Cách sử dụng các mô hình GLM 5.3 Abliterated và Uncensored thông qua API tương thích

Bạn sẽ học được gì

Hướng dẫn này giải thích cách truy cập các biến thể GLM 5.3 thông qua 7API, cấu hình API cho các ứng dụng khách tương thích với OpenAI và Anthropic, đồng thời đánh giá kết quả trong các quy trình lập trình, suy luận, song ngữ và tác vụ tác tử thực tế.

Kho lưu trữ cũng bao gồm một bộ system prompt, các tệp AGENTS.md, chính sách workspace và Ollama Modelfile. Bạn có thể sử dụng những tệp này với các ứng dụng khách tương thích, nhưng hành vi của prompt phụ thuộc vào phiên bản và cần được kiểm thử thay vì mặc định giả định.

Hiểu thuật ngữ

GLM 5.3 abliterated thường chỉ một hình thức sửa đổi ở cấp trọng số nhằm giảm hướng từ chối của mô hình. GLM 5.3 uncensored là nhãn rộng hơn dành cho biến thể mô hình ít từ chối hơn, dù kết quả đến từ abliteration, tinh chỉnh, lựa chọn dữ liệu, hợp nhất mô hình hay một công thức căn chỉnh khác.

Các thuật ngữ này có liên quan nhưng không đồng nhất. Không nhãn nào đảm bảo mô hình sẽ trả lời mọi yêu cầu. Hành vi phụ thuộc vào phiên bản mô hình cụ thể, prompt, chính sách nhà cung cấp và thứ bậc chỉ dẫn.

• Abliterated: thường mô tả một sửa đổi đối với trọng số mô hình.
• Uncensored: mô tả sự giảm từ chối theo nghĩa rộng hơn.
• GLM 5.3 tiêu chuẩn: có thể mang lại sự cân bằng khác về hành vi an toàn, chất lượng và chi phí.

Tại sao nên dùng GLM 5.3?

GLM 5.3 thuộc dòng GLM của Zhipu AI và được thiết kế cho lập trình, quy trình tác tử, suy luận và các tác vụ song ngữ tiếng Trung và tiếng Anh. Mô hình có thể hữu ích khi bạn cần chỉ dẫn ở quy mô kho lưu trữ, quy trình sử dụng công cụ, xử lý nhạy cảm với chi phí hoặc thêm một dòng mô hình khác vào hệ thống định tuyến.

Thông qua 7API, cùng một tài khoản và khóa API cũng có thể cung cấp quyền truy cập vào các dòng mô hình khác, bao gồm Claude, GPT, Gemini, Grok, DeepSeek và Kimi, với các biến thể được liệt kê theo tình trạng khả dụng hiện tại.

• Sử dụng các API tương thích thay vì viết lại ứng dụng cho từng nhà cung cấp mô hình.
• Kiểm thử GLM 5.3 cho các quy trình lập trình và định hướng công cụ.
• So sánh các biến thể tiêu chuẩn, abliterated và uncensored trên chính tác vụ của bạn.
• Sử dụng hình thức thanh toán theo token và kiểm tra giá hiện tại trong dashboard.

Thiết lập quyền truy cập API

1. Tạo tài khoản và lấy thông tin xác thực

Tạo tài khoản tại 7api.st. Sao chép khóa API và base URL phù hợp từ dashboard. Lưu khóa trong biến môi trường thay vì đặt trực tiếp trong mã nguồn.

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

Endpoint tương thích với Anthropic có thể sử dụng base URL được hiển thị riêng trong dashboard, vì vậy hãy dùng giá trị được cung cấp cho ứng dụng khách bạn đang cấu hình.

2. Chọn model ID chính xác

Mở dashboard và sao chép model ID hiện tại của biến thể GLM 5.3 bạn muốn dùng. Đừng giả định rằng placeholder hoặc mã định danh cũ sẽ luôn còn hiệu lực. Tình trạng khả dụng có thể thay đổi giữa các phiên bản mô hình.

Trong các ví dụ dưới đây, hãy thay GLM_5_3_MODEL_ID bằng ID chính xác từ dashboard.

Gửi yêu cầu tương thích với OpenAI

Cài đặt OpenAI Python SDK trong dự án, sau đó khởi tạo client bằng khóa API và base URL của 7API.

