Melhores modelos abliterados para codificação: o que observar

O que torna um modelo de codificação bom após a remoção das recusas

Um modelo que nunca recusa é fácil de construir. Um modelo que nunca recusa e ainda escreve código correto é mais difícil, pois a edição que remove recusas pode também embotar outras habilidades do modelo. Então a pergunta útil não é "qual lista de nomes é maior" mas "qual build mantém a capacidade de codificação do modelo base intacta".

Isso te dá quatro coisas para verificar, em ordem de importância:

1. Correção nas suas tarefas. O código roda, passa nos seus testes e segue suas convenções?
2. Seguimento de instruções. Se você pedir apenas um diff, você recebe apenas um diff? Ele respeita a versão da linguagem e a biblioteca que você indicou?
3. Manipulação de contexto. Ele consegue ler alguns arquivos grandes ao mesmo tempo e manter o controle dos nomes das funções entre eles?
4. Taxa de recusa nos prompts que você realmente envia. Esta é a razão para olhar para modelos abliterados, então meça isso diretamente.

Desconfie de qualquer página que classifica modelos por uma única pontuação sem mostrar os prompts. Um ranking diz algo sobre a carga de trabalho de outra pessoa.

Onde as recusas prejudicam desenvolvedores

A maioria das solicitações de codificação nunca aciona um filtro. As que acionam compartilham um padrão: o código é neutro, mas o assunto parece arriscado.

• Testes de segurança. Scanners de portas, fuzzers, exploits de prova de conceito para uma vulnerabilidade que você está corrigindo, ou um script para verificar seus próprios servidores em busca de senhas fracas.
• Engenharia reversa. Explicar desmontagem, descompactar um script ofuscado que você encontrou em sua própria máquina, ou decifrar um formato de arquivo.
• Scraping e automação. Rotação de sessões, análise de sites que desencorajam bots, preenchimento de formulários em volume para uma tarefa legítima.
• Análise de malware. Ler uma amostra para escrever regras de detecção significa discutir o que ela faz, linha por linha.
• Ferramentas de dados para texto sensível. Construir classificadores ou dados de teste para conteúdo abusivo, onde os próprios dados de teste parecem ruins.
• Ferramentas para jogos e ficção. Gerar diálogos, texto de missões ou fichas de personagem para histórias voltadas para adultos com temas sombrios.

Em cada caso, uma recusa desperdiça uma chamada, e uma palestra educada sobre ética desperdiça tokens pelos quais você paga. Um modelo sem essas recusas economiza uma nova tentativa e uma reformulação. É uma razão para querer um, não uma razão para parar de pensar: você continua responsável pelo que constrói e executa. Este serviço é para uso adulto legal.

O que esta API oferece

Você não escolhe de um catálogo aqui. A API serve um único modelo de pesos abertos, executado por um provedor independente e ajustado para responder sem recusas de conteúdo. Não é a API oficial de nenhum fornecedor de modelo e não é um roteador entre vários. Se sua busca por um modelo de codificação sem censura termina em uma longa lista de candidatos entre os quais você quer alternar, este não é esse tipo de serviço. Se termina em "quero um modelo capaz sem filtro, atrás de um endpoint estilo OpenAI", é.

Os fatos que importam para desenvolvedores:

• Janela de contexto de 100.000 tokens para prompt mais conclusão, suficiente para vários arquivos de origem e uma conversa longa.
• Streaming sobre SSE, chamada de funções e modo JSON, todos no formato OpenAI.
• temperature, top_p, stop, seed e as penalidades são passadas.
• Uma chave completa permite 8 requisições simultâneas e 300 requisições por minuto.
• Texto apenas. Sem embeddings, sem geração de imagem, sem fine-tuning.

A documentação lista cada parâmetro e cabeçalho de resposta.

Execute um teste de codificação em dez minutos

Monte um conjunto de teste pequeno com trabalho que você já fez: cinco a dez tarefas com uma resposta boa conhecida, como um bug que você corrigiu no mês passado, uma função com testes e um prompt que um modelo alinhado hospedado recusou. Depois execute todos eles no endpoint com uma temperatura baixa para que os resultados sejam repetíveis.

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)

Mantenha os mesmos prompts e seed quando comparar com qualquer outra coisa. Avalie cada resposta executando-a, e não lendo. Se você olhar apenas para o texto, uma resposta errada confiante vence.

Usando dentro do seu editor e agentes

Como o endpoint usa o protocolo OpenAI, a maioria das ferramentas de codificação pode usá-lo sem plugin. Em editores e agentes que aceitam um provedor compatível com OpenAI personalizado, como Cline ou Continue, defina a URL base como https://api.abliteratedmodels.cc/v1, cole sua chave e insira uncensored como o nome do modelo. Verifique a página de configurações de cada ferramenta para os nomes exatos dos campos, pois eles mudam entre versões.

