RouterHub-এর সঙ্গে GLM 5.3 Abliterated ও Uncensored মডেল ব্যবহার করুন

এই প্রকল্পে যা রয়েছে

এই RouterHub রিপোজিটরিতে GLM 5.3 মডেল নির্দেশিকা, API উদাহরণ, মূল্যায়ন-সংক্রান্ত পরামর্শ এবং মডেলের আচরণ নিয়ে গবেষণার জন্য 35টি প্রম্পট ফাইল রয়েছে। এতে standard, Flash, abliterated এবং uncensored GLM 5.3 ক্যাটালগ এন্ট্রিগুলোর ওপর গুরুত্ব দেওয়ার পাশাপাশি, একটি RouterHub অ্যাকাউন্ট কীভাবে সমর্থিত GPT, Claude, DeepSeek, Qwen এবং Grok মডেল ব্যবহার করতে পারে তা ব্যাখ্যা করা হয়েছে।

রিপোজিটরিটি মূলত সফটওয়্যার প্যাকেজের পরিবর্তে ডকুমেন্টেশন ও পুনর্ব্যবহারযোগ্য কনফিগারেশন উপকরণ। আপনি এর ফাইলগুলো অফলাইনে পর্যালোচনা করতে পারেন, নির্বাচিত নির্দেশনা সামঞ্জস্যপূর্ণ ক্লায়েন্টে যুক্ত করতে পারেন, অথবা কোনো অ্যাপ্লিকেশনকে RouterHub-এর হোস্টেড API-এর সঙ্গে সংযুক্ত করতে পারেন।

প্রত্যাখ্যান কমে যাওয়া একটি পরিমাপযোগ্য আচরণ; এটি কোনো অনুরোধের উত্তর মডেলটি সবসময় দেবে বা সঠিক ফল তৈরি করবে, এমন নিশ্চয়তা নয়।

GLM 5.3-এর ভ্যারিয়েন্টগুলো বুঝুন

abliterated এবং uncensored লেবেল দুটি সম্পর্কিত হলেও ভিন্ন ধারণা বোঝায়।

• GLM 5.3 Abliterated: মডেলের ওজনে এমন হস্তক্ষেপের সঙ্গে সম্পর্কিত একটি গবেষণা ভ্যারিয়েন্ট, যার উদ্দেশ্য প্রত্যাখ্যান-সম্পর্কিত আচরণ কমানো।
• GLM 5.3 Uncensored: একটি বিস্তৃত পণ্য-শ্রেণি, যেখানে প্রশিক্ষণগত পরিবর্তন, ওজনের পরিবর্তন অথবা প্রম্পট-স্তরের পারসোনা থাকতে পারে।
• GLM 5.3: স্ট্যান্ডার্ড ক্যাটালগ এন্ট্রি।
• GLM 5.3 Flash: একটি পৃথক এন্ট্রি, যার গুণমান, লেটেন্সি, সক্ষমতা ও মূল্যহার আলাদাভাবে মূল্যায়ন করা উচিত।

রিপোজিটরিটি হোস্টেড ওজনগুলো স্বাধীনভাবে পরিদর্শন করে না এবং প্রত্যাখ্যানের হারসংক্রান্ত বেঞ্চমার্ক ফলও প্রকাশ করে না। ডিপ্লয় করার আগে সর্বদা লাইভ ক্যাটালগ এন্ট্রি যাচাই করুন এবং নিজের বৈধ কাজ দিয়ে এর আচরণ পরীক্ষা করুন।

উপলভ্য GLM মডেল ID

• glm-5.3-abliterated
• glm-5.3
• glm-5.3-flash
• glm-5.3-uncensored
• glm-5.3-flash-uncensored

এই GLM এন্ট্রিগুলো Chat Completions প্রোটোকল ব্যবহার করে। উপলভ্যতা, সক্ষমতা ও মূল্যহার পরিবর্তিত হতে পারে, তাই ডিপ্লয় করার আগে লাইভ RouterHub মডেল ক্যাটালগ পরীক্ষা করুন।