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": "Bạn là trợ lý lập trình chính xác."},
        {
            "role": "user",
            "content": "Tái cấu trúc hàm này và giải thích các đánh đổi: ...",
        },
    ],
)

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

Mẫu này sử dụng giao diện chat-completions quen thuộc. Bạn có thể điều chỉnh system message và user message cho các tác vụ lập trình, viết song ngữ, phân tích hoặc tác tử được ứng dụng khách hỗ trợ.

Gửi yêu cầu tương thích với Anthropic

Nếu ứng dụng sử dụng Anthropic SDK, hãy cài đặt SDK và cấu hình base URL tương thích từ dashboard.

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="Bạn là trợ lý lập trình chính xác.",
    messages=[
        {"role": "user", "content": "Viết kế hoạch migration cho module này."}
    ],
)

print(message.content[0].text)

Hãy sử dụng base URL tương thích với Anthropic do 7API chỉ định nếu dashboard cung cấp endpoint riêng cho giao thức này.

Kết nối các công cụ dành cho nhà phát triển

Kho lưu trữ ghi lại khả năng tương thích với một số môi trường phát triển. Quy trình chung là cung cấp endpoint, khóa API và model ID GLM 5.3 phù hợp trong cấu hình nhà cung cấp của công cụ.

• Claude Code: trỏ ANTHROPIC_BASE_URL đến endpoint Anthropic của 7API.
• Cursor: thêm một nhà cung cấp tùy chỉnh tương thích với OpenAI.
• OpenCode: thêm nhà cung cấp tùy chỉnh và model ID GLM 5.3 đã chọn.
• Codex CLI: sử dụng hồ sơ nhà cung cấp tương thích với OpenAI.
• LangChain hoặc LlamaIndex: sử dụng adapter tương thích với OpenAI.

Để xem hướng dẫn dành riêng cho từng ứng dụng khách, hãy tham khảo hướng dẫn về Claude Code, Cursor, OpenCode và Codex trong kho lưu trữ.

Sử dụng các tệp prompt của kho lưu trữ

Kho lưu trữ chứa các tệp prompt dành cho GLM, Claude, DeepSeek, Kimi, Grok, OpenCode, Ollama và các môi trường khác. Hãy chọn định dạng phù hợp với client của bạn thay vì dán mọi tệp vào một cuộc trò chuyện thông thường.

• System prompt: sao chép nội dung tệp vào tin nhắn hệ thống hoặc trường hướng dẫn tùy chỉnh.
• Các tệp AGENTS.md: lưu tệp trong thư mục gốc của kho lưu trữ hoặc workspace khi coding agent hỗ trợ hướng dẫn cấp dự án.
• Chính sách workspace: đặt chúng vào vị trí lưu trữ hướng dẫn cố định theo yêu cầu của client. Ví dụ, README ghi nhận ~/.config/opencode/AGENTS.md cho cài đặt OpenCode.
• Ollama Modelfile: truyền tệp cho Ollama, ví dụ ollama create gemma4-jb -f gemma4.md.
• Cấu hình Grok: sử dụng grok-config.txt trong trường cấu hình của bộ công cụ đích, không gửi dưới dạng tin nhắn trò chuyện thông thường.

Hành vi của prompt có thể thay đổi khi model, thứ bậc chỉ dẫn hoặc phiên bản client được cập nhật. Hãy xem các tệp này là những thử nghiệm và kiểm tra hành vi của chúng trên đúng bản phát hành model mà bạn sử dụng.

Đánh giá một biến thể GLM 5.3

Một phản hồi thành công duy nhất không đủ để xác định liệu một model đã abliterated hoặc uncensored có phù hợp cho môi trường production hay không. Hãy xây dựng một bộ kiểm thử có thể lặp lại, gồm các tác vụ tiêu biểu, và so sánh các biến thể trong cùng điều kiện.

1. Đo tỷ lệ từ chối: kiểm thử các prompt từng thất bại và ghi nhận model hoàn thành, hoàn thành một phần hay từ chối từng tác vụ.
2. Đo chất lượng: đánh giá các tác vụ coding, suy luận, dịch thuật và viết song ngữ thực tế.
3. Kiểm tra tác động phụ: tìm những thay đổi về giọng điệu, khả năng tuân thủ chỉ dẫn, đầu ra có cấu trúc và việc sử dụng công cụ.
4. Theo dõi độ lệch phiên bản: lặp lại các bài kiểm thử mỗi khi nhà cung cấp thay đổi model hoặc model ID.
5. Tính chi phí cho mỗi tác vụ thành công: bao gồm cả các lần thử lại và lần thử thất bại thay vì chỉ so sánh giá token.