Para o assistente de linha de comando do aider, defina o endpoint por meio de variáveis de ambiente e prefixe o modelo com openai/:

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

Duas configurações ajudam com loops de agente. Mantenha a concorrência em 8 ou menos, porque uma nona requisição simultânea retorna HTTP 429 com o código de erro concurrency. E lembre-se de que uma requisição streaming mantém seu slot de concorrência até o fim do streaming, então um streaming preso em uma ferramenta pode sufocar outra.

Hábitos de prompting que ajudam a qualidade do código

Qualquer que seja o modelo que você escolher, a forma como você pede decide muito do resultado. Esses hábitos importam mais depois que um modelo para de recusar, porque ele tentará responder a tudo, incluindo solicitações mal especificadas.

• Declare o idioma e a versão. "Python 3.11, apenas biblioteca padrão" remove toda uma classe de importações erradas.
• Forneça a interface primeiro. Cole a assinatura da função, os tipos e um exemplo de chamada. O modelo então ajusta sua resposta ao seu código em vez de inventar sua própria forma.
• Peça um diff ou um único arquivo. Requisições abertas produzem respostas longas pelas quais você paga em tokens de saída a $0,50 por milhão.
• Mantenha a temperatura baixa para código. Um valor entre 0 e 0,3 dá saída mais estável. Adicione um seed quando quiser reproduzir um resultado.
• Use sequências stop. Se você quiser apenas o bloco de código, pare na fechamento do bloco de código para que o modelo não adicione comentários.
• Envie a saída com erro. Para um bug, inclua o traceback e as linhas que ele aponta. Isso supera qualquer descrição.

Uma mensagem de sistema curta que nomeia o papel e o formato de saída, como no script de teste acima, geralmente faz mais do que uma longa. Como o texto do sistema é cobrado como entrada em cada requisição, a brevidade também economiza dinheiro ao longo de uma sessão longa.

Verifique a resposta antes de mesclar

Um modelo sem recusas é tão capaz de escrever um bug convincente quanto um alinhado. Execute os testes. Leia o diff. Para código que toca segredos, permissões, exclusão de arquivos ou acesso à rede, revise-o duas vezes e execute-o primeiro em uma sandbox ou contêiner descartável. Você paga pelos tokens de qualquer maneira; a revisão é o que protege seu sistema.

Quanto custa o trabalho de codificação

O preço é $0,15 por milhão de tokens de entrada e $0,50 por milhão de tokens de saída, cobrados do crédito pré-pago. Cargas de trabalho de codificação são pesadas em entrada, porque você envia código e recebe uma alteração menor, o que se adapta a essa estrutura de preço. Alguns exemplos com números:

Tarefa	Tokens de entrada	Tokens de saída	Custo
Revise um arquivo de 8.000 tokens	8,000	1,000	$0,0012 + $0,0005 = $0,0017
Gere uma função de 600 tokens	1,500	600	$0,000225 + $0,0003 = $0,000525
Preencha toda a janela de 100.000 tokens, 2.000 tokens de resposta	98,000	2,000	$0,0147 + $0,001 = $0,0157

Um agente que faz 20 chamadas com um contexto de 50.000 tokens cada vez envia 1.000.000 de tokens de entrada no total, o que é $0,15, mais talvez 10.000 tokens de saída a $0,005. Toda a sessão fica perto de $0,155. Mil revisões de arquivo no tamanho da primeira linha custam $1,70. O custo da experimentação é pequeno; o custo que importa é o tempo que você gasta verificando resultados. Requisições falhas ou recusadas não são cobradas.

Detalhes completos, incluindo valores de recarregamento de $20 a $500 e os bônus em $50, $100 e $200, estão na página de preços.

Limites que você deve conhecer antes de se comprometer

Seja honesto consigo mesmo sobre para que um modelo sem censura serve. Ele não será um programador melhor do que seu modelo base, e um modelo com menos recusas pode estar muito ansioso: ele produzirá código inseguro ou executará com uma suposição errada com facilidade. Revise o código gerado como faria com um colega júnior, especialmente qualquer coisa que toque autenticação, exclusão de arquivos ou dinheiro.

Planeje também os limites do serviço. Corpos de requisição maiores que 8 MB são rejeitados, e as chaves de teste são limitadas a 2 requisições simultâneas e 60 por minuto, o que é suficiente para um teste, mas não para um trabalho em lote. Quando você vir HTTP 429 com um cabeçalho Retry-After: 5, o provedor está temporariamente sobrecarregado; espere e tente novamente. A página relacionada sobre custo e controle da API de LLM sem censura cobre como isso se encaixa contra alternativas hospedadas alinhadas.

Para experimentar, reivindique o crédito de teste de $0,50 na página da chave de API após o cadastro. Não precisa de cartão, dura 7 dias e é limitado a um por pessoa.

Mais guias

• O que é um Modelo Abliterado? Uma Explicação Simples
• API LLM sem Censura: Análise de Custo vs. Controle