Esta é a API oficial do Qwen?

Não. É um serviço independente que roda um único modelo de pesos abertos de um provedor independente. Não é operado pela Alibaba ou por qualquer outro fornecedor de modelo.

O modelo hospedado é uma versão Qwen 3.5?

Não afirmamos uma versão específica do Qwen. Você o chama como uncensored e deve testá-lo com seus próprios prompts para ver se serve para o seu uso.

A abliteration torna o modelo mais inteligente?

Não. Remove um comportamento de recusa e não adiciona conhecimento. A qualidade pode permanecer igual ou cair levemente dependendo da versão.

Posso usar com código OpenAI existente?

Sim. Altere a base URL e a chave, defina o modelo como uncensored e as chamadas padrão de chat completions funcionarão, incluindo streaming e chamada de funções.

Que conteúdo não é permitido?

O serviço é feito para uso adulto lícito. Conteúdo sexual envolvendo menores de idade nunca é permitido.

Qwen 3.5 Abliterated: o que significa e opções hospedadas

Versões Qwen abliterated são checkpoints de pesos abertos modificados pela comunidade que já não recusam a maioria das requisições. Esta página explica o método, as compensações e quando um endpoint hospedado é a rota mais fácil.

O que as pessoas querem dizer com qwen 3.5 abliterated

Quando alguém pesquisa por qwen 3.5 abliterated, geralmente quer uma das duas coisas: um checkpoint para download de um modelo Qwen com seu comportamento de recusa removido, ou uma maneira de conversar com esse modelo sem possuir uma GPU. Ambos são objetivos razoáveis e levam a configurações diferentes, então ajuda separá-los cedo.

Qwen é uma família de modelos de linguagem de pesos abertos publicados pela Alibaba. As versões base e instruct são treinadas para recusar certos pedidos. "Abliterated" é o rótulo que os uploaders da comunidade colocam em uma variante onde esse comportamento de recusa foi reduzido cirurgicamente depois do fato. O nome é uma mistura de "ablation" e "obliterated", e ficou.

Uma cautela sobre números de versão. Famílias de modelos recebem novos lançamentos frequentemente, e os enviadores nomeiam seus arquivos baseado em qualquer base que começaram. Não rastreamos qual versão exata é a mais recente, e nada nesta página afirma que nosso modelo hospedado é qualquer checkpoint Qwen específico. O que podemos descrever com precisão é a técnica, as compensações práticas e o serviço que executamos.

Como a abliteração funciona

Pesquisadores estudando recusa em modelos de chat descobriram que a tendência a recusar pode ser resumida, com boa aproximação, como uma única direção no espaço de ativação interna do modelo. Alimente o modelo com um conjunto de prompts que ele recusa e um conjunto que ele aceita, compare os estados ocultos, e a diferença aponta ao longo de uma "direção de recusa".

A abliteration pega essa direção e edita as matrizes de peso para que o modelo não possa mais escrever ao longo dela. A edição é uma projeção aplicada uma vez aos pesos salvos. Não há descida do gradiente sobre um grande conjunto de dados, o que é por isso que uma pessoa com uma única máquina pode publicar um checkpoint modificado dentro de horas após um modelo base aparecer.

Como difere do ajuste fino

Um ajuste fino muda o comportamento treinando em novos exemplos. Pode ensinar um estilo, uma persona ou um formato. A abliteração apenas remove um comportamento; não adiciona nada. Um modelo que foi abliterado escreve na mesma voz do original e mantém o mesmo conhecimento, menos a maior parte da hesitação.

Muitos modelos sem censura publicados combinam ambas as etapas: abliterar primeiro, depois fazer um ajuste fino leve para reparar a perda de qualidade. Se um card do modelo não disser qual usou, assuma que você não pode saber.

O que custa em qualidade

Editar pesos não é de graça. Alguns checkpoints abliterated perdem um pouco de precisão em reasoning ou instruction following, e alguns ficam repetitivos ou saem do personagem em chats longos. A qualidade varia por uploader, por quão agressivamente a direção foi removida e pela quantisation que você baixa. Trate cada build como seu próprio modelo e teste-o com seus próprios prompts.

Por que o rótulo não é garantia de qualidade

Model cards para uploads abliterated são escritos por indivíduos, não por um lab com um processo de release. Reivindicações como "sem recusas" ou "mesma qualidade do original" geralmente se baseiam em alguns poucos prompts. Isso é bom para um hobby, mas é evidência fraca para qualquer coisa que você pretenda depender.

Uma verificação sensata antes de construir sobre qualquer build: escreva vinte prompts do seu caso de uso real, incluindo alguns que o modelo instruct original teria recusado, execute-os e leia as respostas. Anote com que frequência o modelo mantém o foco, como lida com um system prompt longo e se mantém um formato como JSON. Esse pequeno teste diz mais do que um número de leaderboard.

