Meilleurs modèles abliterés pour le code : quoi chercher

Ce qui rend un modèle de code bon une fois les refus supprimés

Un modèle qui ne refuse jamais est facile à construire. Un modèle qui ne refuse jamais et écrit encore du code correct est plus difficile, car la modification qui supprime les refus peut aussi émousser les autres compétences du modèle. La question utile n'est donc pas « quelle liste de noms est la plus longue » mais « quelle construction préserve l'aptitude au code du modèle de base ».

Cela vous donne quatre points à vérifier, par ordre d'importance :

1. Exactitude sur vos tâches. Le code s'exécute-t-il, passe-t-il vos tests et respecte-t-il vos conventions ?
2. Suivi des instructions. Si vous demandez uniquement un diff, obtenez-vous uniquement un diff ? Respecte-t-il la version du langage et la bibliothèque que vous avez indiquées ?
3. Gestion du contexte. Peut-il lire plusieurs gros fichiers à la fois et suivre les noms de fonctions à travers eux ?
4. Taux de refus sur les prompts que vous envoyez réellement. C'est la raison pour laquelle on regarde les modèles abliterés, donc mesurez-le directement.

Méfiez-vous de toute page qui classe les modèles par un score unique sans montrer les prompts. Un classement vous dit quelque chose sur la charge de travail de quelqu'un d'autre.

Où les refus nuisent aux développeurs

La plupart des demandes de code ne déclenchent jamais un filtre. Celles qui le font partagent un schéma : le code est neutre, mais le sujet semble risqué.

• Tests de sécurité. Scanners de ports, fuzzers, preuves de concept d'exploits pour une vulnérabilité que vous corrigez, ou script pour vérifier vos propres serveurs à la recherche de mots de passe faibles.
• Ingénierie inverse. Explication de désassemblage, dépaquetage d'un script obscurci trouvé sur votre propre machine, ou détermination d'un format de fichier.
• Scraping et automatisation. Rotation de sessions, analyse de sites qui découragent les robots, remplissage de formulaires en masse pour une tâche légitime.
• Analyse de logiciels malveillants. Lire un échantillon pour écrire des règles de détection signifie discuter de ce qu'il fait, ligne par ligne.
• Outils de données pour texte sensible. Création de classificateurs ou de jeux de test pour contenu abusif, où les données de test elles-mêmes semblent inappropriées.
• Outils pour les jeux et la fiction. Génération de dialogues, de textes de quêtes ou de fiches de personnage pour des histoires pour adultes aux thèmes sombres.

Dans chaque cas, un refus gaspille un appel, et une leçon polie sur l'éthique gaspille des tokens que vous payez. Un modèle sans ces refus économise un nouvel essai et une reformulation. C'est une raison d'en vouloir un, pas une raison de cesser de réfléchir : vous restez responsable de ce que vous construisez et exécutez. Ce service est destiné à un usage adulte légal.

Ce que cette API vous offre

Vous ne choisissez pas dans un catalogue ici. L'API sert un seul modèle à poids ouverts, exécuté par un fournisseur indépendant et ajusté pour répondre sans refus de contenu. Ce n'est pas l'API officielle d'aucun vendeur de modèle et ce n'est pas un routeur entre plusieurs. Si votre recherche d'un modèle de code sans censure se termine par une longue liste restreinte entre laquelle vous voulez basculer, ce n'est pas ce type de service. Si elle se termine par « Je veux un modèle capable sans le filtre, derrière un endpoint style OpenAI », alors oui.

Les faits qui comptent pour les développeurs :

• Fenêtre de contexte de 100 000 tokens pour le prompt plus la complétion, suffisant pour plusieurs fichiers source et une longue conversation.
• Streaming sur SSE, appel de fonctions et mode JSON, tous au format OpenAI.
• temperature, top_p, stop, seed et les pénalités sont transmises telles quelles.
• Une clé complète permet 8 requêtes simultanées et 300 requêtes par minute.
• Texte uniquement. Pas d'embeddings, pas de génération d'images, pas de fine-tuning.

La documentation liste chaque paramètre et en-tête de réponse.

Lancez un test de code en dix minutes

Créez un petit jeu de tests à partir de travaux que vous avez déjà réalisés : cinq à dix tâches avec une bonne réponse connue, comme un bug que vous avez corrigé le mois dernier, une fonction avec des tests, et un prompt qu'un modèle aligné hébergé a refusé. Ensuite, exécutez-les tous via l'endpoint avec une température faible pour des résultats reproductibles.

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)

Conservez les mêmes prompts et seed lorsque vous comparez avec autre chose. Évaluez chaque réponse en l'exécutant, pas en la lisant. Si vous ne regardez que le texte, une réponse fausse mais confiante gagne.

Utilisation dans votre éditeur et vos agents

Comme l'endpoint utilise le protocole OpenAI, la plupart des outils de codage peuvent l'utiliser sans plugin. Dans les éditeurs et agents qui acceptent un fournisseur compatible OpenAI personnalisé, tel que Cline ou Continue, définissez l'URL de base sur https://api.abliteratedmodels.cc/v1, collez votre clé, et saisissez uncensored comme nom de modèle. Consultez la page de paramètres de chaque outil pour les noms exacts des champs, car ils changent entre les versions.

