RouterHub کے ساتھ GLM 5.3 Abliterated اور Uncensored ماڈلز استعمال کریں

یہ پروجیکٹ کیا فراہم کرتا ہے

یہ RouterHub ریپوزٹری GLM 5.3 ماڈل گائیڈ، API مثالیں، جائزے سے متعلق مشورے، اور ماڈل کے رویے پر تحقیق کے لیے 35 پرامپٹ فائلوں کو یکجا کرتی ہے۔ اس میں معیاری، Flash، abliterated، اور uncensored GLM 5.3 کیٹلاگ اندراجات پر توجہ دی گئی ہے، جبکہ یہ بھی بتایا گیا ہے کہ ایک RouterHub اکاؤنٹ کے ذریعے معاون GPT، Claude، DeepSeek، Qwen، اور Grok ماڈلز تک کیسے رسائی حاصل کی جا سکتی ہے۔

یہ ریپوزٹری بنیادی طور پر سافٹ ویئر پیکیج کے بجائے دستاویزات اور دوبارہ استعمال کے قابل کنفیگریشن مواد پر مشتمل ہے۔ آپ اس کی فائلوں کا آف لائن جائزہ لے سکتے ہیں، منتخب ہدایات کو ہم آہنگ کلائنٹس میں شامل کر سکتے ہیں، یا کسی ایپلیکیشن کو RouterHub کے میزبان API سے منسلک کر سکتے ہیں۔

کم انکار ایک ایسا رویہ ہے جسے ناپا جانا چاہیے، یہ اس بات کی ضمانت نہیں کہ ماڈل ہر درخواست کا جواب دے گا یا درست نتائج پیدا کرے گا۔

GLM 5.3 کی مختلف اقسام کو سمجھیں

abliterated اور uncensored کے لیبل متعلقہ لیکن مختلف تصورات بیان کرتے ہیں۔

• GLM 5.3 Abliterated: ایک تحقیقی قسم، جو ماڈل کے وزن میں ایسی مداخلتوں سے وابستہ ہے جن کا مقصد انکار سے متعلق رویے کو کم کرنا ہے۔
• GLM 5.3 Uncensored: ایک وسیع تر پروڈکٹ زمرہ، جس میں تربیت میں تبدیلیاں، وزن میں تبدیلیاں، یا پرامپٹ کی سطح کی شخصیت شامل ہو سکتی ہے۔
• GLM 5.3: معیاری کیٹلاگ اندراج۔
• GLM 5.3 Flash: ایک الگ اندراج، جس کے معیار، تاخیر، صلاحیتوں، اور نرخوں کا آزادانہ جائزہ لیا جانا چاہیے۔

یہ ریپوزٹری میزبان وزن کا آزادانہ معائنہ نہیں کرتی اور نہ ہی انکار کی شرح کے بینچ مارک نتائج شائع کرتی ہے۔ تعیناتی سے پہلے ہمیشہ فعال کیٹلاگ اندراج کی تصدیق کریں اور اپنے جائز کاموں کے ساتھ اس کے رویے کی جانچ کریں۔

دستیاب GLM ماڈل IDs

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

یہ GLM اندراجات Chat Completions پروٹوکول استعمال کرتے ہیں۔ دستیابی، صلاحیتیں، اور نرخ تبدیل ہو سکتے ہیں، اس لیے تعیناتی سے پہلے RouterHub کے فعال ماڈل کیٹلاگ کو دیکھیں۔

اہم خصوصیات

• OpenAI سے ہم آہنگ رسائی: مانوس SDKs کے ذریعے Chat Completions استعمال کرتے ہوئے فہرست میں شامل GLM ماڈلز کو کال کریں۔
• متعدد خاندانوں کے لیے ایک اکاؤنٹ: معاون GLM، GPT، Claude، DeepSeek، Qwen، اور Grok اندراجات تک رسائی کے لیے پری پیڈ RouterHub اکاؤنٹ استعمال کریں۔
• پینتیس پرامپٹ فائلیں: سسٹم پرامپٹس، اسسٹنٹ کی وضاحتیں، ورک اسپیس پروفائلز، ایجنٹ ہدایات، Ollama Modelfiles، اور Grok کنفیگریشن کا جائزہ لیں۔
• کوڈنگ ٹول کی رہنمائی: OpenCode، Cursor، Continue، Cline، Claude Code، Codex CLI، LangChain، یا LlamaIndex کو مناسب پروٹوکول کے ساتھ استعمال کریں۔
• جائزے کے وسائل: کام کے معیار، انکار کے رویے، ہدایات پر عمل، تکرار پذیری، تاخیر، اور مجموعی لاگت کے ذریعے ماڈل کی اقسام کا موازنہ کریں۔
• پری پیڈ استعمال کی بلنگ: اکاؤنٹ میں رقم شامل کریں اور منتخب ماڈل کے شائع شدہ ٹوکن نرخوں کے مطابق ادائیگی کریں۔

