摘要
- 使用 100k 上下文視窗，在無審查的敘事中維持長期的角色一致性。
- 設置顯式的 max_tokens 以避免流式回應中的意外輸出截斷。
- 較低的溫度值會減少幻覺，同時保留模型生成明確內容的能力。
- 如果您正確結構化提示詞，JSON 模式與函式呼叫在無審查模型中運作可靠。
為什麼上下文窗口大小對 NSFW 上下文很重要
上下文窗口大小決定了模型在單一會話中記住多少對話歷史。大型上下文窗口允許無審查模型在數千次互動中維持複雜的角色特徵而不遺忘早期細節。這對於 NSFW 角色扮演至關重要，因為語調和身體描述的連貫性很重要。
較小的上下文視窗會迫使模型遺失早期的指令，導致重複或矛盾的行為。您應確保上下文視窗至少為 100,000 個 token，以支援長篇故事創作。這允許您在每次請求時傳遞完整的對話歷史。
- 較長的上下文減少了对激進摘要的需求。
- 角色設定表完全適合提示詞視窗。
- 在長時間會話期間，記憶遺失已降至最低。
然而，較大的窗口會增加每個請求的延遲和成本。您必須在記憶體深度與回應速度之間取得平衡。測試您的特定用例，以找到適合您無過濾 LLM 整合的最佳窗口大小。
了解輸出 Token 限制
輸出 token 上限定義了模型在單一回應中可生成的最大 token 數量。超過此限制會導致回應突然截斷，可能破壞段落或場景。您必須將 max_tokens 參數設定為與所需輸出長度相符。
預設限制通常在 2,048 到 8,192 個 token 之間變動。對於 NSFW 內容，你可能需要更長的回應才能完整描述動作或對話。設定較高的限制可確保模型能完成其思考過程。
| 參數 | 預設值 | 推薦 |
|---|---|---|
| max_tokens | 2,048 | 8,192+ |
| 溫度 | 1.0 | 0.7-1.2 |
監控您的使用情況以避免觸及硬性限制。如果回應被截斷，請增加限制或將請求拆分為較小的區塊。這可確保您的無審查 AI 應用程式獲得完整且連貫的輸出。
溫度設定與創造力
溫度控制模型詞語選擇的隨機性。較高的溫度會產生更具創造力和多樣化的輸出，而較低的溫度則產生更可預測且專注的回應。對於 NSFW 內容，您通常需要在創造力和一致性之間取得平衡。
temperature 設定過高會導致語意不清或重複的措辭。設定過低則會讓模型聽起來像機器人一樣機械化。建議從 temperature 約 0.8 開始進行一般無審查聊天。並根據您內容的期望語氣進行調整。
- 低溫度：精確且具事實性。
- 中等溫度：平衡創造力。
- 高溫度：狂野且不可預測。
實驗不同值以為您的無審查模型找到最佳點。一致的設定有助於在多次請求中維持一致的語氣。
處理與 uncensored 模型的函數調用
函式呼叫允許模型在文字旁返回結構化資料。這對於在 NSFW 互動期間擷取角色屬性或遊戲狀態變更很有用。當結構描述定義清晰時，Uncensored 模型能很好地處理函式呼叫。
在 tools 參數中傳遞函式定義。如果語境需要，模型將回應工具呼叫。請確保您的提示明確指示模型在適當時使用工具。
先從簡單的功能開始測試。逐漸增加複雜性，以觀察無審查模型如何處理混合內容。函式呼叫會增加開銷，但能提供更互動的體驗。
用於結構化 NSFW 資料的 JSON 模式
JSON 模式強制模型輸出嚴格有效的 JSON。這對於在應用程式中解析回應至關重要。Uncensored 模型可以生成 JSON，但它們可能會包含 Markdown 格式或額外文字。
設定 response_format 為 json_object。這減少了對 regex 解析的需求。確保您的 schema 允許 uncensored 內容中常見的變異。
- 使用嚴格的 JSON 結構定義以確保解析可靠。
- 處理程式碼中潛在的 markdown 包裝。
- 處理前驗證輸出。
JSON 模式提高了整合的可靠性。它確保您的無審查 LLM 返回應用程式能夠無歧義理解的資料。
串流與非串流回應
串流會隨著生成逐 token 發送回應。這透過立即顯示文字來提供更好的使用者體驗。非串流會等待整個回應完成後才發送。
串流傳輸非常適合聊天介面。它能降低感知延遲。使用伺服器發送事件（SSE）來處理串流回應。
在最後一個區塊中監控 token 用量。這能為您提供準確的計費資料。串流處理增加了客戶端程式碼的複雜性，但能顯著提升使用者滿意度。
常見速率限制錯誤
速率限制限制您每分鐘可以發送的請求數量。超過這些限制將返回 429 錯誤。了解這些限制有助於您設計健壯的重試邏輯。
常見限制包括每分鐘請求數與併發請求數。規劃您的架構以處理突發流量。當重試失敗時，使用指數退避。
- 檢查 Retry-After 標頭。
- 為突發情況實作本地佇列。
- 監控用量儀表板。
速率限制可保護 uncensored LLM 基礎設施。尊重這些限制以確保為您的使用者提供一致的效能。
定價迷思
無審查模型的定價在各供應商之間差異很大。有些按 Token 收費，有些按請求收費。在整合之前請了解成本結構。
輸入 token 比輸出 token 便宜。長上下文視窗會增加輸入成本。請仔細估算您的用量，以避免意外費用。
預付信用額度模式通常比隨用隨付模式提供更優惠的價格。請檢查是否有併發費等隱藏費用。定價透明能建立開發者的信任。
選擇合適的無審查模型
選擇合適的無審查模型取決於您的具體需求。考慮上下文長度、速度和準確性。開放權重模型比封閉模型提供更靈活性。
使用您的提示詞集測試多個模型。比較輸出質量與延遲。最適合您的無審查 LLM 將取決於您的內容類型。
- 評估上下文視窗大小。
- 檢查輸出 token 限制。
- 審查定價結構。
從小處著手並擴展規模。使用試用代幣測試不同的模型，然後再決定供應商。
