Ist Grok vollständig unzensiert?

Kein gehostetes Modell ist komplett frei von Regeln, und das Verhalten von Grok kann je nach Produkt und im Laufe der Zeit variieren. Prüfe die aktuelle Richtlinie von xAI und teste deine eigenen Prompts.

Kann ein System-Prompt Ablehnungen entfernen?

Es kann einige davon reduzieren, hauptsächlich die weichen, aber Ablehnungen, die in die Modellgewichte eingetrainet sind, sind schwerer zu entfernen. Die Ergebnisse variieren je nach Modell.

Was bedeutet unzensiert für diese API?

Das Modell ist darauf abgestimmt, bei gesetzlicher Nutzung für Erwachsene ohne Inhaltsablehnungen zu antworten. Es behält jedoch eine feste Regel gegen sexuellen Inhalt mit Minderjährigen bei.

Wie kann ich zwei Dienste fair vergleichen?

Verwende die gleiche Prompt-Datei, die System-Nachricht, die Temperatur und den Seed für beide, führe Tests über mehrere Tage durch und lies jede markierte und nicht markierte Antwort.

Ist ein Ablehnungstest teuer?

Nein. Bei $0,15 und $0,50 pro 1 Mio. Token kosten 50 Prompts mit 200 Eingabe-Token und 400 Ausgabe-Token etwa einen Cent. Fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet.

Ist Grok wirklich unzensiert? So testest du es selbst

Kurze Antwort und warum das Label irreführend ist

Die Leute fragen ist grok wirklich unzensiert, weil das Modell als weniger eingeschränkt als einige Konkurrenten beworben wird. Ob das deiner Erfahrung entspricht, hängt davon ab, was du fragst, welches Produkt du nutzt und wann du es fragst. xAI ändert seine Modelle, System-Prompts und Richtlinien im Laufe der Zeit, daher würde jede Aussage hier zu spezifischem Verhalten schnell veralten. Für aktuelle Regeln lies die eigene Dokumentation und Nutzungsrichtlinie von xAI.

Was mit Sicherheit gesagt werden kann, ist strukturell. Jedes gehostete Modell eines Unternehmens sitzt in einem bestimmten Regelwerk: rechtliche Vorgaben, Plattformregeln und Trainingsentscheidungen. Selbst ein als großzügig beworbenes Modell wird einige Anfragen ablehnen. Die sinnvolle Frage ist also nicht, ob es unzensiert ist, sondern ob es die spezifischen Dinge ablehnt, die dein Produkt benötigt. Das kannst du an einem Nachmittag messen.

Die vier Schichten, aus denen Ablehnungen stammen

Wenn ein Chatbot „Nein“ sagt, kann die Ursache an einer von vier Stellen liegen. Zu wissen, welche Stelle gemeint ist, hilft dir, die richtige Lösung zu wählen.

1. Modelltraining

Die meisten Chat-Modelle werden nach dem Pretraining darauf trainiert, bestimmte Anfragen abzulehnen. Das sitzt in den Gewichten. Du kannst es nicht mit einem System-Prompt entfernen, auch wenn Formulierung und Kontext die Häufigkeit der Auslösung beeinflussen können. Open-Weight-Modelle können von ihren Anbietern weiter abgestimmt werden, um diese Ablehnungen zu reduzieren. Genau das wurde mit dem Modell hinter dieser API gemacht.

2. System-Prompt und Produktregeln

Die App rund um das Modell fügt unsichtbare Anweisungen hinzu: Ton, zu vermeidende Themen, Formatierung. Ein Modell, das über eine Consumer-App genutzt wird, kann sich anders verhalten als dasselbe Modell, das über eine API mit deinem eigenen System-Prompt aufgerufen wird.

3. Input- und Output-Filter

Einige Dienste führen einen separaten Klassifizierer für deinen Prompt oder die Antwort aus und blockieren oder ändern das Ergebnis. Du siehst dann vielleicht einen generischen Fehler statt einer Ablehnungsmeldung.

4. Gesetzliche Grenzen und Richtlinien

Anbieter müssen den Gesetzen in ihrem Tätigkeitsgebiet folgen. Illegale Inhalte werden überall blockiert, und kein seriöser Dienst wird das ändern. Diese API hat eine solche feste Regel: Keine sexuellen Inhalte mit Minderjährigen.