Rodando uma versão abliterated você mesmo

Se você quer controle total, a inferência local é um caminho legítimo. Você baixa os pesos, escolhe um formato quantised e serve-os com um runtime como llama.cpp, Ollama ou vLLM. Nada sai da sua máquina, e você pode trocar checkpoints quando quiser.

Os custos são práticos em vez de conceituais:

Memória. O modelo e seu KV cache precisam caber em VRAM ou RAM de sistema rápida. Variantes Qwen maiores precisam de hardware classe workstation, e contextos longos aumentam o tamanho do cache abruptamente.
Tempo de setup. Escolher uma quantisation, chat template e configurações de sampler leva tentativa e erro. Uma chat template errada sozinha pode fazer um bom modelo parecer quebrado.
Velocidade. GPUs consumer e CPU offload produzem tokens lentamente comparado com um server tuned para throughput, o que importa para jobs em batch.
Manutenção. Novos checkpoints aparecem constantemente, então você acaba re-baixando e re-testando.

Para um hobbyist com um card sobrando, isso é um fim de semana divertido. Para uma equipe que precisa de um endpoint estável dentro de uma aplicação, é um side project que compete com o real.

A alternativa hospedada

Executamos uma API hospedada para pessoas que querem o comportamento sem o hardware. Serve um único modelo de pesos abertos, rodado por um provedor independente e tuned para responder sem recusas de conteúdo para uso adulto lícito. Você o chama como uncensored através de uma interface compatível com OpenAI.

Fique claro sobre o que isso é e não é. Não é a API oficial do Qwen, e não é um router que encaminha para Alibaba ou qualquer outro vendor. Não publicamos um model card reivindicando um release Qwen específico, então não trate o serviço como um drop-in replacement para um checkpoint nomeado. Se você precisa dessa build exata, com suas quirks exatas, rode-a localmente.

Se você precisa de um modelo de chat uncensored que se comporte da mesma maneira todos os dias, com uma URL estável, o hosting é mais simples. Os fatos relevantes:

Métodos: POST /v1/chat/completions e GET /v1/models.
Streaming, chamada de funções e modo JSON são suportados.
Janela de contexto de 100.000 tokens, prompt mais conclusão.
Apenas texto. Sem imagens, áudio, vídeo, embeddings ou fine-tuning.
Os prompts não são usados para treinamento.
Um limite rígido: sem conteúdo sexual envolvendo menores de idade.

A documentação da API lista todos os parâmetros suportados, e o guia de comparação passa por como o hosting pay-per-token se compara a outras maneiras de obter um modelo estilo Qwen.

Experimente em cinco linhas

Porque a interface segue o schema OpenAI, qualquer SDK OpenAI funciona após mudar a base URL e a chave. Aqui está o exemplo útil mais curto com Python:

from 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)

A mesma chamada com curl:

curl 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 o que a chave pode acessar, chame GET /v1/models. Crie uma chave na página de chaves de API. Contas novas podem reivindicar $0,50 de crédito de teste com um clique, válido por 7 dias e sem necessidade de cartão, o que é suficiente para algumas centenas de requisições de teste curtas.

Local ou hospedado: uma lista de decisão

Escolha inferência local quando:

Você deve manter todos os prompts na sua própria máquina, sem nenhuma chamada de rede.
Você precisa de um checkpoint específico da comunidade, quantisation ou LoRA.
Você já possui uma GPU adequada e gosta de ajustar a stack.

Escolha o endpoint hospedado quando:

Você quer enviar um app ou bot e precisa de uma URL que fique online enquanto você trabalha em outra coisa.
Você precisa de contexto longo sem comprar memória para isso.
Seu uso é bursty, então pagar por token vale mais do que possuir hardware ocioso.
Você quer reutilizar código de cliente estilo OpenAI existente.

Uma abordagem mista é comum: prototipe prompts na API hospedada, então decida se uma build local vale o esforço. Porque ambos podem falar o mesmo formato de chat, mover entre eles significa principalmente mudar uma base URL.

Quanto custa

O preço é $0.15 por 1M de tokens de entrada e $0.50 por 1M de tokens de saída, descontados do crédito pré-pago, sem assinatura. Requisições falhas ou recusadas não são cobradas, e o crédito não expira.

Um exemplo prático: um prompt de 3.000 tokens com uma resposta de 700 tokens custa 3.000 x $0,15 / 1M = $0,00045 de entrada mais 700 x $0,50 / 1M = $0,00035 de saída, totalizando $0,0008. Mil chamadas assim custam $0,80.

Recargas podem ser qualquer valor inteiro de $20 a $500, com bônus de 5% a partir de $50, 10% a partir de $100 e 15% a partir de $200. Você pode pagar com cripto (USDT na TRC20, USDC na Base). A página de preços tem a tabela atual.