AI 튜토리얼

호환 API를 통해 GLM 5.3 Abliterated 및 Uncensored 모델 사용하는 방법

GLM 5.3 abliterated 및 uncensored 변형의 의미, 7API에서 모델을 선택하는 방법, OpenAI 또는 Anthropic 호환 요청을 보내는 방법, 개발자 도구 연결 방법, 품질·거부 동작·비용·버전 변경을 책임감 있게 평가하는 방법을 알아보세요.

2026년 10월 22일약 12분 소요

호환 API를 통해 GLM 5.3 Abliterated 및 Uncensored 모델 사용하는 방법

배우게 될 내용

이 튜토리얼에서는 7API를 통해 GLM 5.3 변형 모델에 액세스하고, OpenAI 및 Anthropic 호환 클라이언트용 API를 구성하며, 실제 코딩, 추론, 이중 언어 및 에이전트 워크플로에서 결과를 평가하는 방법을 설명합니다.

저장소에는 시스템 프롬프트, AGENTS.md 파일, 워크스페이스 정책, Ollama Modelfile 모음도 포함되어 있습니다. 이러한 파일은 호환 클라이언트에서 사용할 수 있지만 프롬프트 동작은 버전에 따라 달라지므로 추측하지 말고 테스트해야 합니다.

용어 이해하기

GLM 5.3 abliterated는 일반적으로 모델의 거부 방향을 줄이기 위해 가중치 수준에서 수정한 모델을 의미합니다. GLM 5.3 uncensored는 abliteration, 파인튜닝, 데이터 선택, 모델 병합 또는 다른 정렬 방식 등 어떤 방법으로든 거부 빈도가 낮아진 모델 변형을 가리키는 더 포괄적인 표현입니다.

두 용어는 관련되어 있지만 동일하지는 않습니다. 어느 표현도 모델이 모든 요청에 답변한다는 것을 보장하지 않습니다. 동작은 정확한 모델 버전, 프롬프트, 제공업체 정책 및 지시사항 계층 구조에 따라 달라집니다.

Abliterated: 일반적으로 모델 가중치 수정을 의미합니다.
Uncensored: 거부 동작이 전반적으로 줄어든 모델을 의미합니다.
Standard GLM 5.3: 안전 동작, 품질 및 비용 측면에서 다른 균형을 제공할 수 있습니다.

GLM 5.3을 사용하는 이유

GLM 5.3은 Zhipu AI의 GLM 제품군에 속하며 코딩, 에이전트 워크플로, 추론, 중국어 및 영어 이중 언어 작업을 목적으로 합니다. 저장소 규모의 지침, 도구를 사용하는 워크플로, 비용에 민감한 처리 또는 라우팅 구성에서 다른 모델 제품군이 필요할 때 유용할 수 있습니다.

7API를 이용하면 동일한 계정과 API 키로 Claude, GPT, Gemini, Grok, DeepSeek, Kimi를 비롯한 다른 모델 제품군에도 액세스할 수 있으며, 변형 모델은 현재 제공 가능 여부에 따라 표시됩니다.

모델 제공업체마다 애플리케이션을 다시 작성하지 않고 호환 API를 사용합니다.
코딩 및 도구 중심 워크플로에서 GLM 5.3을 테스트합니다.
자체 작업을 기준으로 standard, abliterated 및 uncensored 변형 모델을 비교합니다.
토큰당 과금 방식으로 사용하고 대시보드에서 실시간 가격을 확인합니다.

API 액세스 설정

1. 계정 생성 및 인증 정보 발급

7api.st에서 계정을 생성합니다. 대시보드에서 API 키와 적절한 기본 URL을 복사합니다. 키를 소스 코드에 직접 넣지 말고 환경 변수에 보관하세요.

export SEVEN_API_KEY="sk-..."
export SEVEN_API_BASE_URL="https://.../v1"

Anthropic 호환 엔드포인트는 대시보드에 별도의 기본 URL로 표시될 수 있으므로, 구성하는 클라이언트에 제공된 값을 사용하세요.

2. 정확한 모델 ID 선택

대시보드를 열고 사용하려는 GLM 5.3 변형 모델의 현재 모델 ID를 복사합니다. 자리 표시자나 이전 식별자가 계속 유효하다고 가정하지 마세요. 모델 버전이 변경되면 제공 가능 여부도 달라질 수 있습니다.

아래 예시에서 GLM_5_3_MODEL_ID를 대시보드의 정확한 ID로 바꾸세요.