প্রধান বৈশিষ্ট্য

• OpenAI-সামঞ্জস্যপূর্ণ অ্যাক্সেস: পরিচিত SDK ব্যবহার করে Chat Completions-এর মাধ্যমে তালিকাভুক্ত GLM মডেল কল করুন।
• এক অ্যাকাউন্টে একাধিক পরিবার: প্রিপেইড RouterHub অ্যাকাউন্ট ব্যবহার করে সমর্থিত GLM, GPT, Claude, DeepSeek, Qwen এবং Grok এন্ট্রি অ্যাক্সেস করুন।
• পঁয়ত্রিশটি প্রম্পট ফাইল: সিস্টেম প্রম্পট, অ্যাসিস্ট্যান্ট স্পেসিফিকেশন, ওয়ার্কস্পেস প্রোফাইল, এজেন্ট নির্দেশনা, Ollama Modelfile এবং একটি Grok কনফিগারেশন পর্যালোচনা করুন।
• কোডিং-টুল নির্দেশনা: OpenCode, Cursor, Continue, Cline, Claude Code, Codex CLI, LangChain অথবা LlamaIndex-এর সঙ্গে উপযুক্ত প্রোটোকল মিলিয়ে নিন।
• মূল্যায়ন সংস্থান: কাজের গুণমান, প্রত্যাখ্যানের আচরণ, নির্দেশনা অনুসরণ, পুনরাবৃত্তিযোগ্যতা, লেটেন্সি এবং মোট খরচ ব্যবহার করে মডেল ভ্যারিয়েন্টগুলোর তুলনা করুন।
• প্রিপেইড ব্যবহার বিলিং: একটি অ্যাকাউন্টে অর্থ যোগ করুন এবং নির্বাচিত মডেলের প্রকাশিত টোকেন হার অনুযায়ী অর্থ প্রদান করুন।

RouterHub API অ্যাক্সেস সেট আপ করুন

1. অ্যাকাউন্ট তৈরি ও অর্থ যোগ করুন

RouterHub-এ নিবন্ধন করুন, প্রিপেইড ক্রেডিট যোগ করুন এবং একটি ব্যক্তিগত API key তৈরি করুন। একটি ইনফারেন্স অনুরোধে ক্রেডিট খরচ হয়, তাই অল্প পরিমাণের পরীক্ষা দিয়ে শুরু করুন এবং তৈরি হওয়া ব্যবহারের চার্জ পর্যালোচনা করুন।

2. শংসাপত্র নিরাপদে সংরক্ষণ করুন

RouterHub https://routerhub.si/v1-কে API-এর বেস URL হিসেবে প্রকাশ করে। URL ও key পরিবেশ ভেরিয়েবলে সংরক্ষণ করুন:

export ROUTERHUB_API_KEY="<your-private-key>"
export ROUTERHUB_API_BASE_URL="https://routerhub.si/v1"

বাস্তব key রিপোজিটরিতে কমিট করবেন না। প্রোডাকশন সিস্টেমে আপনার হোস্টিং প্ল্যাটফর্মের দেওয়া সিক্রেট ম্যানেজার ব্যবহার করুন।

3. OpenAI SDK ইনস্টল করুন

তালিকাভুক্ত GLM 5.3 মডেলগুলো Chat Completions ব্যবহার করে, তাই OpenAI Python ক্লায়েন্ট ইনস্টল করুন:

python -m pip install openai

আপনার প্রথম GLM 5.3 অনুরোধ পাঠান

RouterHub-এর বেস URL ও আপনার ব্যক্তিগত key দিয়ে একটি OpenAI ক্লায়েন্ট তৈরি করুন। এরপর সঠিক ক্যাটালগ ID ব্যবহার করে একটি Chat Completions অনুরোধ পাঠান:

import os
from openai import OpenAI

api = OpenAI(
    base_url=os.environ["ROUTERHUB_API_BASE_URL"],
    api_key=os.environ["ROUTERHUB_API_KEY"],
)

result = api.chat.completions.create(
    model="glm-5.3-abliterated",
    messages=[
        {
            "role": "user",
            "content": "Explain what an API gateway does in two sentences."
        }
    ],
)

print(result.choices[0].message.content)