RouterHub API رسائی ترتیب دیں

1. اکاؤنٹ بنائیں اور رقم شامل کریں

RouterHub پر رجسٹر کریں، پری پیڈ کریڈٹس شامل کریں، اور ایک نجی API کلید بنائیں۔ انفرنس درخواست کریڈٹس استعمال کرتی ہے، اس لیے چھوٹے ٹیسٹ سے آغاز کریں اور نتیجے میں استعمال ہونے والے چارج کا جائزہ لیں۔

2. اسناد کو محفوظ طریقے سے ذخیرہ کریں

RouterHub https://routerhub.si/v1 کو اپنا API بیس URL شائع کرتا ہے۔ URL اور کلید کو ماحول کے متغیرات میں ذخیرہ کریں:

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

حقیقی کلید کو ریپوزٹری میں شامل نہ کریں۔ پروڈکشن سسٹمز کے لیے اپنے ہوسٹنگ پلیٹ فارم کا فراہم کردہ سیکریٹ مینیجر استعمال کریں۔

3. OpenAI SDK انسٹال کریں

فہرست میں شامل GLM 5.3 ماڈلز Chat Completions استعمال کرتے ہیں، اس لیے OpenAI Python کلائنٹ انسٹال کریں:

python -m pip install openai

اپنی پہلی GLM 5.3 درخواست بھیجیں

RouterHub کے بیس URL اور اپنی نجی کلید کے ساتھ OpenAI کلائنٹ بنائیں۔ پھر درست کیٹلاگ ID استعمال کرتے ہوئے Chat Completions درخواست بھیجیں:

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)

کسی دوسری قسم کا موازنہ کرنے کے لیے درخواست میں کوئی تبدیلی نہ کریں اور صرف ماڈل ID تبدیل کریں۔ مثال کے طور پر، معیاری ماڈل کے بنیادی موازنے کے لیے glm-5.3 یا الگ سے فہرست میں شامل uncensored اندراج کا جائزہ لینے کے لیے glm-5.3-uncensored استعمال کریں۔

سسٹم ہدایت شامل کریں

سسٹم پیغام معاون Chat Completions درخواست کے لیے آؤٹ پٹ کی ضروریات متعین کر سکتا ہے:

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)

جانچیں کہ ہر قسم آپ کی سسٹم ہدایات پر مطلوبہ انداز میں عمل کرتی ہے یا نہیں۔ صرف uncensored لیبل سے یہ واضح نہیں ہوتا کہ نفاذ میں وزن کی تبدیلیاں، تربیت کی تبدیلیاں، یا ایسی مقررہ شخصیت استعمال ہوئی ہے جو ہدایات پر عمل کو متاثر کر سکتی ہے۔

شامل کردہ پرامپٹ مجموعہ استعمال کریں

تمام 35 تحقیقی پرامپٹ فائلیں ریپوزٹری کی jailbreaks/ ڈائریکٹری میں محفوظ ہیں۔ ان میں GLM اور ZCode، Claude، DeepSeek، Kimi، Grok، Gemini، Mistral، Qwen، Gemma، GPT-OSS اور OpenCode پر مرکوز کئی ماڈلز شامل ہیں۔

سسٹم پرامپٹس

کسی فائل کے مواد کو اپنے API، چیٹ بوٹ، ایجنٹ یا ہارنس کے فراہم کردہ سسٹم پرامپٹ یا کسٹم ہدایات کے خانے میں کاپی کریں۔ Chat Completions کے ذریعے عموماً اس کا مطلب ہے کہ متن کو ایسے پیغام میں رکھا جائے جس کا کردار system ہو۔

پروجیکٹ کی سطح کی ایجنٹ ہدایات

AGENTS.md ہدایات کے طور پر تیار کی گئی فائلوں کو متعلقہ ریپوزٹری یا ورک اسپیس کی جڑ میں اسی نام کے ساتھ محفوظ کریں۔ مطابقت رکھنے والے کوڈنگ ایجنٹس اس فائل کو پروجیکٹ کی سطح کی رہنمائی کے طور پر استعمال کر سکتے ہیں۔

مستقل ورک اسپیس پالیسیاں

اسسٹنٹ کی عملی specifications اور ورک اسپیس پروفائلز کلائنٹ کے مستقل ہدایات والے مقام میں رکھے جاتے ہیں۔ README میں OpenCode کا یہ راستہ بطور مثال دیا گیا ہے:

