Qwen 3.5 Abliterated: Qué significa y opciones alojadas

Lo que la gente entiende por qwen 3.5 abliterated

Cuando alguien busca qwen 3.5 abliterated, generalmente quiere una de dos cosas: un checkpoint descargable de un modelo Qwen al que se le ha eliminado su comportamiento de rechazo, o una forma de hablar con dicho modelo sin poseer una GPU. Ambos son objetivos razonables y conducen a configuraciones diferentes, por lo que ayuda separarlos desde el principio.

Qwen es una familia de modelos de lenguaje de pesos abiertos publicados por Alibaba. Las versiones base e instruct están entrenadas para rechazar ciertas peticiones. "Abliterated" es la etiqueta que los subidores de la comunidad ponen a una variante donde ese comportamiento de rechazo se ha reducido quirúrgicamente a posteriori. El nombre es una mezcla de "ablation" y "obliterated", y se popularizó.

Una advertencia sobre los números de versión. Las familias de modelos reciben nuevas versiones a menudo, y los subidores nombran sus archivos según la base desde la que comenzaron. No seguimos qué versión exacta es la más nueva, y nada en esta página afirma que nuestro modelo alojado sea un checkpoint Qwen en particular. Lo que podemos describir con precisión es la técnica, los compromisos prácticos y el servicio que ejecutamos.

Cómo funciona la abliteración

Los investigadores que estudian el rechazo en modelos de chat encontraron que la tendencia a rechazar puede resumirse, con buena aproximación, como una sola dirección en el espacio de activación interna del modelo. Alimente al modelo un conjunto de prompts que rechaza y un conjunto que acepta, compare los estados ocultos, y la diferencia apunta a lo largo de una "dirección de rechazo".

La abliteration toma esa dirección y edita las matrices de pesos para que el modelo ya no pueda escribir a lo largo de ella. La edición es una proyección aplicada una vez a los pesos guardados. No hay descenso de gradiente sobre un gran conjunto de datos, por eso una persona con una sola máquina puede publicar un checkpoint modificado en horas de que aparezca un modelo base.

Cómo se diferencia del fine-tune

Un fine-tune cambia el comportamiento entrenando con nuevos ejemplos. Puede enseñar un estilo, una personalidad o un formato. La abliteration solo elimina un comportamiento; no añade nada. Un modelo que ha sido abliterated escribe con la misma voz que el original y mantiene el mismo conocimiento, menos la mayor parte de la vacilación.

Muchos modelos "uncensored" publicados combinan ambos pasos: abliterate primero, luego fine-tune ligeramente para reparar la pérdida de calidad. Si una tarjeta de modelo no dice cuál usó, asume que no puedes saberlo.

Qué cuesta en calidad

Editar pesos no es gratis. Algunos checkpoints abliterated pierden un poco de precisión en razonamiento o seguimiento de instrucciones, y algunos se vuelven repetitivos o se desvían del personaje en chats largos. La calidad varía según el subidor, qué tan agresivamente se eliminó la dirección y la cuantización que descargues. Trata cada versión como su propio modelo y pruébalo con tus propios prompts.

Por qué la etiqueta no es una garantía de calidad

Las tarjetas de modelo para subidas con abliteration las escriben individuos, no un laboratorio con un proceso de lanzamiento. Reclamaciones como "sin rechazos" o "misma calidad que el original" generalmente se basan en un puñado de prompts. Eso está bien para un hobby, pero es evidencia débil para cualquier cosa en la que pretendas depender.

Una verificación sensata antes de construir sobre cualquier versión: escribe veinte prompts de tu caso de uso real, incluyendo algunos que el modelo instruct original habría rechazado, ejecútalos y lee las respuestas. Nota con qué frecuencia el modelo se mantiene en la tarea, cómo maneja un prompt de sistema largo y si mantiene un formato como JSON. Esa pequeña prueba te dice más que un número de tabla de clasificación.

Ejecutar una versión abliterada tú mismo

Si quieres control total, la inferencia local es una ruta legítima. Descargas los pesos, eliges un formato cuantizado y los sirves con un runtime como llama.cpp, Ollama o vLLM. Nada sale de tu máquina, y puedes cambiar checkpoints cuando quieras.

Los costos son prácticos más que conceptuales:

• Memoria. El modelo y su caché KV deben caber en VRAM o RAM rápida del sistema. Las variantes Qwen más grandes necesitan hardware de clase estación de trabajo, y los contextos largos aumentan drásticamente el tamaño de la caché.
• Tiempo de configuración. Elegir una cuantización, plantilla de chat y ajustes de sampler toma prueba y error. Una plantilla de chat incorrecta por sí sola puede hacer que un buen modelo parezca roto.
• Velocidad. Las GPUs de consumo y el offload de CPU producen tokens lentamente en comparación con un servidor optimizado para throughput, lo cual importa para trabajos por lotes.
• Mantenimiento. Los nuevos checkpoints aparecen constantemente, por lo que terminas descargando y probando de nuevo.

