Chuyển đến nội dung chính
Hướng dẫn AI

Sử dụng các mô hình GLM 5.3 Abliterated và không kiểm duyệt với RouterHub

Tìm hiểu cách truy cập các biến thể GLM 5.3 thông qua API tương thích với OpenAI của RouterHub, sử dụng bộ sưu tập prompt của kho lưu trữ, cấu hình các công cụ lập trình và so sánh mô hình theo chất lượng, hành vi từ chối, độ trễ và tổng chi phí.

Thời gian đọc khoảng 24 phút
Sử dụng mô hình GLM 5.3 Abliterated và không kiểm duyệt với RouterHub

Dự án này cung cấp gì

Kho lưu trữ RouterHub này kết hợp hướng dẫn về mô hình GLM 5.3, các ví dụ API, tư vấn đánh giá và 35 tệp prompt phục vụ nghiên cứu hành vi mô hình. Nội dung tập trung vào các mục GLM 5.3 standard, Flash, abliterated và uncensored trong danh mục, đồng thời giải thích cách một tài khoản RouterHub có thể truy cập các mô hình GPT, Claude, DeepSeek, Qwen và Grok được hỗ trợ.

Kho lưu trữ chủ yếu là tài liệu và tài liệu cấu hình có thể tái sử dụng, thay vì một gói phần mềm. Bạn có thể xem các tệp ngoại tuyến, đưa những chỉ dẫn được chọn vào các ứng dụng khách tương thích hoặc kết nối ứng dụng với API được RouterHub lưu trữ.

Việc giảm từ chối là một hành vi cần đo lường, không phải sự bảo đảm rằng mô hình sẽ trả lời mọi yêu cầu hoặc tạo ra kết quả chính xác.

Tìm hiểu các biến thể GLM 5.3

Các nhãn abliterated và uncensored mô tả những khái niệm có liên quan nhưng khác nhau.

  • GLM 5.3 Abliterated: một biến thể nghiên cứu gắn với các can thiệp vào trọng số mô hình nhằm giảm hành vi liên quan đến việc từ chối.
  • GLM 5.3 Uncensored: một danh mục sản phẩm rộng hơn, có thể liên quan đến thay đổi trong quá trình huấn luyện, thay đổi trọng số hoặc một persona ở cấp prompt.
  • GLM 5.3: mục tiêu chuẩn trong danh mục.
  • GLM 5.3 Flash: một mục riêng có chất lượng, độ trễ, khả năng và mức giá cần được đánh giá độc lập.

Kho lưu trữ không tự kiểm tra các trọng số được lưu trữ trên máy chủ và cũng không công bố kết quả benchmark về tỷ lệ từ chối. Luôn xác minh mục đang hoạt động trong danh mục và kiểm thử hành vi của mục đó với các tác vụ hợp pháp của bạn.

ID mô hình GLM hiện có

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

Các mục GLM này sử dụng giao thức Chat Completions. Tính khả dụng, khả năng và mức giá có thể thay đổi, vì vậy hãy kiểm tra danh mục mô hình RouterHub đang hoạt động trước khi triển khai.

Tính năng chính

  • Truy cập tương thích với OpenAI: gọi các mô hình GLM được liệt kê qua Chat Completions bằng các SDK quen thuộc.
  • Một tài khoản cho nhiều dòng mô hình: sử dụng tài khoản RouterHub trả trước để truy cập các mục GLM, GPT, Claude, DeepSeek, Qwen và Grok được hỗ trợ.
  • Ba mươi lăm tệp prompt: xem các system prompt, đặc tả assistant, hồ sơ workspace, chỉ dẫn agent, Ollama Modelfile và một cấu hình Grok.
  • Hướng dẫn về công cụ lập trình: kết hợp OpenCode, Cursor, Continue, Cline, Claude Code, Codex CLI, LangChain hoặc LlamaIndex với giao thức phù hợp.
  • Tài nguyên đánh giá: so sánh các biến thể mô hình dựa trên chất lượng tác vụ, hành vi từ chối, khả năng tuân theo chỉ dẫn, tính lặp lại, độ trễ và tổng chi phí.
  • Tính phí sử dụng trả trước: nạp tiền vào tài khoản và thanh toán theo mức giá token được công bố của mô hình đã chọn.

Thiết lập quyền truy cập API RouterHub

1. Tạo và nạp tiền vào tài khoản

Đăng ký RouterHub, nạp credit trả trước và tạo khóa API riêng tư. Một yêu cầu suy luận sẽ sử dụng credit, vì vậy hãy bắt đầu bằng một bài kiểm thử nhỏ và xem lại khoản phí sử dụng phát sinh.

2. Lưu thông tin xác thực an toàn

RouterHub công bố https://routerhub.si/v1 là URL cơ sở API. Lưu URL và khóa trong các biến môi trường:

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

Không commit khóa thực vào kho lưu trữ. Với hệ thống production, hãy sử dụng trình quản lý bí mật do nền tảng lưu trữ của bạn cung cấp.