~/.config/opencode/AGENTS.md

دیگر ٹولز مختلف راستے استعمال کر سکتے ہیں، اس لیے پالیسی کو عالمی طور پر انسٹال کرنے سے پہلے کلائنٹ کی دستاویزات دیکھیں۔

Ollama Modelfiles

Gemma 4 اور GPT-OSS 20B کی پرامپٹ فائلوں میں Ollama طرز کے FROM اور SYSTEM بلاکس شامل ہیں۔ ان میں سے کسی فائل سے مقامی ماڈل اس طرح بنائیں:

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

کسی دوسری Modelfile کے استعمال پر آؤٹ پٹ ماڈل کا نام اور ماخذ کا راستہ تبدیل کریں۔

Grok کی تشکیل

jailbreaks/grok-config.txt فائل عام گفتگو کے پیغام کے لیے نہیں، بلکہ ہدف ہارنس کے configuration خانے کے لیے ہے۔

پرامپٹ کا برتاؤ ورژن پر منحصر ہوتا ہے۔ ماڈل کی تازہ کارییں اور ہدایات کی درجہ بندی میں تبدیلیاں پہلے مؤثر فائل کے برتاؤ کو مختلف بنا سکتی ہیں۔

مطابقت رکھنے والے کلائنٹ اور پروٹوکول کا انتخاب کریں

مشترکہ RouterHub کلید ہر ماڈل کو ہر API پروٹوکول کے ساتھ مطابقت پذیر نہیں بناتی۔ ماڈل اور کلائنٹ کا انتخاب ایک ساتھ کریں۔

• OpenAI SDK: RouterHub کا base URL، کلید اور عین GLM ماڈل ID فراہم کریں۔
• OpenCode: منتخب GLM اندراج کے لیے Chat Completions فراہم کنندہ کی configuration استعمال کریں۔
• Continue یا Cline: ان کی مطابقت رکھنے والی Chat Completions ترتیب پر عمل کریں۔
• Cursor: تصدیق کریں کہ آپ کا نصب شدہ ورژن کسٹم Chat Completions endpoint اور مطلوبہ ماڈل خصوصیات کو سپورٹ کرتا ہے۔
• LangChain یا LlamaIndex: مطابقت رکھنے والا Chat Completions integration منتخب کریں اور ایپلیکیشن کی مخصوص خصوصیات کی توثیق کریں۔
• Claude Code یا Anthropic SDK: Anthropic Messages کو سپورٹ کرنے والا catalogue اندراج منتخب کریں، جیسے کوئی سپورٹ شدہ Claude ماڈل۔ درج شدہ GLM variants Messages استعمال نہیں کرتے۔
• Codex CLI: صرف Chat والے GLM اندراج کے بجائے Responses کو سپورٹ کرنے والا ماڈل منتخب کریں۔

اختیاری Claude Messages مثال

اسی RouterHub اکاؤنٹ کے ذریعے Anthropic-compatible Messages API سے سپورٹ شدہ Claude ماڈلز فراہم کیے جا سکتے ہیں۔ یہ GLM کے لیے متبادل endpoint نہیں ہے۔ پہلے Anthropic SDK انسٹال کریں:

python -m pip install anthropic

پھر Claude کا سپورٹ شدہ catalogue اندراج استعمال کریں:

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)

Variants کا منظم طریقے سے جائزہ لیں

مفید موازنہ کے لیے صرف ایک نسبتاً اجازت دینے والا جواب تلاش کرنا کافی نہیں۔ معیاری، Flash، abliterated اور uncensored اندراجات کے خلاف ایک جیسے جائز کام چلائیں، پھر مستقل پیمائشیں ریکارڈ کریں۔

1. نمائندہ کام متعین کریں۔ کوڈنگ، ایجنٹ، تجزیہ، تحریر یا دو لسانی منظرنامے شامل کریں جو آپ کی ایپلیکیشن کی عکاسی کرتے ہوں۔
2. ان پٹس یکساں رکھیں۔ تمام ماڈلز میں وہی پرامپٹس، سسٹم ہدایات اور متعلقہ ترتیبات دوبارہ استعمال کریں۔
3. غیر ضروری انکار کی پیمائش کریں۔ ایسی درخواستیں ریکارڈ کریں جنہیں آپ کی متعین کردہ ٹیسٹ پالیسی کے تحت جواب دیا جا سکتا تھا لیکن پھر بھی مسترد کر دیا گیا۔
4. کام کے معیار کو اسکور کریں۔ درستگی، مفید تفصیل، آزمودہ کوڈ اور غیر یقینی کا مناسب اظہار جانچیں۔
5. ہدایات کے برتاؤ کی جانچ کریں۔ فارمیٹنگ، system-message handling، پروجیکٹ ہدایات اور مطلوبہ tool integration کی تصدیق کریں۔
6. قابل تکرار ہونے کی جانچ کریں۔ API ID، پرامپٹ revision، ترتیبات، تکرار کی تعداد اور ٹیسٹ کی تاریخ ریکارڈ کریں۔
7. کل کام کی لاگت کا حساب لگائیں۔ ان پٹ اور آؤٹ پٹ tokens، ناکام کوششیں، دوبارہ کوششیں، آؤٹ پٹ کی طوالت اور end-to-end latency شامل کریں۔

