AIチュートリアル

RouterHubでGLM 5.3のアブリテレイテッドモデルと無制限モデルを使う

RouterHubのOpenAI互換APIでGLM 5.3の各種モデルにアクセスする方法、リポジトリのプロンプト集の使い方、コーディングツールの設定方法を解説し、品質、拒否動作、レイテンシ、総コストでモデルを比較します。

2026年10月24日約17分で読了

RouterHubでGLM 5.3のアブリテレイテッドモデルと無制限モデルを使う

このプロジェクトで提供されるもの

このRouterHubリポジトリには、GLM 5.3モデルガイド、APIの使用例、評価に関するアドバイス、モデル動作の研究用プロンプトファイル35点が含まれています。標準版、Flash版、abliterated版、uncensored版のGLM 5.3カタログエントリに焦点を当てながら、1つのRouterHubアカウントで、対応するGPT、Claude、DeepSeek、Qwen、Grokモデルにアクセスする方法も説明しています。

このリポジトリは、ソフトウェアパッケージというより、主にドキュメントと再利用可能な設定素材で構成されています。ファイルをオフラインで確認したり、選択した指示を互換性のあるクライアントに配置したり、アプリケーションをRouterHubのホスト型APIに接続したりできます。

拒否の減少は測定すべき動作であり、モデルがすべてのリクエストに回答したり、正しい結果を生成したりする保証ではありません。

GLM 5.3のバリエーションを理解する

abliteratedとuncensoredというラベルは、関連していますが異なる概念を表します。

GLM 5.3 Abliterated: 拒否に関連する動作の低減を目的とした、モデルの重みに対する介入と関連する研究用バリエーションです。
GLM 5.3 Uncensored: 学習上の変更、重みの変更、またはプロンプトレベルのペルソナを含む場合がある、より広い製品カテゴリです。
GLM 5.3: 標準のカタログエントリです。
GLM 5.3 Flash: 品質、レイテンシ、機能、料金を個別に評価すべき別エントリです。

このリポジトリでは、ホスト上の重みを独自に検査したり、拒否率のベンチマーク結果を公開したりしていません。デプロイ前に、常に最新のカタログエントリを確認し、自分の正当なタスクで動作をテストしてください。

利用可能なGLMモデルID

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

これらのGLMエントリはChat Completionsプロトコルを使用します。利用可能性、機能、料金は変更される場合があるため、デプロイ前に最新のRouterHubモデルカタログを確認してください。

主な機能

OpenAI互換アクセス: 使い慣れたSDKを使用し、Chat Completions経由で掲載されているGLMモデルを呼び出せます。
複数ファミリーを1つのアカウントで利用: プリペイドのRouterHubアカウントで、対応するGLM、GPT、Claude、DeepSeek、Qwen、Grokのエントリにアクセスできます。
プロンプトファイル35点: システムプロンプト、アシスタント仕様、ワークスペースプロファイル、エージェント指示、Ollama Modelfile、Grok設定を確認できます。
コーディングツールのガイダンス: OpenCode、Cursor、Continue、Cline、Claude Code、Codex CLI、LangChain、LlamaIndexに適切なプロトコルを組み合わせます。
評価リソース: タスク品質、拒否動作、指示への従い方、再現性、レイテンシ、総コストを使ってモデルのバリエーションを比較できます。
プリペイド利用料金: アカウントに入金し、選択したモデルの公開トークン料金に応じて支払います。

RouterHub APIアクセスを設定する

1. アカウントを作成して入金する

RouterHubに登録し、プリペイドクレジットを追加して、非公開APIキーを作成します。推論リクエストではクレジットが消費されるため、少量のテストから始め、発生した利用料金を確認してください。