3. Cài đặt OpenAI SDK

Các mô hình GLM 5.3 được liệt kê sử dụng Chat Completions, vì vậy hãy cài đặt ứng dụng khách OpenAI cho Python:

python -m pip install openai

Thực hiện yêu cầu GLM 5.3 đầu tiên

Tạo ứng dụng khách OpenAI với URL cơ sở của RouterHub và khóa riêng tư của bạn. Sau đó gửi yêu cầu Chat Completions bằng ID chính xác trong danh mục:

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)

Để so sánh một biến thể khác, hãy giữ nguyên yêu cầu và chỉ thay ID mô hình. Ví dụ, sử dụng glm-5.3 làm mốc chuẩn cho mô hình tiêu chuẩn hoặc glm-5.3-uncensored để đánh giá mục uncensored được liệt kê riêng.

Thêm chỉ dẫn hệ thống

Tin nhắn hệ thống có thể xác định các yêu cầu đầu ra cho một yêu cầu Chat Completions được hỗ trợ:

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)

Kiểm tra xem từng biến thể có tuân theo chỉ dẫn hệ thống của bạn như dự kiến hay không. Chỉ riêng nhãn uncensored không cho biết việc triển khai sử dụng thay đổi trọng số, thay đổi trong quá trình huấn luyện hay một persona cố định có thể ảnh hưởng đến việc xử lý chỉ dẫn.

Sử dụng bộ sưu tập prompt đi kèm

Tất cả 35 tệp prompt nghiên cứu được lưu trong thư mục jailbreaks/ của repository. Chúng bao quát GLM và ZCode, Claude, DeepSeek, Kimi, Grok, Gemini, Mistral, Qwen, Gemma, GPT-OSS và một số model hướng đến OpenCode.

System prompt

Sao chép nội dung của một tệp vào trường system prompt hoặc custom instructions do API, chatbot, agent hoặc harness cung cấp. Với Chat Completions, thông thường bạn đặt văn bản vào một message có role là system.

Chỉ dẫn agent cấp dự án

Các tệp được thiết kế làm chỉ dẫn AGENTS.md phải được lưu dưới đúng tên đó ở thư mục gốc của repository hoặc workspace tương ứng. Sau đó, các coding agent tương thích có thể xem tệp này là hướng dẫn cấp dự án.

Chính sách workspace cố định

Thông số vận hành của assistant và hồ sơ workspace nên được đặt tại vị trí lưu trữ chỉ dẫn cố định của client. README đưa ra đường dẫn OpenCode sau làm ví dụ:

~/.config/opencode/AGENTS.md

Các công cụ khác có thể sử dụng đường dẫn khác, vì vậy hãy xem tài liệu của client trước khi cài đặt chính sách trên toàn hệ thống.

Ollama Modelfile

Các tệp prompt Gemma 4 và GPT-OSS 20B chứa các khối FROM và SYSTEM theo kiểu Ollama. Tạo model cục bộ từ một trong các tệp này bằng:

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

Thay đổi tên model đầu ra và đường dẫn nguồn khi sử dụng Modelfile khác.

Cấu hình Grok

Tệp jailbreaks/grok-config.txt dành cho trường cấu hình của harness mục tiêu, không phải cho một message hội thoại thông thường.

Hành vi của prompt phụ thuộc vào phiên bản. Các bản cập nhật model và thay đổi trong thứ bậc chỉ dẫn có thể khiến một tệp từng hoạt động hiệu quả hoạt động khác đi.

Chọn client và giao thức tương thích

Một key RouterHub dùng chung không khiến mọi model tương thích với mọi giao thức API. Hãy chọn model và client cùng nhau.

  • OpenAI SDK: cung cấp base URL, key của RouterHub và một GLM model ID chính xác.
  • OpenCode: sử dụng cấu hình provider Chat Completions cho mục GLM đã chọn.
  • Continue hoặc Cline: làm theo thiết lập Chat Completions tương thích của chúng.
  • Cursor: xác minh phiên bản đã cài hỗ trợ custom Chat Completions endpoint và các tính năng model bạn yêu cầu.
  • LangChain hoặc LlamaIndex: chọn một tích hợp Chat Completions tương thích và xác thực các tính năng dành riêng cho ứng dụng.
  • Claude Code hoặc Anthropic SDK: chọn một mục trong catalogue hỗ trợ Anthropic Messages, chẳng hạn một model Claude được hỗ trợ. Các biến thể GLM được liệt kê không sử dụng Messages.
  • Codex CLI: chọn model hỗ trợ Responses thay vì một mục GLM chỉ hỗ trợ Chat.