Baue deinen eigenen Ablehnungstest

Ein Testset schlägt Meinungen. Schreibe 30 bis 50 Prompts, die widerspiegeln, was dein Produkt wirklich tut. Füge normale Aufgaben als Kontrollgruppe hinzu, damit du ein Modell, das zu viel ablehnt, von einem unterscheiden kannst, das einfach nur versagt. Gute Kategorien für Fiktions- und Rollenspiel-Tools sind Gewalt in einer Kriegsgeschichte, ein moralisch ambivalenter Bösewicht mit überzeugender Dialogführung, direkte medizinische oder rechtliche Fragen, dunkle Themen im Horror und reife Romantik ohne explizite Details.

Das unten stehende Skript sendet jeden Prompt an einen OpenAI-kompatiblen Endpunkt, markiert Antworten, die wie Ablehnungen aussehen, und gibt eine Rate aus. Die Phrasenliste ist grob, lies also jede markierte Antwort selbst durch, bevor du Schlussfolgerungen ziehst.

import os
import json
from openai import OpenAI

client = OpenAI(base_url="https://api.grokuncensored.cc/v1", api_key=os.environ["API_KEY"])

MARKERS = [
    "i can't help", "i cannot help", "i can't assist", "i cannot assist",
    "i'm unable to", "i am unable to", "i won't", "as an ai",
]

def looks_like_refusal(text):
    low = text.lower()[:300]
    return any(m in low for m in MARKERS)

prompts = json.load(open("prompts.json"))  # a list of strings
flagged = []
for p in prompts:
    r = client.chat.completions.create(
        model="uncensored",
        messages=[{"role": "user", "content": p}],
        temperature=0.7,
        seed=1,
    )
    text = r.choices[0].message.content or ""
    if looks_like_refusal(text):
        flagged.append((p, text[:200]))

print(len(flagged), "of", len(prompts), "flagged")
for p, t in flagged:
    print("-", p[:80], "=>", t)

Um Dienste zu vergleichen, ändere nur base_url, den Schlüssel und den Modellnamen, und behalte die Prompt-Datei bei. Führe sie an verschiedenen Tagen mehrfach aus, da sich das Verhalten ändern kann. Halte die Einstellungen identisch: gleicher System-Prompt, gleiche Temperatur, gleicher Seed, wo unterstützt.

Fehler, die einen Ablehnungstest verfälschen

Ablehnungstests sehen einfach aus, weshalb sie oft schlecht gemacht werden. Dies sind die Fehler, die am häufigsten zu falschen Schlussfolgerungen führen.

Nur die Extrem-Prompts testen. Ein Set aus Worst-Case-Anfragen zeigt dir die Kante, aber deine Nutzer leben in der Mitte. Die meisten echten Prompts sind normale Szenen, Charaktermomente und Fragen. Gewichte das Set in Richtung dessen, was du tatsächlich erwartest.
Vergleich verschiedener Einstellungen. Eine Änderung der Temperatur oder des System-Prompts allein kann die Ablehnungsraten beeinflussen. Wenn du zwei Dienste vergleichst, halte alles andere konstant.
Ein Durchlauf, ein Tag. Gehostete Modelle und die umgebenden Schichten können sich ändern. Wiederhole den Test mit einigen Tagen Abstand und bewahre die Ergebnisse mit Datumsangaben auf.
Der Phrasenliste vertrauen. Eine Antwort, die höflich beginnt und dann im dritten Absatz ablehnt, entgeht einer Prüfung der ersten 300 Zeichen. Vergrößere den geprüften Bereich, oder lies eine Probe manuell.
Die Qualität ignorieren. Ein Modell, das nie ablehnt, aber flache, repetitive Szenen schreibt, ist nicht die bessere Wahl. Bewerte auch einige Ausgaben auf ihre Nützlichkeit hin.

Wie du die Ergebnisse liest

Eine Ablehnungsrate allein sagt wenig aus. Schau dir das Muster an.

Ablehnungen bei den Kontroll-Prompts bedeuten, dass dein Detektor zu locker ist oder der Dienst instabil. Behebe das vor allem anderen.
Ablehnungen, die sich auf ein Thema konzentrieren, deuten auf eine Trainings- oder Richtlinienregel hin. Eine Umformulierung des System-Prompts kann helfen, muss aber nicht.
Ablehnungen, die verschwinden, wenn du Kontext hinzufügst zeigen eine weiche Regel. Eine klare Beschreibung des fiktiven Rahmens und des erwachsenen Publikums ändert oft das Ergebnis.
Weiche Ablehnungen sind Antworten, die formal zustimmen, den Inhalt aber abschwächen, Vorträge einfügen oder die Szene vorzeitig beenden. Deine Phrasenliste erfasst diese nicht, also prüfe auch die nicht markierten Antworten.