2. 認証情報を安全に保存する

RouterHubはAPIのベースURLとしてhttps://routerhub.si/v1を公開しています。URLとキーを環境変数に保存します。

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

実際のキーをリポジトリにコミットしないでください。本番システムでは、ホスティングプラットフォームが提供するシークレットマネージャーを使用してください。

3. OpenAI SDKをインストールする

掲載されているGLM 5.3モデルはChat Completionsを使用するため、OpenAI Pythonクライアントをインストールします。

python -m pip install openai

最初のGLM 5.3リクエストを送信する

RouterHubのベースURLと非公開キーを指定してOpenAIクライアントを作成します。次に、正確なカタログIDを使用してChat Completionsリクエストを送信します。

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)

別のバリエーションを比較するには、リクエストを変更せず、モデルIDだけを置き換えます。たとえば、標準モデルのベースラインとしてglm-5.3を使用するか、個別に掲載されたuncensoredエントリを評価するためにglm-5.3-uncensoredを使用します。

システム指示を追加する

システムメッセージで、対応するChat Completionsリクエストの出力要件を定義できます。

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)

各バリエーションがシステム指示に意図どおり従うかを確認してください。uncensoredというラベルだけでは、実装が重みの変更、学習上の変更、または指示への対応に影響する固定ペルソナのいずれを使用しているかは分かりません。

付属のプロンプトコレクションを使用する

35個すべてのリサーチ用プロンプトファイルは、リポジトリの jailbreaks/ ディレクトリに保存されています。これらは、GLMとZCode、Claude、DeepSeek、Kimi、Grok、Gemini、Mistral、Qwen、Gemma、GPT-OSS、およびOpenCode向けの複数のモデルを対象としています。

システムプロンプト

ファイルの内容を、API、チャットボット、エージェント、またはハーネスが提供するシステムプロンプト欄やカスタム指示欄にコピーします。Chat Completionsでは通常、テキストを system ロールのメッセージに配置します。

プロジェクトレベルのエージェント指示

AGENTS.md 指示用に設計されたファイルは、関連するリポジトリまたはワークスペースのルートに、正確にその名前で保存します。対応するコーディングエージェントは、このファイルをプロジェクトレベルのガイダンスとして扱えます。

永続的なワークスペースポリシー

アシスタントの運用仕様とワークスペースプロファイルは、クライアントの永続的な指示保存先に配置します。READMEでは、次のOpenCodeパスを例として示しています。

~/.config/opencode/AGENTS.md

他のツールでは異なるパスが使用される場合があるため、ポリシーをグローバルにインストールする前に、クライアントのドキュメントを確認してください。

Ollama Modelfile

Gemma 4およびGPT-OSS 20Bのプロンプトファイルには、Ollama形式の FROM ブロックと SYSTEM ブロックが含まれています。次のコマンドで、これらのファイルのいずれかからローカルモデルを作成します。

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

別のModelfileを使用する場合は、出力モデル名とソースパスを変更してください。

Grokの設定

jailbreaks/grok-config.txt ファイルは、通常の会話メッセージではなく、対象ハーネスの設定欄で使用することを想定しています。

プロンプトの挙動はバージョンによって異なります。モデルの更新や指示階層の変更により、以前は有効だったファイルの挙動が変わる可能性があります。

互換性のあるクライアントとプロトコルを選ぶ

共有RouterHubキーがあっても、すべてのモデルがすべてのAPIプロトコルに対応するわけではありません。モデルとクライアントは組み合わせて選択してください。

OpenAI SDK: RouterHubのベースURL、キー、正確なGLMモデルIDを指定します。
OpenCode: 選択したGLMエントリ用に、Chat Completionsプロバイダー設定を使用します。
ContinueまたはCline: 互換性のあるChat Completions設定に従います。
Cursor: インストール済みのバージョンが、カスタムChat Completionsエンドポイントと必要なモデル機能に対応していることを確認します。
LangChainまたはLlamaIndex: 互換性のあるChat Completions統合を選択し、アプリケーション固有の機能を検証します。
Claude CodeまたはAnthropic SDK: 対応するClaudeモデルなど、Anthropic Messagesをサポートするカタログエントリを選択します。掲載されているGLMの各バリアントはMessagesを使用しません。
Codex CLI: Chat専用のGLMエントリではなく、Responsesをサポートするモデルを選択します。