অন্য কোনো ভ্যারিয়েন্টের সঙ্গে তুলনা করতে অনুরোধটি অপরিবর্তিত রাখুন এবং শুধু মডেল ID পরিবর্তন করুন। উদাহরণস্বরূপ, স্ট্যান্ডার্ড-মডেল বেসলাইন হিসেবে glm-5.3 অথবা আলাদাভাবে তালিকাভুক্ত uncensored এন্ট্রি মূল্যায়নের জন্য glm-5.3-uncensored ব্যবহার করুন।

একটি সিস্টেম নির্দেশনা যোগ করুন

একটি সমর্থিত Chat Completions অনুরোধে সিস্টেম মেসেজ আউটপুটের প্রয়োজনীয়তা নির্ধারণ করতে পারে:

result = api.chat.completions.create(
    model="glm-5.3-flash",
    messages=[
        {
            "role": "system",
            "content": "Answer concisely and identify uncertain claims."
        },
        {
            "role": "user",
            "content": "Suggest tests for a function that parses CSV rows."
        }
    ],
)

print(result.choices[0].message.content)

প্রতিটি ভ্যারিয়েন্ট আপনার সিস্টেম নির্দেশনা প্রত্যাশিতভাবে অনুসরণ করছে কি না পরীক্ষা করুন। শুধু uncensored লেবেল দেখে বোঝা যায় না কোনো বাস্তবায়নে ওজনের পরিবর্তন, প্রশিক্ষণগত পরিবর্তন নাকি এমন একটি নির্দিষ্ট পারসোনা ব্যবহার করা হয়েছে যা নির্দেশনা প্রক্রিয়াকরণে প্রভাব ফেলতে পারে।

বান্ডেল করা প্রম্পট সংগ্রহ ব্যবহার করুন

সব ৩৫টি গবেষণা প্রম্পট ফাইল রিপোজিটরির jailbreaks/ ডিরেক্টরিতে সংরক্ষিত আছে। এগুলো GLM ও ZCode, Claude, DeepSeek, Kimi, Grok, Gemini, Mistral, Qwen, Gemma, GPT-OSS এবং OpenCode-কেন্দ্রিক বেশ কয়েকটি মডেলকে অন্তর্ভুক্ত করে।

সিস্টেম প্রম্পট

কোনো ফাইলের বিষয়বস্তু আপনার API, চ্যাটবট, এজেন্ট বা হারনেসে দেওয়া সিস্টেম-প্রম্পট অথবা কাস্টম-ইনস্ট্রাকশন ফিল্ডে কপি করুন। Chat Completions-এর মাধ্যমে সাধারণত এর অর্থ হলো টেক্সটটি system রোলযুক্ত একটি মেসেজে রাখা।

প্রজেক্ট-স্তরের এজেন্ট নির্দেশনা

AGENTS.md নির্দেশনা হিসেবে তৈরি ফাইলগুলো সংশ্লিষ্ট রিপোজিটরি বা ওয়ার্কস্পেসের রুটে ঠিক ওই নামেই সংরক্ষণ করতে হবে। সামঞ্জস্যপূর্ণ কোডিং এজেন্টগুলো এরপর ফাইলটিকে প্রজেক্ট-স্তরের নির্দেশনা হিসেবে বিবেচনা করতে পারে।