Para un aficionado con una tarjeta de repuesto, eso es un fin de semana divertido. Para un equipo que necesita un endpoint estable dentro de una aplicación, es un proyecto secundario que compite con el real.

La alternativa alojada

Ofrecemos una API alojada para quienes quieren el comportamiento sin la necesidad de hardware. Sirve un único modelo de pesos abiertos, gestionado por un proveedor independiente y ajustado para responder sin rechazos de contenido para uso adulto lícito. Lo invocas como uncensored a través de una interfaz compatible con OpenAI.

Sé claro sobre lo que esto es y no es. No es la API oficial de Qwen, y no es un router que reenvía a Alibaba o cualquier otro proveedor. No publicamos una tarjeta de modelo que afirme una versión Qwen específica, así que no trates el servicio como un reemplazo listo para usar de un checkpoint con nombre. Si necesitas esa versión exacta, con sus peculiaridades exactas, ejecútala localmente.

Si necesitas un modelo de chat uncensored que se comporte de la misma manera todos los días, con una URL estable, el hosting es más simple. Los hechos relevantes:

• Métodos: POST /v1/chat/completions y GET /v1/models.
• Se admite streaming, llamadas a funciones y modo JSON.
• Ventana de contexto de 100.000 tokens, prompt más finalización.
• Solo texto. Sin imágenes, audio, video, embeddings ni ajuste fino.
• Los prompts no se utilizan para entrenamiento.
• Un límite estricto: sin contenido sexual que involucre menores de edad.

La documentación de la API enumera todos los parámetros admitidos, y la guía de comparación explica cómo la alojamiento por token se compara con otras formas de obtener un modelo estilo Qwen.

Pruébalo en cinco líneas

Como la interfaz sigue el esquema de OpenAI, cualquier SDK de OpenAI funciona después de cambiar la base URL y la clave. Aquí está el ejemplo más corto útil con Python:

Copyfrom openai import OpenAI

client = OpenAI(
    base_url="https://api.qwenabliterated.top/v1",
    api_key="YOUR_API_KEY",
)

reply = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise the idea of abliteration in two sentences."}],
)
print(reply.choices[0].message.content)

La misma llamada con curl:

Copycurl https://api.qwenabliterated.top/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"uncensored","messages":[{"role":"user","content":"Hello"}]}'

Para listar a qué puede acceder la clave, llama a GET /v1/models. Crea una clave en la página de clave de API. Las cuentas nuevas pueden reclamar $0.50 de crédito de prueba con un solo clic, válido durante 7 días y sin necesidad de tarjeta, lo cual es suficiente para unas pocas cientos de peticiones de prueba cortas.

Local o alojado: una lista de decisiones

Elige inferencia local cuando:

• Debes mantener cada prompt en tu propia máquina, sin ninguna llamada de red.
• Necesitas un checkpoint específico de la comunidad, cuantización o LoRA.
• Ya posees una GPU adecuada y disfrutas ajustando la pila.

Elige el endpoint alojado cuando:

• Quieres enviar una aplicación o bot y necesitas una URL que se mantenga activa mientras trabajas en otra cosa.
• Necesitas contexto largo sin comprar memoria para ello.
• Tu uso es intermitente, así que pagar por token supera a poseer hardware ocioso.
• Quieres reutilizar código de cliente estilo OpenAI existente.

Un enfoque mixto es común: prototipa prompts en la API alojada, luego decide si una versión local vale la pena el esfuerzo. Como ambas pueden hablar el mismo formato de chat, moverse entre ellas principalmente significa cambiar una base URL.

Lo que cuesta

Los precios son $0,15 por cada 1M de tokens de entrada y $0,50 por cada 1M de tokens de salida, descontados del crédito prepago sin suscripción. Las peticiones fallidas o rechazadas no se cobran y el crédito no caduca.

Un ejemplo práctico: un prompt de 3.000 tokens con una respuesta de 700 tokens cuesta 3.000 x $0,15 / 1M = $0,00045 por entrada más 700 x $0,50 / 1M = $0,00035 por salida, lo que suma $0,0008 en total. Mil llamadas de este tipo ascienden a $0,80.

Las recargas son cualquier cantidad entera entre $20 y $500, con un bono del 5% a partir de $50, del 10% a partir de $100 y del 15% a partir de $200. Puedes pagar con cripto (USDT en TRC20, USDC en Base). La página de precios tiene la tabla actual.

Más guías

• API de Qwen Abliterated: llama a un modelo alojado sin GPU
• Roleplay con Qwen Abliterated: configuración y API
• Alternativa de API sin censura