OpenAI 호환 요청 보내기

프로젝트에 OpenAI Python SDK를 설치한 다음 7API 키와 기본 URL로 클라이언트를 초기화합니다.

pip install openai

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["SEVEN_API_KEY"],
    base_url=os.environ["SEVEN_API_BASE_URL"],
)

response = client.chat.completions.create(
    model="GLM_5_3_MODEL_ID",
    messages=[
        {"role": "system", "content": "You are a precise coding assistant."},
        {
            "role": "user",
            "content": "Refactor this function and explain the trade-offs: ...",
        },
    ],
)

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

이 패턴은 익숙한 chat-completions 인터페이스를 사용합니다. 클라이언트에서 지원하는 코딩, 이중 언어 작성, 분석 또는 에이전트 작업에 맞게 system 및 user 메시지를 조정할 수 있습니다.

Anthropic 호환 요청 보내기

애플리케이션에서 Anthropic SDK를 사용하는 경우 SDK를 설치하고 대시보드에서 확인한 호환 기본 URL을 구성합니다.

pip install anthropic

import os
from anthropic import Anthropic

client = Anthropic(
    api_key=os.environ["SEVEN_API_KEY"],
    base_url=os.environ["SEVEN_API_BASE_URL"],
)

message = client.messages.create(
    model="GLM_5_3_MODEL_ID",
    max_tokens=1024,
    system="You are a precise coding assistant.",
    messages=[
        {"role": "user", "content": "Write a migration plan for this module."}
    ],
)

print(message.content[0].text)

대시보드에서 이 프로토콜에 대한 별도의 엔드포인트를 제공하는 경우 7API가 지정한 Anthropic 호환 기본 URL을 사용하세요.

개발자 도구 연결

이 저장소에는 여러 개발 환경과의 호환성에 관한 문서가 있습니다. 일반적인 과정은 도구의 제공업체 구성에 적절한 엔드포인트, API 키 및 GLM 5.3 모델 ID를 입력하는 것입니다.

Claude Code: ANTHROPIC_BASE_URL이 7API Anthropic 엔드포인트를 가리키도록 설정합니다.
Cursor: 사용자 지정 OpenAI 호환 제공업체를 추가합니다.
OpenCode: 사용자 지정 제공업체와 선택한 GLM 5.3 모델 ID를 추가합니다.
Codex CLI: OpenAI 호환 제공업체 프로필을 사용합니다.
LangChain 또는 LlamaIndex: OpenAI 호환 어댑터를 사용합니다.

클라이언트별 지침은 저장소의 Claude Code, Cursor, OpenCode 및 Codex 가이드를 참조하세요.

저장소의 프롬프트 파일 사용

이 저장소에는 GLM, Claude, DeepSeek, Kimi, Grok, OpenCode, Ollama 및 기타 환경을 위한 프롬프트 파일이 포함되어 있습니다. 일반 대화에 모든 파일을 붙여 넣지 말고 클라이언트에 맞는 형식을 선택하세요.

시스템 프롬프트: 파일 내용을 시스템 메시지 또는 사용자 지정 지침 필드에 복사하세요.
AGENTS.md 파일: 코딩 에이전트가 프로젝트 수준 지침을 지원하는 경우 저장소 또는 작업 공간의 루트에 파일을 저장하세요.
작업 공간 정책: 클라이언트에서 요구하는 영구 지침 위치에 저장하세요. 예를 들어 README에는 OpenCode 설치를 위한 ~/.config/opencode/AGENTS.md가 안내되어 있습니다.
Ollama Modelfile: 예를 들어 ollama create gemma4-jb -f gemma4.md와 같이 파일을 Ollama에 전달하세요.
Grok 구성: 일반 채팅 메시지가 아니라 대상 하네스의 구성 필드에서 grok-config.txt를 사용하세요.

모델, 지침 계층 또는 클라이언트 버전이 업데이트되면 프롬프트 동작이 달라질 수 있습니다. 이러한 파일을 실험으로 간주하고 실제로 사용하는 정확한 모델 릴리스에서 동작을 검증하세요.

GLM 5.3 변형 평가

한 번의 성공적인 응답만으로는 삭제된(abliterated) 모델이나 검열되지 않은 모델이 프로덕션에 적합한지 판단할 수 없습니다. 대표적인 작업으로 반복 가능한 테스트 세트를 구성하고 동일한 조건에서 변형 모델을 비교하세요.

