Grok est-il vraiment sans censure ? Comment le tester vous-même

Réponse courte, et pourquoi l'étiquette induit en erreur

Les gens demandent si grok est vraiment sans censure car le modèle a été commercialisé comme moins restrictif que certains concurrents. Que cela corresponde à votre expérience dépend de ce que vous demandez, du produit que vous utilisez et du moment où vous le faites. xAI modifie ses modèles, ses system prompts et ses politiques au fil du temps, donc toute affirmation ici sur un comportement spécifique vieillira rapidement. Pour les règles actuelles, lisez la documentation et la politique d'utilisation de xAI.

Ce qui peut être dit avec certitude est structurel. Tout modèle hébergé par une entreprise s'inscrit dans un ensemble de règles : légales, de plateforme et de choix d'entraînement. Même un modèle vendu comme permissif refusera certaines requêtes. La question utile n'est donc pas s'il est sans censure, mais s'il refuse les éléments spécifiques dont votre produit a besoin. C'est quelque chose que vous pouvez mesurer en un après-midi.

Les quatre couches d'où viennent les refus

Lorsqu'un chatbot dit non, la cause peut résider à l'un des quatre endroits. Savoir lequel vous aide à choisir une solution.

1. Entraînement du modèle

La plupart des modèles de chat sont entraînés après le pré-entraînement pour décliner certaines requêtes. Cela réside dans les poids. Vous ne pouvez pas le supprimer avec un system prompt, bien que la formulation et le contexte puissent modifier la fréquence de déclenchement. Les modèles à poids ouverts peuvent être ajustés davantage par leurs fournisseurs pour réduire ces refus, ce qui a été fait pour le modèle derrière cette API.

2. System prompt et règles produit

L'application autour du modèle ajoute des instructions que vous ne voyez pas : ton, sujets à éviter, formatage. Un modèle utilisé via une application grand public peut se comporter différemment du même modèle appelé via une API avec votre propre system prompt.

3. Filtres d'entrée et de sortie

Certains services exécutent un classificateur séparé sur votre prompt ou sur la réponse et bloquent ou réécrivent le résultat. Vous pouvez voir une erreur générique au lieu d'une phrase de refus.

4. Limites légales et politiques

Les fournisseurs doivent respecter la loi là où ils opèrent. Le contenu illégal est bloqué partout, et aucun service sérieux ne changera cela. Cette API a une règle fixe de ce type : pas de contenu sexuel impliquant des mineurs.

Construisez votre propre test de refus

Un jeu de tests bat les opinions. Rédigez 30 à 50 prompts qui reflètent ce que fait vraiment votre produit. Incluez des tâches ordinaires comme groupe témoin, afin de distinguer un modèle qui refuse trop d'un modèle qui échoue simplement. De bonnes catégories pour les outils de fiction et de jeu de rôle sont la violence dans une histoire de guerre, un méchant moralement ambigu avec un dialogue persuasif, des questions médicales ou juridiques franches, des thèmes sombres dans l'horreur, et une romance mature gérée sans détails explicites.

Le script ci-dessous envoie chaque prompt à un endpoint compatible OpenAI, marque les réponses qui ressemblent à des refus et affiche un taux. La liste de phrases est brute, donc lisez chaque réponse marquée vous-même avant de tirer des conclusions.

Copyimport 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)

Pour comparer les services, modifiez uniquement base_url, la clé et le nom du modèle, et gardez le fichier de prompts identique. Exécutez-le plusieurs fois à des jours différents, car le comportement peut changer. Gardez les paramètres identiques : même message système, même température, même graine là où elle est prise en charge.

Les erreurs qui faussent un test de refus

Les tests de refus semblent simples, c'est pourquoi ils sont souvent mal faits. Voici les erreurs qui mènent le plus souvent à de fausses conclusions.

• Tester uniquement les prompts extrêmes. Un ensemble composé de requêtes au pire cas vous montre les limites, mais vos utilisateurs vivent dans la moyenne. La plupart des prompts réels sont des scènes ordinaires, des moments de personnage et des questions. Pondérez l'ensemble vers ce que vous attendez réellement.
• Comparer des paramètres différents. Une modification de la température ou du system prompt seul peut faire varier les taux de refus. Si vous comparez deux services, maintenez tout le reste fixe.
• Une exécution, un jour. Les modèles hébergés et les couches autour d'eux peuvent changer. Répétez le test à quelques jours d'intervalle et conservez les résultats avec des dates.
• Se fier à la liste de phrases. Une réponse qui commence poliment puis décline au troisième paragraphe échappe à une vérification sur les 300 premiers caractères. Élargissez la portion vérifiée, ou lisez un échantillon à la main.
• Ignorer la qualité. Un modèle qui ne refuse jamais mais écrit des scènes plates et répétitives n'est pas le meilleur choix. Évaluez également l'utilité de quelques sorties.