ریپوزٹری میں examples/benign-eval-prompts.json میں بے ضرر نمونہ کام شامل ہیں۔ یہ لائیو benchmark اسکورز کا دعویٰ نہیں کرتی، اس لیے ان وسائل کو اپنی جانچ کی بنیاد کے طور پر استعمال کریں۔

اعلیٰ درجے کی تجاویز

تعیناتی سے پہلے catalogue دوبارہ چیک کریں

میزبان کی دستیابی، قیمت، صلاحیتیں اور برتاؤ تبدیل ہو سکتے ہیں۔ integration جاری کرنے سے پہلے عین model ID اور سپورٹ شدہ پروٹوکول کی تصدیق کریں، اور ماڈل کی تازہ کاریوں کے بعد اہم ٹیسٹ دوبارہ چلائیں۔

Flash کو الگ سے جانچیں

یہ فرض نہ کریں کہ GLM 5.3 Flash کا معیار یا برتاؤ معیاری ماڈل جیسا ہی ہے۔ دونوں کو اپنی latency، لاگت اور قبولیت کے معیار کے مطابق benchmark کریں۔

دوبارہ کوششوں کو مدنظر رکھیں

کم token rate والا ماڈل پھر بھی فی کامیاب کام زیادہ مہنگا ہو سکتا ہے، اگر اسے طویل پرامپٹس درکار ہوں، وہ ضرورت سے زیادہ آؤٹ پٹ تیار کرے یا بار بار کوششیں درکار ہوں۔ صرف token prices کے بجائے مکمل شدہ کام کی لاگت کا موازنہ کریں۔

پرامپٹس کو versioned assets سمجھیں

ہر پرامپٹ کی نظرثانی کے ساتھ ماڈل کا ورژن یا ٹیسٹ کی تاریخ درج کریں۔ اگر کوئی ہدایتی فائل کام کرنا بند کر دے تو کلائنٹ کی غلط ترتیب فرض کرنے کے بجائے اسے اپ ڈیٹ کریں اور ناکامی کی دستاویز بنائیں۔

آف لائن ریپوزٹری چیکس چلائیں

دستاویزات کے معاونین انفِرنس کریڈٹس خرچ کیے بغیر ریپوزٹری کا لنک اور نحو چیکر چلا سکتے ہیں:

python tools/check.py

نجی ڈیٹا کا تحفظ کریں

میزبان شدہ انفِرنس، مقامی انفِرنس جیسی نہیں ہوتی۔ خفیہ معلومات بھیجنے سے پہلے متعلقہ فراہم کنندہ کی شرائط اور ڈیٹا برقرار رکھنے کی پالیسیوں کا جائزہ لیں۔ اہم نتائج والی کارروائیوں میں انسانوں کو شامل رکھیں، ایجنٹ کی اجازتیں محدود کریں، اور تیار کردہ کوڈ کو چلانے سے پہلے اس کا معائنہ کریں۔

نتیجہ

یہ منصوبہ GLM 5.3 کی اصطلاحات سے ایک فعال API درخواست اور قابلِ تکرار ماڈل جائزے تک پہنچنے کا عملی راستہ فراہم کرتا ہے۔ فنڈ شدہ RouterHub اکاؤنٹ سے آغاز کریں، عین Chat Completions ماڈل ID استعمال کریں، یکساں کاموں پر مختلف صورتوں کی جانچ کریں، اور abliterated یا uncensored لیبلز کو ضمانت کے بجائے ایسے مفروضوں کے طور پر سمجھیں جن کی تصدیق ضروری ہے۔ شامل کردہ پرامپٹ فائلیں تحقیق اور ایجنٹ کی ترتیب میں معاون ہو سکتی ہیں، لیکن انہیں ورژن کنٹرول میں رکھنا، ان کا جائزہ لینا، اور مناسب رازداری و تعیناتی کنٹرولز کے ساتھ استعمال کرنا چاہیے۔