使用 RouterHub 调用 GLM 5.3 去审查版和无审查模型

本项目提供的内容

此 RouterHub 仓库汇集了 GLM 5.3 模型指南、API 示例、评估建议，以及 35 个用于模型行为研究的提示词文件。内容重点介绍标准版、Flash、abliterated 和 uncensored GLM 5.3 目录条目，同时说明如何通过一个 RouterHub 账户访问受支持的 GPT、Claude、DeepSeek、Qwen 和 Grok 模型。

该仓库主要提供文档和可复用的配置材料，而不是软件包。你可以离线查看其中的文件，将选定的指令放入兼容的客户端，或将应用连接到 RouterHub 托管的 API。

降低拒答率是一项需要测量的行为特征，并不保证模型会回答每个请求或生成正确结果。

了解 GLM 5.3 的不同版本

abliterated 和 uncensored 这两个标签相关，但含义不同。

• GLM 5.3 Abliterated：一种研究版本，通常与对模型权重进行干预有关，旨在减少拒答相关行为。
• GLM 5.3 Uncensored：一种更宽泛的产品类别，可能涉及训练调整、权重修改或提示词层面的角色设定。
• GLM 5.3：标准目录条目。
• GLM 5.3 Flash：独立的目录条目，其质量、延迟、能力和费率应单独评估。

该仓库不会独立检查托管的模型权重，也不会发布拒答率基准测试结果。请务必核实实时目录条目，并使用自己的合法任务测试其行为。

可用的 GLM 模型 ID

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

这些 GLM 条目使用 Chat Completions 协议。可用性、能力和费率可能发生变化，因此部署前请查看实时 RouterHub 模型目录。

主要功能

• 兼容 OpenAI 的访问方式：使用熟悉的 SDK，通过 Chat Completions 调用列出的 GLM 模型。
• 一个账户访问多个模型系列：使用预付费 RouterHub 账户访问受支持的 GLM、GPT、Claude、DeepSeek、Qwen 和 Grok 条目。
• 35 个提示词文件：查看系统提示词、助手规范、工作区配置、代理指令、Ollama Modelfile，以及一个 Grok 配置。
• 编码工具指南：根据合适的协议，将 OpenCode、Cursor、Continue、Cline、Claude Code、Codex CLI、LangChain 或 LlamaIndex 与之匹配。
• 评估资源：从任务质量、拒答行为、指令遵循、可重复性、延迟和总成本等方面比较不同模型版本。
• 预付费计费：为账户充值，并根据所选模型公布的令牌费率付费。

设置 RouterHub API 访问

1. 创建并充值账户

注册 RouterHub，添加预付费额度并创建私有 API 密钥。推理请求会消耗额度，因此请先进行小规模测试，并查看产生的使用费用。

2. 安全存储凭据

RouterHub 将 https://routerhub.si/v1 发布为 API 基础 URL。请将 URL 和密钥存储在环境变量中：

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

不要将真实密钥提交到仓库。对于生产系统，请使用托管平台提供的密钥管理器。

3. 安装 OpenAI SDK

列出的 GLM 5.3 模型使用 Chat Completions，因此请安装 OpenAI Python 客户端：

python -m pip install openai

发起第一个 GLM 5.3 请求

使用 RouterHub 的基础 URL 和私有密钥创建 OpenAI 客户端，然后使用准确的目录 ID 提交 Chat Completions 请求：

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)

要比较其他版本，请保持请求不变，只替换模型 ID。例如，使用 glm-5.3 作为标准模型基线，或使用 glm-5.3-uncensored 评估单独列出的 uncensored 条目。

添加系统指令

系统消息可以为受支持的 Chat Completions 请求定义输出要求：

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)

请检查每个版本是否按预期遵循你的系统指令。仅凭 uncensored 标签无法判断具体实现采用了权重修改、训练调整，还是固定角色设定，而这些因素都可能影响指令处理。

使用随附的提示词集合

所有 35 个研究提示词文件都存储在仓库的 jailbreaks/ 目录中。它们涵盖 GLM 和 ZCode、Claude、DeepSeek、Kimi、Grok、Gemini、Mistral、Qwen、Gemma、GPT-OSS，以及多个面向 OpenCode 的模型。

系统提示词

将文件内容复制到 API、聊天机器人、代理或测试框架提供的系统提示词或自定义指令字段中。通过 Chat Completions 使用时，通常需要将文本放入角色为 system 的消息中。