거부율 측정: 이전에 실패했던 프롬프트를 테스트하고 모델이 각 작업을 완료했는지, 일부만 완료했는지 또는 거부했는지 기록하세요.
품질 측정: 실제 코딩, 추론, 번역 및 이중 언어 작성 작업을 평가하세요.
부작용 확인: 어조, 지침 준수, 구조화된 출력 및 도구 사용의 변화를 확인하세요.
버전 변화 추적: 제공업체가 모델 또는 모델 ID를 변경할 때마다 테스트를 반복하세요.
성공한 작업당 비용 계산: 토큰 가격만 비교하지 말고 재시도와 실패한 시도도 포함하세요.

저장소에는 이 과정을 위한 전용 평가 체크리스트가 제공됩니다.

고급 사용법 및 운영 팁

모델 선택을 구성 가능하게 유지

모델 ID를 구성 파일이나 환경 변수에 저장하면 애플리케이션 코드를 변경하지 않고 표준, 삭제된(abliterated) 및 검열되지 않은 변형을 비교할 수 있습니다. 배포 전에 대시보드에서 현재 ID를 항상 확인하세요.

프로젝트별 자격 증명 사용

7API는 서브키를 지원하므로 프로젝트, 팀원 또는 고객별 예산을 분리하는 데 도움이 될 수 있습니다. 실용적인 범위에서 가장 적은 권한을 적용하고 자격 증명이 노출되면 교체하세요.

캐시된 입력과 재시도 모니터링

이 서비스는 토큰당 과금 방식을 사용하며 지원되는 경우 더 낮은 캐시 입력 요금을 제공합니다. 저렴한 모델이 반복적인 실패로 인해 더 비싸지지 않도록 재시도, 프롬프트 크기 및 성공적인 작업 완료를 추적하세요.

더 넓은 카탈로그 비교

하나의 키로 여러 모델 제품군을 사용할 수 있으므로 라우팅 품질, 지연 시간, 언어 성능 또는 거부 동작이 중요한 경우 Claude, GPT, Gemini, Grok, DeepSeek 및 Kimi와 함께 GLM 5.3을 평가하세요. 검열되지 않은 AI API 모델 카탈로그에서 더 폭넓은 비교를 시작할 수 있습니다.

책임 있는 사용 및 제한 사항

삭제된(abliterated) 변형과 검열되지 않은 변형이 거부를 전혀 하지 않는다고 보장할 수는 없습니다. 거부 동작이 줄어들면 지침 준수, 어조 또는 기타 품질 특성도 달라질 수 있습니다. 출력이 사람, 시스템 또는 중요한 결정에 영향을 미치는 경우 애플리케이션 수준의 보호 장치, 로깅, 접근 제어 및 사람의 검토를 추가하세요.

관련 법률, 제공업체 약관 및 조직 정책을 준수하세요.
모델의 라벨을 안전성 또는 품질 보장으로 간주하지 마세요.
사용하려는 정확한 버전과 제공업체 엔드포인트를 테스트하세요.
API 키를 보호하고 클라이언트 측 애플리케이션이나 저장소에 노출하지 마세요.
생성된 코드와 에이전트 작업을 프로덕션 시스템에 적용하기 전에 검토하세요.

추가 고려 사항은 저장소의 안전 및 책임 있는 사용 가이드를 참조하세요.

가격 및 이용 가능 여부

7API는 구독 방식이 아니라 토큰당 과금 방식으로 이용할 수 있습니다. README에는 지원되는 경우 캐시 입력 과금, BTC, ETH, USDT 및 LTC를 사용한 암호화폐 충전, 서브키 및 추천 프로그램도 안내되어 있습니다. 세부 정보와 모델 항목은 변경될 수 있으므로 현재 GLM 5.3 가격, 한도 및 이용 가능 여부는 대시보드에서 확인하세요.

결론

7API를 통해 GLM 5.3을 사용하려면 계정을 만들고, 올바른 키와 기본 URL을 복사하고, 대시보드에서 정확한 모델 ID를 선택한 다음 OpenAI 또는 Anthropic SDK로 연결하세요. 그런 다음 코딩 도구에 모델을 통합하고 실제 작업 부하를 기준으로 평가할 수 있습니다. 삭제된(abliterated) 및 검열되지 않은 라벨은 거부 동작이 줄어들었다는 설명일 뿐 보장이 아니므로, 모델 버전이 변경될 때마다 다시 테스트하세요.

전체 참조 자료는 저장소의 GLM 5.3 API 빠른 시작 가이드와 문제 해결 문서를 계속해서 확인하세요.