Pour l'assistant en ligne de commande aider, définissez l'endpoint via des variables d'environnement et préfixez le modèle avec openai/ :

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

Deux paramètres aident avec les boucles d'agent. Maintenez la concurrence à 8 ou moins, car une neuvième requête simultanée renvoie HTTP 429 avec le code d'erreur concurrency. Et rappelez-vous qu'une requête en streaming occupe son slot de concurrence jusqu'à la fin du stream, donc un stream bloqué dans un outil peut en priver un autre.

Habitudes de prompting qui améliorent la qualité du code

Quel que soit le modèle que vous choisissez, la façon dont vous demandez décide en grande partie du résultat. Ces habitudes sont plus importantes une fois qu'un modèle arrête de refuser, car il essaiera de répondre à tout, y compris aux demandes mal spécifiées.

• Indiquez le langage et la version. "Python 3.11, bibliothèque standard uniquement" supprime toute une classe de mauvaises importations.
• Donnez d'abord l'interface. Collez la signature de fonction, les types et un exemple d'appel. Le modèle ajuste alors sa réponse à votre code au lieu d'inventer sa propre forme.
• Demandez un diff ou un seul fichier. Les demandes ouvertes produisent de longues réponses que vous payez en tokens de sortie à 0,50 $ par million.
• Gardez la température basse pour le code. Une valeur entre 0 et 0,3 donne une sortie plus stable. Ajoutez un seed lorsque vous voulez reproduire un résultat.
• Utilisez les séquences stop. Si vous voulez uniquement le bloc de code, arrêtez-vous à la fermeture du bloc de code pour que le modèle n'ajoute pas de commentaires.
• Envoyez la sortie d'erreur. Pour un bug, incluez la traceback et les lignes qu'elle pointe. Cela vaut mieux que n'importe quelle description.

Un court message système qui nomme le rôle et le format de sortie, comme dans le script de test ci-dessus, fait généralement plus qu'un long. Comme le texte système est facturé en entrée sur chaque requête, la brièveté économise également de l'argent sur une longue session.

Vérifiez la réponse avant de la fusionner

Un modèle sans refus est tout aussi capable d'écrire un bug confiant qu'un modèle aligné. Exécutez les tests. Lisez le diff. Pour le code qui touche aux secrets, aux permissions, à la suppression de fichiers ou à l'accès réseau, révisez-le deux fois et exécutez-le d'abord dans un sandbox ou un conteneur jetable. Vous payez les tokens de toute façon ; la revue est ce qui protège votre système.

Combien coûte le travail de code

La tarification est de 0,15 $ par million de tokens d'entrée et de 0,50 $ par million de tokens de sortie, facturés depuis un crédit prépayé. Les charges de travail de codage sont lourdes en entrée, car vous envoyez du code et recevez un changement plus petit, ce qui convient à cette forme de prix. Quelques exemples chiffrés :

Tâche	Tokens d'entrée	Tokens de sortie	Coût
Relecture d'un fichier de 8 000 tokens	8 000	1 000	$0,0012 + $0,0005 = $0,0017
Générez une fonction de 600 tokens	1 500	600	$0,000225 + $0,0003 = $0,000525
Remplir toute la fenêtre de 100 000 tokens, 2 000 tokens en réponse	98 000	2 000	$0,0147 + $0,001 = $0,0157

Un agent qui effectue 20 appels avec un contexte de 50 000 tokens à chaque fois envoie 1 000 000 de tokens d'entrée au total, ce qui représente $0,15, plus peut-être 10 000 tokens de sortie à $0,005. Toute la session s'élève à environ $0,155. Mille revues de fichiers de la taille de la première ligne coûtent $1,70. Le coût de l'expérimentation est faible ; le coût qui compte est le temps que vous passez à vérifier les résultats. Les requêtes échouées ou refusées ne sont pas facturées.

Tous les détails, y compris les montants de rechargement de 20 $ à 500 $ et les bonus à 50 $, 100 $ et 200 $, figurent sur la page des tarifs.

Les limites à connaître avant de vous engager

Soyez honnête avec vous-même sur l'utilisation d'un modèle sans censure. Il ne sera pas un meilleur programmeur que son modèle de base, et un modèle avec moins de refus peut être trop enclin : il produira volontiers du code peu sûr ou fonctionnera avec une hypothèse erronée. Examinez le code généré comme vous le feriez pour un collègue junior, en particulier tout ce qui touche à l'authentification, à la suppression de fichiers ou à l'argent.

Prévoyez également les limites du service. Les corps de requête de plus de 8 Mo sont rejetés, et les clés d'essai sont limitées à 2 requêtes simultanées et 60 par minute, ce qui suffit pour un test mais pas pour un traitement par lots. Lorsque vous voyez HTTP 429 avec un en-tête Retry-After: 5, le fournisseur est temporairement surchargé ; attendez et réessayez. La page connexe sur coût et contrôle d'une API LLM sans censure couvre comment cela s'inscrit par rapport aux alternatives hébergées alignées.

Pour l'essayer, réclamez le crédit d'essai de 0,50 $ depuis la page de la clé API après votre inscription. Aucune carte n'est nécessaire, cela dure 7 jours et est limité à un par personne.

Plus de guides

• Qu'est-ce qu'un modèle abliteré ? Une explication simple
• API LLM sans censure : analyse du coût par rapport au contrôle