স্থায়ী ওয়ার্কস্পেস নীতি

অ্যাসিস্ট্যান্টের অপারেটিং স্পেসিফিকেশন এবং ওয়ার্কস্পেস প্রোফাইল কোনো ক্লায়েন্টের স্থায়ী নির্দেশনা সংরক্ষণের স্থানে রাখা উচিত। README-তে OpenCode-এর জন্য এই পথটি উদাহরণ হিসেবে দেওয়া হয়েছে:

~/.config/opencode/AGENTS.md

অন্যান্য টুল ভিন্ন পথ ব্যবহার করতে পারে, তাই কোনো নীতি বিশ্বব্যাপী ইনস্টল করার আগে ক্লায়েন্টের ডকুমেন্টেশন দেখুন।

Ollama Modelfile

Gemma 4 এবং GPT-OSS 20B প্রম্পট ফাইলগুলোতে Ollama-ধাঁচের FROM এবং SYSTEM ব্লক রয়েছে। নিচের কমান্ড দিয়ে এই ফাইলগুলোর একটি থেকে স্থানীয় মডেল তৈরি করুন:

ollama create gemma4-jb -f jailbreaks/gemma4.md

অন্য Modelfile ব্যবহার করলে আউটপুট মডেলের নাম এবং সোর্স পাথ পরিবর্তন করুন।

Grok কনফিগারেশন

jailbreaks/grok-config.txt ফাইলটি সাধারণ কথোপকথনের মেসেজের জন্য নয়; এটি লক্ষ্য হারনেসের কনফিগারেশন ফিল্ডের জন্য তৈরি।

প্রম্পটের আচরণ সংস্করণনির্ভর। মডেলের আপডেট এবং নির্দেশনার স্তরবিন্যাসে পরিবর্তনের কারণে আগে কার্যকর কোনো ফাইল ভিন্নভাবে কাজ করতে পারে।

সামঞ্জস্যপূর্ণ ক্লায়েন্ট ও প্রোটোকল বেছে নিন

একটি শেয়ার করা RouterHub কী প্রতিটি মডেলকে প্রতিটি API প্রোটোকলের সঙ্গে সামঞ্জস্যপূর্ণ করে না। মডেল ও ক্লায়েন্ট একসঙ্গে নির্বাচন করুন।

• OpenAI SDK: RouterHub-এর বেস URL, কী এবং একটি সঠিক GLM মডেল ID দিন।
• OpenCode: নির্বাচিত GLM এন্ট্রির জন্য Chat Completions প্রোভাইডার কনফিগারেশন ব্যবহার করুন।
• Continue বা Cline: তাদের সামঞ্জস্যপূর্ণ Chat Completions সেটআপ অনুসরণ করুন।
• Cursor: আপনার ইনস্টল করা সংস্করণ কাস্টম Chat Completions এন্ডপয়েন্ট এবং প্রয়োজনীয় মডেল ফিচার সমর্থন করে কি না যাচাই করুন।
• LangChain বা LlamaIndex: একটি সামঞ্জস্যপূর্ণ Chat Completions ইন্টিগ্রেশন বেছে নিয়ে অ্যাপ্লিকেশন-নির্দিষ্ট ফিচার যাচাই করুন।
• Claude Code বা Anthropic SDK: Anthropic Messages সমর্থনকারী কোনো ক্যাটালগ এন্ট্রি বেছে নিন, যেমন একটি সমর্থিত Claude মডেল। তালিকাভুক্ত GLM ভ্যারিয়েন্টগুলো Messages ব্যবহার করে না।
• Codex CLI: Chat-only GLM এন্ট্রির পরিবর্তে Responses সমর্থনকারী মডেল বেছে নিন।