Ví dụ Claude Messages tùy chọn

Cùng một tài khoản RouterHub có thể cung cấp các model Claude được hỗ trợ thông qua API Messages tương thích với Anthropic. Đây không phải endpoint thay thế cho GLM. Trước tiên, hãy cài Anthropic SDK:

python -m pip install anthropic

Sau đó sử dụng một mục Claude được hỗ trợ trong catalogue:

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)

Đánh giá có hệ thống các biến thể

Một phép so sánh hữu ích đòi hỏi nhiều hơn việc tìm thấy một câu trả lời dễ dãi. Hãy chạy cùng các tác vụ hợp pháp trên các mục standard, Flash, abliterated và uncensored, sau đó ghi lại các phép đo nhất quán.

  1. Xác định các tác vụ đại diện. Bao gồm các tình huống coding, agent, phân tích, viết hoặc song ngữ phản ánh ứng dụng của bạn.
  2. Giữ input nhất quán. Sử dụng lại cùng prompt, system instruction và các thiết lập liên quan trên mọi model.
  3. Đo lường các lượt từ chối không cần thiết. Ghi lại các yêu cầu bị từ chối dù có thể trả lời theo chính sách kiểm thử đã định nghĩa.
  4. Chấm điểm chất lượng tác vụ. Kiểm tra tính chính xác, mức độ chi tiết hữu ích, code đã được kiểm thử và cách thể hiện sự không chắc chắn phù hợp.
  5. Kiểm thử hành vi của instruction. Xác minh định dạng, cách xử lý system message, chỉ dẫn dự án và tích hợp công cụ bắt buộc.
  6. Kiểm tra khả năng lặp lại. Ghi lại API ID, bản sửa đổi prompt, các thiết lập, số lần lặp và ngày kiểm thử.
  7. Tính tổng chi phí tác vụ. Bao gồm token input và output, các lần thử thất bại, retry, độ dài output và độ trễ đầu cuối.

Repository có các tác vụ mẫu lành tính trong examples/benign-eval-prompts.json. Repository không tuyên bố điểm benchmark trực tiếp, vì vậy hãy xem các tài nguyên này là nền tảng cho quá trình đánh giá của riêng bạn.

Mẹo nâng cao

Kiểm tra lại catalogue trước khi triển khai

Tính khả dụng trên dịch vụ lưu trữ, giá, năng lực và hành vi có thể thay đổi. Xác nhận chính xác model ID và giao thức được hỗ trợ trước khi phát hành tích hợp, đồng thời chạy lại các kiểm thử quan trọng sau khi model được cập nhật.

Kiểm thử Flash riêng biệt

Đừng mặc định rằng GLM 5.3 Flash có chất lượng hoặc hành vi giống model standard. Benchmark cả hai dựa trên tiêu chí về độ trễ, chi phí và mức chấp nhận của bạn.

Tính đến retry

Một model có mức phí token thấp hơn vẫn có thể tốn nhiều hơn cho mỗi tác vụ thành công nếu cần prompt dài hơn, tạo output quá mức hoặc yêu cầu nhiều lần thử. Hãy so sánh chi phí của tác vụ hoàn tất thay vì chỉ so sánh giá token.

Coi prompt là tài sản được quản lý phiên bản

Ghi lại phiên bản mô hình hoặc ngày kiểm thử cùng với mỗi lần sửa đổi prompt. Nếu một tệp chỉ dẫn ngừng hoạt động, hãy cập nhật và ghi lại lỗi thay vì cho rằng máy khách được cấu hình sai.

Chạy kiểm tra kho lưu trữ ngoại tuyến

Những người đóng góp tài liệu có thể chạy trình kiểm tra liên kết và cú pháp của kho lưu trữ mà không tốn hạn mức suy luận:

python tools/check.py

Bảo vệ dữ liệu riêng tư

Suy luận được lưu trữ không phải là suy luận cục bộ. Hãy xem xét các điều khoản của nhà cung cấp và chính sách lưu giữ dữ liệu hiện hành trước khi gửi thông tin mật. Duy trì sự tham gia của con người đối với các hành động có hậu quả đáng kể, hạn chế quyền của tác nhân và kiểm tra mã được tạo ra trước khi thực thi.

Kết luận

Dự án này cung cấp một lộ trình thực tế từ thuật ngữ GLM 5.3 đến một yêu cầu API hoạt động và quy trình đánh giá mô hình có thể lặp lại. Hãy bắt đầu với tài khoản RouterHub đã được cấp vốn, sử dụng chính xác mã định danh mô hình Chat Completions, kiểm thử các biến thể trên những tác vụ giống hệt nhau và coi các nhãn “abliterated” hoặc “uncensored” là những giả thuyết cần kiểm chứng thay vì sự đảm bảo. Các tệp prompt đi kèm có thể hỗ trợ nghiên cứu và cấu hình tác nhân, nhưng cần được quản lý phiên bản, xem xét và sử dụng cùng các biện pháp kiểm soát phù hợp về quyền riêng tư và triển khai.