Czy Grok jest naprawdę bez cenzury? Jak przetestować go samodzielnie
Zaktualizowano
Czy grok jest naprawdę bez cenzury? Prawdziwa odpowiedź brzmi: żaden model hostowany nie jest wolny od zasad, a zachowanie Groka zależy od produktu, trybu i daty. Zamiast ufać etykietce, możesz zmierzyć odsetek odmów na własnych promptach. Na tej stronie pokazujemy, jak to zrobić.
Krótka odpowiedź i dlaczego etykieta myli
Często pytają czy Grok jest naprawdę bez cenzury, ponieważ model był promowany jako mniej ograniczony niż niektórzy konkurenci. Czy to zgadza się z Twoim doświadczeniem, zależy od tego, o o o co pytasz, jakiego produktu używasz i kiedy zadajesz pytanie. xAI zmienia swoje modele, prompty systemowe i polityki w czasie, więc każde twierdzenie tutaj na temat konkretnego zachowania szybko się zestarzeje. Aby poznać aktualne zasady, przeczytaj własną dokumentację i politykę użytkowania xAI.
Co można powiedzieć z pewnością, dotyczy struktury. Każdy model hostowany przez firmę działa w ramach pewnego zestawu zasad: prawnych, platformowych i wyborów treningowych. Nawet model sprzedawany jako liberalny odrzuci niektóre żądania. Przydatnym pytaniem nie jest więc to, czy jest bez cenzury, ale czy odrzuca konkretne rzeczy potrzebne Twojemu produktowi. To coś, co możesz zmierzyć w jedno popołudnie.
Cztery warstwy, z których pochodzą odmowy
Kiedy chatbot mówi „nie”, przyczyna może leżeć w jednym z czterech miejsc. Wiedza, które to miejsce, pomaga dobrać rozwiązanie.
1. Trening modelu
Większość modeli czatu jest trenowana po wstępnym treningu, aby odrzucać pewne żądania. To żyje w wagach. Nie możesz tego usunąć promptem systemowym, choć sformułowanie i kontekst mogą zmienić częstotliwość wyzwalania. Modele o otwartych wagach mogą być dalej dostrojane przez dostawców, aby zmniejszyć te odmowy, co zostało zrobione z modelem stojącym za tym API.
2. Prompt systemowy i zasady produktu
Aplikacja wokół modelu dodaje instrukcje, których nie widzisz: ton, tematy do unikania, formatowanie. Model używany przez aplikację konsumencką może zachowywać się inaczej niż ten sam model wywoływany przez API z Twoim własnym promptem systemowym.
3. Filtry wejścia i wyjścia
Niektóre usługi uruchamiają oddzielną klasyfikację Twojego promptu lub odpowiedzi i blokują lub przepisują wynik. Możesz zobaczyć ogólny błąd zamiast zdania odmowy.
4. Limity prawne i wynikające z polityk
Dostawcy muszą przestrzegać prawa tam, gdzie operują. Treści nielegalne są blokowane wszędzie, a żadna renomowana usługa tego nie zmieni. To API ma jedną stałą zasadę tego typu: brak treści seksualnych z udziałem nieletnich.
Zbuduj własny test odmów
Zestaw testowy bije opinie. Napisz 30 do 50 promptów, które odzwierciedlają to, co naprawdę robi Twój produkt. Uwzględnij zwykłe zadania jako grupę kontrolną, aby odróżnić model, który zbyt wiele odmawia, od tego, który po prostu nie działa. Dobre kategorie dla narzędzi do fikcji i odgrywania ról to przemoc w opowieści wojennej, moralnie szary złoczyńca z perswazyjnymi dialogami, szczere pytania medyczne lub prawne, ciemne motywy w horrorze oraz dojrzały romans bez jednoznacznych szczegółów.
Poniższy skrypt wysyła każdy prompt do endpointu kompatybilnego z OpenAI, oznacza odpowiedzi wyglądające na odmowy i wypisuje odsetek. Lista fraz jest prymitywna, więc przeczytaj każdą oznaczoną odpowiedź samodzielnie przed wyciągnięciem wniosków.
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)Aby porównać usługi, zmień tylko base_url, klucz i nazwę modelu, pozostawiając plik promptów bez zmian. Uruchom go więcej niż raz w różnych dniach, ponieważ zachowanie może się zmieniać. Utrzymaj identyczne ustawienia: ten sam komunikat systemowy, ta sama temperatura, ten sam seed tam, gdzie jest to wspierane.
Błędy psujące test odmów
Testy odmów wyglądają na proste, dlatego są często robione źle. Oto błędy, które najczęściej prowadzą do błędnych wniosków.
- Testowanie tylko ekstremalnych promptów. Zestaw złożony z najgorszych żądań pokazuje Ci krawędź, ale Twoi użytkownicy żyją w środku. Większość prawdziwych promptów to zwykłe sceny, momenty postaci i pytania. Obciążaj zestaw tym, czego faktycznie się spodziewasz.
- Porównywanie różnych ustawień. Zmiana temperatury lub samego promptu systemowego może zmienić odsetek odmów. Jeśli porównujesz dwie usługi, utrzymaj wszystko inne stałym.
- Jedno uruchomienie, jeden dzień. Modele hostowane i warstwy wokół nich mogą się zmieniać. Powtórz test w odstępach kilku dni i zachowaj wyniki z datami.
