestan $1,70. El costo de experimentación es pequeño; el costo que importa es el tiempo que pasas comprobando resultados. Las peticiones fallidas o rechazadas no se cobran.

Los detalles completos, incluidos los importes de recarga desde $20 hasta $500 y los bonos en $50, $100 y $200, están en la página de precios.

Límites que debes conocer antes de comprometerte

Sé honesto contigo mismo sobre para qué sirve un modelo sin censura. No será un mejor programador que su modelo base, y un modelo con menos rechazos puede ser demasiado entusiasta: producirá código inseguro o ejecutará código con una suposición incorrecta sin dudarlo. Revisa el código generado como lo harías con el de un compañero junior, especialmente cualquier cosa que toque autenticación, eliminación de archivos o dinero.

Planifica también los límites del servicio. Los cuerpos de petición de más de 8 MB son rechazados, y las claves de prueba están limitadas a 2 peticiones simultáneas y 60 por minuto, lo cual es suficiente para una prueba pero no para un trabajo por lotes. Cuando veas HTTP 429 con un encabezado Retry-After: 5, el proveedor está temporalmente sobrecargado; espera y reintenta. La página relacionada en costo y control de la API de LLM sin censura cubre cómo esto se ajusta frente a alternativas alojadas alineadas.

Para probarlo, reclama el crédito de prueba de $0,50 desde la página de claves de API tras registrarte. No necesita tarjeta, dura 7 días y está limitado a uno por persona.

Más guías

• ¿Qué es un modelo abliterado? Una explicación sencilla
• API de LLM sin censura: Análisis de costo frente a control