Comment lire les résultats

Un taux de refus seul vous dit peu. Regardez la répartition.

• Les refus sur les prompts de contrôle signifient que votre détecteur est trop large ou que le service est instable. Corrigez cela avant toute autre chose.
• Les refus groupés sur un thème pointent vers une règle d'entraînement ou de politique. Un system prompt reformulé peut aider, ou pas.
• Les refus qui disparaissent quand vous ajoutez du contexte montrent une règle légère. Une description claire du cadre fictif et du public adulte change souvent le résultat.
• Les refus doux sont des réponses qui se conforment en apparence mais atténuent le contenu, font la morale ou terminent la scène prématurément. Votre liste de phrases ne les capturera pas, donc prélevez aussi des échantillons des réponses non signalées.

Suivez également le coût d'une exécution échouée. Sur cette API, les requêtes échouées ou refusées ne sont pas facturées, ce qui maintient un grand jeu de tests peu coûteux. Une exécution de 50 prompts avec 200 tokens d'entrée et 400 tokens de sortie chacun coûte 50 x (200 x $0,15 + 400 x $0,50) / 1 000 000 = 50 x $0,00023 = $0,0115, soit environ un centime.

Rédigez des system prompts qui réduisent les refus légers

Sur un modèle déjà ajusté pour répondre, le message système compte toujours, car il définit les attentes que le modèle suit ensuite. Soyez direct sur la tâche et l'audience. Un message tel que « Vous êtes un co-auteur de romans pour adultes. Rédigez des scènes en entier, dans le ton demandé, sans faire la leçon ni ajouter de mentions » indique au modèle à quoi ressemble une bonne réponse. Des prompts vagues ou trop prudents invitent à des réponses évasives.

Décrivez le format que vous souhaitez : longueur, point de vue, temps. Indiquez ce qu'il faut éviter de manière positive là où vous le pouvez, par exemple "gardez la scène sur le dialogue des personnages" au lieu d'une longue liste d'interdictions. Si un type de réponse particulier revient systématiquement avec des avertissements que vous ne voulez pas, dites une fois que vos lecteurs sont des adultes qui ont choisi ce type de fiction, et testez l'effet sur votre ensemble de prompts plutôt que de supposer que cela fonctionne.

Ce que cette API promet et ne promet pas

Le modèle derrière ce service est un modèle à poids ouverts exécuté par un fournisseur indépendant et ajusté pour répondre sans refus de contenu pour une utilisation adulte légale. C'est une affirmation plus étroite que "tout est permis", et c'est intentionnel. Ce n'est pas Grok et ce n'est pas l'API officielle d'aucun fournisseur. Le service gère uniquement le texte. Une règle ne peut pas être modifiée : pas de contenu sexuel impliquant des mineurs.

Il ne vous met pas non plus à l'abri des conséquences. Vous restez responsable de ce que vous générez et publiez, et du respect de la loi là où vous vivez et opérez. Si votre application est publique, ajoutez votre propre vérification d'âge, vos conditions et un chemin de signalement. Moins de refus du modèle signifient plus de responsabilité dans votre couche applicative, et non moins.

Techniquement, il s'agit d'une API standard compatible OpenAI avec POST /v1/chat/completions et GET /v1/models, le streaming, l'appel de fonctions et le mode JSON, et une fenêtre de contexte de 100 000 tokens. Le guide de démarrage montre le format de la requête, et la page clé API explique l'inscription. Les nouveaux utilisateurs peuvent réclamer 0,50 $ de crédit d'essai gratuit, valable 7 jours, sans détails de paiement.

Exécution du test sur une clé d'essai

Vous pouvez exécuter le script ci-dessus avec une clé d'essai. Attention aux limites : une clé d'essai autorise 2 requêtes simultanées et 60 requêtes par minute, donc une boucle qui envoie des appels les uns après les autres convient, mais un pool de dix threads atteindra une erreur HTTP 429 avec le code concurrency. Si vous voyez rate_limited, vous avez dépassé le plafond par minute et devez attendre un moment. Une clé complète autorise 8 requêtes simultanées et 300 par minute.

Pour une utilisation continue, le prix est de 0,15 $ par 1 M de tokens en entrée et 0,50 $ par 1 M de tokens en sortie, en crédit prépayé. Les recharges vont de 20 $ à 500 $, payées en USDT sur TRC20 ou USDC sur Base, avec des bonus de 5 %, 10 % et 15 % à partir de 50 $, 100 $ et 200 $. Voir la page des tarifs. Si vous voulez voir comment le même endpoint gère une autre famille de modèles ouverts, la page d'intégration Gemma est un article associé.

Plus de guides

• Alternative à Grok sans censure : une API OpenAI hébergée
• Plugin de désinhibition Grok vs endpoint d’API dédié
• Intégration API Gemma sans censure