ঐচ্ছিক Claude Messages উদাহরণ

একই RouterHub অ্যাকাউন্ট Anthropic-সামঞ্জস্যপূর্ণ Messages API-এর মাধ্যমে সমর্থিত Claude মডেল পরিবেশন করতে পারে। এটি GLM-এর বিকল্প এন্ডপয়েন্ট নয়। প্রথমে Anthropic SDK ইনস্টল করুন:

python -m pip install anthropic

এরপর একটি সমর্থিত Claude ক্যাটালগ এন্ট্রি ব্যবহার করুন:

import os
from anthropic import Anthropic

api = Anthropic(
    base_url=os.environ["ROUTERHUB_API_BASE_URL"],
    api_key=os.environ["ROUTERHUB_API_KEY"],
)

result = api.messages.create(
    model="claude-opus-5-5",
    max_tokens=64,
    messages=[
        {
            "role": "user",
            "content": "Explain what an API gateway does in two sentences."
        }
    ],
)

for part in result.content:
    if part.type == "text":
        print(part.text)

পদ্ধতিগতভাবে ভ্যারিয়েন্ট মূল্যায়ন করুন

একটি কার্যকর তুলনার জন্য একটি অনুমতিশীল উত্তর খুঁজে পাওয়াই যথেষ্ট নয়। স্ট্যান্ডার্ড, Flash, abliterated এবং uncensored এন্ট্রিগুলোর বিরুদ্ধে একই বৈধ কাজ চালান, তারপর ধারাবাহিক পরিমাপ রেকর্ড করুন।

1. প্রতিনিধিত্বশীল কাজ নির্ধারণ করুন। আপনার অ্যাপ্লিকেশনের প্রতিফলন করে এমন কোডিং, এজেন্ট, বিশ্লেষণ, লেখালেখি বা দ্বিভাষিক পরিস্থিতি অন্তর্ভুক্ত করুন।
2. ইনপুট একরূপ রাখুন। সব মডেলের জন্য একই প্রম্পট, সিস্টেম নির্দেশনা এবং প্রাসঙ্গিক সেটিংস পুনরায় ব্যবহার করুন।
3. অপ্রয়োজনীয় প্রত্যাখ্যান পরিমাপ করুন। আপনার নির্ধারিত পরীক্ষানীতির অধীনে উত্তরযোগ্য হওয়া সত্ত্বেও প্রত্যাখ্যাত অনুরোধগুলো রেকর্ড করুন।
4. কাজের মান নির্ধারণ করুন। সঠিকতা, কার্যকর বিবরণ, পরীক্ষিত কোড এবং অনিশ্চয়তার যথাযথ প্রকাশ যাচাই করুন।
5. নির্দেশনা অনুসরণের আচরণ পরীক্ষা করুন। ফরম্যাটিং, সিস্টেম মেসেজ পরিচালনা, প্রজেক্ট নির্দেশনা এবং প্রয়োজনীয় টুল ইন্টিগ্রেশন যাচাই করুন।
6. পুনরাবৃত্তিযোগ্যতা যাচাই করুন। API ID, প্রম্পটের সংশোধন, সেটিংস, পুনরাবৃত্তির সংখ্যা এবং পরীক্ষার তারিখ রেকর্ড করুন।
7. মোট কাজের খরচ হিসাব করুন। ইনপুট ও আউটপুট টোকেন, ব্যর্থ প্রচেষ্টা, পুনরায় চেষ্টা, আউটপুটের দৈর্ঘ্য এবং শুরু থেকে শেষ পর্যন্ত লেটেন্সি অন্তর্ভুক্ত করুন।

রিপোজিটরিতে examples/benign-eval-prompts.json-এ নিরীহ নমুনা কাজ অন্তর্ভুক্ত রয়েছে। এটি লাইভ বেঞ্চমার্ক স্কোরের দাবি করে না, তাই এই রিসোর্সগুলোকে নিজের মূল্যায়নের ভিত্তি হিসেবে বিবেচনা করুন।

উন্নত পরামর্শ

ডিপ্লয়মেন্টের আগে ক্যাটালগ পুনরায় যাচাই করুন

হোস্টেড প্রাপ্যতা, মূল্য, সক্ষমতা এবং আচরণ পরিবর্তিত হতে পারে। কোনো ইন্টিগ্রেশন প্রকাশের আগে সঠিক মডেল ID এবং সমর্থিত প্রোটোকল নিশ্চিত করুন, আর মডেল আপডেটের পর গুরুত্বপূর্ণ পরীক্ষাগুলো আবার চালান।