项目级代理指令

设计为 AGENTS.md 指令的文件，应以该确切名称保存到相关仓库或工作区的根目录下。兼容的编码代理随后可以将该文件作为项目级指导。

持久化工作区策略

助手运行规范和工作区配置文件应放在客户端的持久化指令位置。README 以以下 OpenCode 路径为例：

~/.config/opencode/AGENTS.md

其他工具可能使用不同的路径，因此在全局安装策略前，请查阅客户端文档。

Ollama Modelfile

Gemma 4 和 GPT-OSS 20B 提示词文件包含 Ollama 风格的 FROM 和 SYSTEM 块。使用以下命令从其中一个文件创建本地模型：

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

使用其他 Modelfile 时，请更改输出模型名称和源路径。

Grok 配置

jailbreaks/grok-config.txt 文件用于目标测试框架的配置字段，不应作为普通会话消息使用。

提示词行为取决于版本。模型更新和指令层级变化可能导致之前有效的文件表现不同。

选择兼容的客户端和协议

共享的 RouterHub 密钥并不意味着每个模型都兼容每种 API 协议。请同时选择模型和客户端。

• OpenAI SDK：提供 RouterHub 基础 URL、密钥和准确的 GLM 模型 ID。
• OpenCode：为选定的 GLM 条目使用 Chat Completions 提供商配置。
• Continue 或 Cline：按照其兼容的 Chat Completions 配置方式操作。
• Cursor：确认已安装的版本支持自定义 Chat Completions 端点以及所需的模型功能。
• LangChain 或 LlamaIndex：选择兼容的 Chat Completions 集成，并验证应用特定的功能。
• Claude Code 或 Anthropic SDK：选择支持 Anthropic Messages 的目录条目，例如受支持的 Claude 模型。列出的 GLM 变体不使用 Messages。
• Codex CLI：选择支持 Responses 的模型，而不是仅支持 Chat 的 GLM 条目。

可选的 Claude Messages 示例

同一个 RouterHub 账户可以通过兼容 Anthropic 的 Messages API 提供受支持的 Claude 模型。这不是 GLM 的替代端点。请先安装 Anthropic SDK：

python -m pip install anthropic

然后使用受支持的 Claude 目录条目：

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)

系统评估各个变体

有用的比较不只是找到一个容易通过的回答。针对标准版、Flash、去审查版和未审查条目运行相同的合法任务，然后记录一致的测量结果。

1. 定义具有代表性的任务。包含能够反映应用场景的编码、代理、分析、写作或双语场景。
2. 保持输入一致。在各个模型之间重复使用相同的提示词、系统指令和相关设置。
3. 衡量不必要的拒答。记录那些根据你定义的测试策略本应能够回答、却被拒绝的请求。
4. 评估任务质量。检查正确性、有用的细节、经过测试的代码，以及是否恰当地表达不确定性。
5. 测试指令行为。验证格式、系统消息处理、项目指令和所需的工具集成。
6. 检查可重复性。记录 API ID、提示词修订版本、设置、重复次数和测试日期。
7. 计算任务总成本。计入输入和输出令牌、失败尝试、重试、输出长度以及端到端延迟。

仓库在 examples/benign-eval-prompts.json 中提供了无害的示例任务。它并未声称拥有实时基准测试分数，因此请将这些资源作为自行评估的基础。

高级提示

部署前重新检查目录

托管可用性、价格、功能和行为都可能发生变化。在发布集成前确认准确的模型 ID 和支持的协议，并在模型更新后重新运行重要测试。

单独测试 Flash

不要假设 GLM 5.3 Flash 与标准模型具有相同的质量或行为。根据你的延迟、成本和验收标准对两者分别进行基准测试。

将重试纳入考量

令牌费率较低的模型，如果需要更长的提示词、生成过多输出或需要反复尝试，每个成功任务的成本仍可能更高。比较已完成任务的成本，而不只是令牌价格。

将提示词视为有版本的资产

在每次提示词修订旁记录模型版本或测试日期。如果某个指令文件停止工作，请更新该文件并记录故障，而不是想当然地认为客户端配置有误。

运行离线仓库检查

文档贡献者可以运行仓库的链接和语法检查器，无需消耗推理额度：

python tools/check.py

保护私有数据

托管推理并非本地推理。在发送机密信息前，请查看适用的提供商条款和数据保留政策。对可能产生重大影响的操作，应确保人工参与；限制代理权限，并在执行前检查生成的代码。

结论

该项目提供了一条从 GLM 5.3 术语到可运行 API 请求及可重复模型评估的实用路径。请先准备好有余额的 RouterHub 账户，使用准确的 Chat Completions 模型 ID，在相同任务上测试不同变体，并将 abliterated 或 uncensored 标签视为需要验证的假设，而非保证。随附的提示词文件可用于研究和代理配置，但应进行版本管理和审查，并配合适当的隐私与部署控制措施使用。