Claude Messagesの任意の例

同じRouterHubアカウントで、Anthropic互換のMessages APIを通じて、対応するClaudeモデルを利用できます。これはGLM用の代替エンドポイントではありません。まずAnthropic SDKをインストールします。

python -m pip install anthropic

次に、対応するClaudeカタログエントリを使用します。

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)

バリアントを体系的に評価する

有用な比較には、許容的な応答を1つ見つけるだけでは不十分です。標準版、Flash、アブレーション版、無検閲版のエントリに対して同じ正当なタスクを実行し、一貫した測定値を記録してください。

代表的なタスクを定義する。 アプリケーションを反映したコーディング、エージェント、分析、執筆、またはバイリンガルのシナリオを含めます。
入力を統一する。 モデル間で同じプロンプト、システム指示、関連設定を再利用します。
不要な拒否を測定する。 定義したテストポリシーのもとで回答可能にもかかわらず拒否されたリクエストを記録します。
タスク品質を採点する。 正確性、有用な詳細、テスト済みコード、不確実性の適切な表現を確認します。
指示への対応をテストする。 形式、システムメッセージの処理、プロジェクト指示、必要なツール統合を検証します。
再現性を確認する。 API ID、プロンプトの改訂版、設定、反復回数、テスト日を記録します。
タスクの総コストを計算する。 入力・出力トークン、失敗した試行、再試行、出力長、エンドツーエンドのレイテンシを含めます。

リポジトリには、examples/benign-eval-prompts.json に無害なサンプルタスクが含まれています。実際のベンチマークスコアを主張するものではないため、これらのリソースは独自評価の基盤として扱ってください。

高度なヒント

デプロイ前にカタログを再確認する

ホスト環境での利用可否、価格、機能、挙動は変わる可能性があります。統合をリリースする前に正確なモデルIDと対応プロトコルを確認し、モデル更新後には重要なテストを再実行してください。

Flashを個別にテストする

GLM 5.3 Flashの品質や挙動が標準モデルと同じだと想定しないでください。レイテンシ、コスト、合格基準を用いて両方をベンチマークします。

再試行を考慮する

トークン単価が低いモデルでも、より長いプロンプトが必要だったり、過剰な出力を生成したり、繰り返し試行が必要だったりすると、成功したタスクあたりのコストが高くなる場合があります。トークン価格だけでなく、完了タスクあたりのコストを比較してください。

プロンプトをバージョン管理するアセットとして扱う

すべてのプロンプト改訂に、モデルのバージョンまたはテスト日を併記してください。指示ファイルが機能しなくなった場合は、クライアントの設定ミスだと決めつけず、ファイルを更新して問題の発生を記録してください。

オフラインでリポジトリをチェックする

ドキュメントの貢献者は、推論クレジットを消費せずに、リポジトリのリンクおよび構文チェッカーを実行できます。

python tools/check.py

プライベートデータを保護する

ホスト型推論はローカル推論ではありません。機密情報を送信する前に、適用されるプロバイダーの規約とデータ保持ポリシーを確認してください。重大な結果につながる操作には人間を関与させ、エージェントの権限を制限し、生成されたコードを実行前に確認してください。

まとめ

このプロジェクトは、GLM 5.3の用語から実際に動作するAPIリクエスト、さらに再現可能なモデル評価へと進むための実践的な道筋を提供します。まず、残高を追加したRouterHubアカウントを用意し、正確なChat CompletionsモデルIDを使用して、同一のタスクでバリエーションをテストしてください。また、「abliterated」や「uncensored」といったラベルは保証ではなく、検証すべき仮説として扱いましょう。付属のプロンプトファイルは、研究やエージェント設定に活用できますが、適切なプライバシー管理とデプロイ管理のもとで、バージョン管理し、レビューして使用してください。