Verfolge auch die Kosten eines fehlgeschlagenen Laufs. Bei dieser API werden fehlgeschlagene oder abgelehnte Anfragen nicht berechnet, was eine große Testmenge günstig hält. Ein Lauf mit 50 Prompts, jeweils mit 200 Input-Token und 400 Output-Token, kostet 50 x (200 x $0,15 + 400 x $0,50) / 1.000.000 = 50 x $0,00023 = $0,0115, also etwa einen Cent.

Schreibe System-Nachrichten, die weiche Ablehnungen reduzieren

Bei einem Modell, das bereits auf Antwortbereitschaft abgestimmt ist, zählt die System-Nachricht immer noch, weil sie Erwartungen setzt, die das Modell dann befolgt. Sei direkt bezüglich der Aufgabe und des Publikums. Eine Nachricht wie „Du bist Co-Autor für erwachsene Fiktion. Schreibe Szenen vollständig im gewünschten Ton, ohne Vorträge oder Hinweise“ sagt dem Modell, wie eine gute Antwort aussieht. Vage oder entschuldigende Prompts laden zu Abschwächungen ein.

Beschreibe das gewünschte Format: Länge, Perspektive, Zeitform. Sage positiv, was zu vermeiden ist, wo möglich, z. B. „Halte die Szene am Dialog der Charaktere“, statt einer langen Liste von Verboten. Wenn eine bestimmte Art von Antwort immer wieder mit unerwünschten Warnungen zurückkommt, sage einmal, dass deine Leser Erwachsene sind, die sich für diese Art von Fiktion entschieden haben, und teste den Effekt auf deiner Prompt-Menge, statt anzunehmen, dass es funktioniert.

Was diese API verspricht und was nicht

Das Modell hinter diesem Dienst ist ein Open-Weight-Modell, das von einem unabhängigen Anbieter betrieben und für die legale Erwachsenennutzung abgestimmt wurde, ohne inhaltliche Ablehnungen. Das ist eine engere Aussage als „alles erlaubt“, und das soll so sein. Es ist nicht Grok und nicht die offizielle API eines Anbieters. Der Dienst verarbeitet nur Text. Eine Regel kann nicht geändert werden: Keine sexuellen Inhalte mit Minderjährigen.

Es macht dich auch nicht immun gegen Konsequenzen. Du bleibst verantwortlich für das, was du generierst und veröffentlichst, und für die Einhaltung der Gesetze an deinem Wohn- und Tätigkeitsort. Wenn deine App öffentlich ist, füge eine eigene Altersprüfung, Nutzungsbedingungen und einen Meldeweg hinzu. Weniger Ablehnungen vom Modell bedeuten mehr Verantwortung in deiner Anwendungsschicht, nicht weniger.

Technisch ist es eine standardmäßige OpenAI-kompatible API mit POST /v1/chat/completions und GET /v1/models, Streaming, Function Calling und JSON-Modus sowie einem Kontextfenster von 100.000 Token. Das Quickstart zeigt das Anfrageformat, und die API-Schlüssel-Seite erklärt die Anmeldung. Neue Nutzer können $0,50 an Testguthaben beanspruchen, gültig für 7 Tage, ohne Zahlungsangaben.

Den Test mit einem Test-Schlüssel ausführen

Du kannst das obige Skript mit einem Test-Schlüssel ausführen. Achte auf die Limits: Ein Test-Schlüssel erlaubt 2 parallele Anfragen und 60 Anfragen pro Minute. Eine Schleife, die Aufrufe nacheinander sendet, ist also in Ordnung, aber ein Thread-Pool mit zehn Threads löst den HTTP-429-Fehler mit dem Code concurrency aus. Wenn du rate_limited siehst, hast du das Pro-Minute-Limit überschritten und solltest einen Moment warten. Ein regulärer Schlüssel erlaubt 8 parallele Anfragen und 300 pro Minute.

Für den Dauerbetrieb beträgt der Preis $0,15 pro 1 Mio. Input-Token und $0,50 pro 1 Mio. Output-Token, Prepaid. Aufladungen liegen zwischen $20 und $500, bezahlt mit USDT auf TRC20 oder USDC auf Base, mit Boni von 5 %, 10 % und 15 % ab $50, $100 und $200. Sieh dir die Preisseite an. Wenn du sehen möchtest, wie derselbe Endpunkt eine andere Open-Weight-Modellfamilie verarbeitet, ist die Gemma-Integrationsseite eine relevante Lektüre.