Kho lưu trữ cung cấp một danh sách kiểm tra đánh giá chuyên biệt cho quy trình này.

Cách sử dụng nâng cao và mẹo vận hành

Giữ cấu hình lựa chọn model

Lưu model ID trong cấu hình hoặc biến môi trường để bạn có thể so sánh các biến thể tiêu chuẩn, abliterated và uncensored mà không thay đổi mã ứng dụng. Luôn xác minh ID hiện tại trong dashboard trước khi triển khai.

Sử dụng thông tin xác thực riêng cho từng dự án

7API hỗ trợ subkey, giúp phân tách ngân sách cho các dự án, thành viên nhóm hoặc khách hàng. Áp dụng quyền hạn nhỏ nhất phù hợp và xoay vòng thông tin xác thực nếu chúng bị lộ.

Giám sát input được lưu trong cache và các lần thử lại

Dịch vụ áp dụng hình thức tính phí theo token và hỗ trợ mức phí thấp hơn cho input được lưu trong cache ở những nơi có hỗ trợ. Theo dõi số lần thử lại, kích thước prompt và tỷ lệ hoàn thành tác vụ thành công để một model rẻ hơn không trở nên đắt hơn do liên tục thất bại.

So sánh danh mục mở rộng

Vì một key có thể bao phủ nhiều dòng model, hãy đánh giá GLM 5.3 cùng Claude, GPT, Gemini, Grok, DeepSeek và Kimi khi chất lượng định tuyến, độ trễ, hiệu suất ngôn ngữ hoặc hành vi từ chối là yếu tố quan trọng. Danh mục model uncensored của AI API cung cấp điểm khởi đầu để so sánh rộng hơn.

Sử dụng có trách nhiệm và các giới hạn

Các biến thể abliterated và uncensored không được đảm bảo là sẽ không từ chối. Việc giảm hành vi từ chối cũng có thể làm thay đổi khả năng tuân thủ chỉ dẫn, giọng điệu hoặc các đặc tính chất lượng khác. Hãy bổ sung các biện pháp kiểm soát ở cấp ứng dụng, logging, kiểm soát truy cập và đánh giá của con người khi đầu ra ảnh hưởng đến con người, hệ thống hoặc các quyết định quan trọng.

• Tuân thủ luật hiện hành, điều khoản của nhà cung cấp và chính sách của tổ chức.
• Không xem nhãn model là sự đảm bảo về an toàn hoặc chất lượng.
• Kiểm thử đúng phiên bản và endpoint của nhà cung cấp mà bạn dự định sử dụng.
• Bảo vệ API key và tránh để lộ chúng trong ứng dụng phía client hoặc kho lưu trữ.
• Kiểm tra mã được tạo và các hành động của agent trước khi áp dụng vào hệ thống production.

Xem hướng dẫn về an toàn và sử dụng có trách nhiệm của kho lưu trữ để biết thêm các lưu ý.

Giá và khả dụng

7API cung cấp quyền truy cập tính phí theo token thay vì theo gói thuê bao. README cũng liệt kê hình thức tính phí cho input được lưu trong cache ở những nơi có hỗ trợ, nạp tiền bằng crypto sử dụng BTC, ETH, USDT và LTC, subkey cùng chương trình giới thiệu. Hãy kiểm tra dashboard để biết giá GLM 5.3, giới hạn và tình trạng khả dụng hiện tại, vì các chi tiết này cũng như các mục model có thể thay đổi.

Kết luận

Để sử dụng GLM 5.3 thông qua 7API, hãy tạo tài khoản, sao chép key và base URL chính xác, chọn đúng model ID từ dashboard, rồi kết nối thông qua SDK OpenAI hoặc Anthropic. Sau đó, bạn có thể tích hợp model với các công cụ coding và đánh giá model trên các workload thực tế. Hãy xem nhãn abliterated và uncensored là mô tả về hành vi từ chối đã giảm, không phải lời cam kết, đồng thời kiểm thử lại mỗi khi phiên bản model thay đổi.

Để xem tài liệu tham khảo đầy đủ, hãy tiếp tục với hướng dẫn bắt đầu nhanh GLM 5.3 API và tài liệu xử lý sự cố của kho lưu trữ.