Flash আলাদাভাবে পরীক্ষা করুন

GLM 5.3 Flash-এর মান বা আচরণ স্ট্যান্ডার্ড মডেলের মতোই হবে, এমন ধরে নেবেন না। আপনার লেটেন্সি, খরচ এবং গ্রহণযোগ্যতার মানদণ্ড ব্যবহার করে উভয়ের বেঞ্চমার্ক করুন।

পুনরায় চেষ্টার বিষয়টি হিসাব করুন

কম টোকেন-দরের কোনো মডেল সফল প্রতি কাজের জন্য তবুও বেশি খরচ করতে পারে, যদি এর জন্য দীর্ঘ প্রম্পট, অতিরিক্ত আউটপুট বা বারবার চেষ্টা প্রয়োজন হয়। শুধু টোকেনের দাম নয়, সম্পন্ন কাজের খরচ তুলনা করুন।

প্রম্পটকে সংস্করণযুক্ত সম্পদ হিসেবে বিবেচনা করুন

প্রতিটি প্রম্পট সংশোধনের পাশাপাশি মডেলের সংস্করণ বা পরীক্ষার তারিখ উল্লেখ করুন। কোনো নির্দেশনা ফাইল কাজ করা বন্ধ করলে ক্লায়েন্ট ভুলভাবে কনফিগার করা হয়েছে ধরে না নিয়ে সেটি আপডেট করুন এবং ব্যর্থতার নথি রাখুন।

অফলাইন রিপোজিটরি পরীক্ষা চালান

ইনফারেন্স ক্রেডিট খরচ না করেই ডকুমেন্টেশন অবদানকারীরা রিপোজিটরির লিংক ও সিনট্যাক্স পরীক্ষক চালাতে পারেন:

python tools/check.py

ব্যক্তিগত তথ্য সুরক্ষিত রাখুন

হোস্টেড ইনফারেন্স স্থানীয় ইনফারেন্স নয়। গোপনীয় তথ্য পাঠানোর আগে প্রযোজ্য প্রদানকারীর শর্তাবলি ও ডেটা সংরক্ষণ নীতি পর্যালোচনা করুন। গুরুত্বপূর্ণ সিদ্ধান্তমূলক কার্যক্রমে মানুষকে সম্পৃক্ত রাখুন, এজেন্টের অনুমতি সীমিত করুন এবং জেনারেট করা কোড চালানোর আগে তা পরীক্ষা করুন।

উপসংহার

এই প্রকল্পটি GLM 5.3-এর পরিভাষা থেকে একটি কার্যকর API অনুরোধ এবং পুনরাবৃত্তিযোগ্য মডেল মূল্যায়নের দিকে যাওয়ার একটি বাস্তবসম্মত পথ দেখায়। অর্থায়ন করা RouterHub অ্যাকাউন্ট দিয়ে শুরু করুন, সঠিক Chat Completions মডেল আইডি ব্যবহার করুন, অভিন্ন কাজের ওপর বিভিন্ন রূপ পরীক্ষা করুন এবং abliterated বা uncensored লেবেলকে নিশ্চিত তথ্য হিসেবে না দেখে যাচাই করার মতো অনুমান হিসেবে বিবেচনা করুন। সংযুক্ত প্রম্পট ফাইলগুলো গবেষণা ও এজেন্ট কনফিগারেশনে সহায়তা করতে পারে, তবে সেগুলো সংস্করণ নিয়ন্ত্রণে রাখা, পর্যালোচনা করা এবং উপযুক্ত গোপনীয়তা ও ডিপ্লয়মেন্ট নিয়ন্ত্রণের সঙ্গে ব্যবহার করা উচিত।