- Ufanie liście fraz. Odpowiedź, która zaczyna się uprzejmie, a następnie odmawia w trzecim akapicie, omija sprawdzanie pierwszych 300 znaków. Zwiększ liczbę sprawdzanych znaków lub przeczytaj próbkę ręcznie.
- Ignorowanie jakości. Model, który nigdy nie odmawia, ale pisze płaskie, powtarzalne sceny, nie jest lepszym wyborem. Oceń kilka odpowiedzi pod kątem użyteczności.
Jak czytać wyniki
Odsetek odmów samo w sobie mówi mało. Spójrz na wzorzec.
- Odmowy na promptach kontrolnych oznaczają, że Twój detektor jest zbyt luźny lub usługa jest niestabilna. Napraw to przed czymkolwiek innym.
- Odmowy skupione w jednym temacie wskazują na zasadę treningową lub polityki. Zmiana sformułowania promptu systemowego może pomóc, ale nie musi.
- Odmowy, które znikają po dodaniu kontekstu pokazują miękką zasadę. Jasny opis ram fikcyjnych i grupy docelowej dorosłych często zmienia wynik.
- Miękkie odmowy to odpowiedzi, które formalnie spełniają żądanie, ale rozcieńczają treść, dodają wykładów lub kończą scenę wcześniej. Twoja lista fraz nie wychwyci tych odpowiedzi, więc przeanalizuj również nieoznaczone odpowiedzi.
Śledź też koszt nieudanego uruchomienia. W tym API nieudane lub odrzucone zapytania nie są rozliczane, co utrzymuje duży zestaw testowy tani. Uruchomienie 50 promptów z 200 tokenami wejściowymi i 400 wyjściowymi dla każdego kosztuje 50 x (200 x $0,15 + 400 x $0,50) / 1 000 000 = 50 x $0,00023 = $0,0115, czyli około centa.
Napisz prompty systemowe, które ograniczą miękkie odmowy
Na modelu, który jest już dostrojony do odpowiadania, komunikat systemowy nadal ma znaczenie, ponieważ wyznacza oczekiwania, które model następnie realizuje. Bądź bezpośredni co do zadania i odbiorcy. Komunikat taki jak „Jesteś współautorem literatury dla dorosłych. Piszesz pełne sceny w żądanym tonie, bez wykładów i dodawania zastrzeżeń” mówi modelowi, jak powinna wyglądać dobra odpowiedź. Niejasne lub przepraszające prompty zachęcają do unikania konkretów.
Opisz format, którego chcesz: długość, punkt widzenia, czas gramatyczny. Powiedz, czego unikać w sposób pozytywny, gdzie możesz, na przykład „utrzymuj scenę na dialogu postaci” zamiast długiej listy zakazów. Jeśli pewien typ odpowiedzi ciągle wraca z ostrzeżeniami, których nie chcesz, powiedz raz, że Twoi czytelnicy to dorośli, którzy wybrali ten rodzaj fikcji, i przetestuj efekt na swoim zbiorze promptów, zamiast zakładać, że zadziała.
Co to API obiecuje, a czego nie
Model stojący za tą usługą to model o otwartych wagach uruchamiany przez niezależnego dostawcę i dostrojony do odpowiadania bez odmów treści dla legalnego użytku przez dorosłych. To węższe twierdzenie niż „wszystko dozwolone”, i tak ma być. To nie jest Grok ani oficjalne API żadnego dostawcy. Usługa obsługuje tylko tekst. Jednej zasady nie można zmienić: brak treści seksualnych z udziałem nieletnich.
Nie czyni Cię też odpornym na konsekwencje. Pozostajesz odpowiedzialny za to, co generujesz i publikujesz, oraz za przestrzeganie prawa tam, gdzie mieszkasz i operujesz. Jeśli Twoja aplikacja jest publiczna, dodaj własną weryfikację wieku, regulamin i ścieżkę zgłoszeń. Mniej odmów z modelu oznacza większą odpowiedzialność w warstwie aplikacji, a nie mniejszą.
To technicznie standardowe API kompatybilne z OpenAI ze POST /v1/chat/completions, GET /v1/models, strumieniowaniem, wywoływaniem funkcji i trybem JSON oraz oknem kontekstu 100 000 tokenów. Szybki start pokazuje format zapytania, a strona klucza API wyjaśnia, jak się zarejestrować. Nowi użytkownicy mogą otrzymać $0,50 darmowego kredytu próbnego ważnego przez 7 dni bez podawania danych do płatności.
Uruchamianie testu na kluczu próbnymmmm
Możesz uruchomić powyższy skrypt na kluczu próbnymmmm. Pamiętaj o limitach: klucz próbny pozwala na 2 równoległe zapytania i 60 zapytań na minutę, więc pętla wysyłająca wywołania jedno po drugim jest w porządku, ale pula dziesięciu wątków zwróci HTTP 429 z kodem concurrency. Jeśli zobaczysz rate_limited, przekroczyłeś limit na minutę i powinieneś zaczekać chwilę. Pełny klucz pozwala na 8 równoległych i 300 na minutę.
Cena za stałe użytkowanie to $0,15 za 1M tokenów wejściowych i $0,50 za 1M tokenów wyjściowych, w modelu przedpłaconym. Doładowania wynoszą od $20 do $500, płatne USDT na TRC20 lub USDC na Base, z bonusami 5%, 10% i 15% przy kwotach $50, $100 i $200. Zobacz stronę z cenami. Jeśli chcesz zobaczyć, jak ten sam endpoint obsługuje inną rodzinę modeli open-weight, przeczytaj stronę integracji Gemma.
