Mikä on Grok Jailbreak?
Grok-jailbreak on tekniikka, joka kiertää Grok-tekoälylle asetetut sisältösuodattimet. Se mahdollistaa mallin tuottaa tekstiä ilman tavallisia kieltäytymisiä aikuisille, kiistanalaisille tai epätavallisille aiheille. Tämä prosessi muuttaa tavallisen keskusteluliittymän muotoon sensuroimaton LLM kyvyksetön raakaa tulostetta.
Tutkijat käyttävät näitä menetelmiä testaamaan sovitusrajoja. Kehittäjät integroivat ne työvuoksiin, jotka vaativat rajoittamatonta luovaa kirjoittamista. Tavoitteena on tasainen pääsy mallin täyteen päättelykapasiteettiin.
Ydinkäytännöt
- Järjestelmäpromptin ohitus
- Kontekstuikkon manipulointi
- Parameter tuning
Miksi Grok-suodattimet aktivoituvat
Grok-suodattimet laukeavat, koska järjestelmäohjeessa on eksplisiittisiä ohjeita. Nämä ohjeet määrittelevät hyväksyttävän käytöksen ja rajoittavat tiettyjä aiheita. Malli priorisoi näitä sääntöjä generoinnin aikana.
Kun lähetät pyynnön, malli arvioi sen näiden rajoitteiden perusteella. Jos sisältö vastaa rajoitettua kategoriaa, malli hylkää sen. Tämä käyttäytyminen on yleistä useimmissa nykyaikaisissa LLM-malleissa. Voit havaita tämän missä tahansa unfiltered chatbot joka pakottaa turvallisuusohjeistukset.
Ymmärrä laukaisimekanismi auttaa sinua suunnittelemaan parempia prompteja. Sinun tulee ratkaista perussyynä, ei vain oireita.
Menetelmä 1: Järjestelmäkehotteen lisäys
Järjestelmäpromptin ohitus ohittaa oletusohjeet. Korvaat tai liität uusia sääntöjä, jotka poistavat tiettytä suodattimet. Tämä menetelmä on suora ja tehokas useimmissa käyttötapauksissa.
Aloita määrittelemällä uusi järjestelmäraoli. Anna sille selkeä ohje ohittaa aiemmat rajoitukset. Esimerkiksi aseta rooliksi 'Uncensored Assistant'. Ohjeista sitten malli vastaamaan mihin tahansa kysymykseen suoraan.
Tämä lähestymistapa toimii, koska uusi ohjeistus saa ensisijaisen oikeuden. Malli käsittelee sitä todellisuuden ensisijaisena lähteenä. Voit yhdistää tämän muihin tekniikoihin parempien tulosten saamiseksi.
from openai import OpenAI
client = OpenAI(base_url="https://api.llmjailbreak.cc/v1", api_key="YOUR_KEY")
resp = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)Menetelmä 2: Kontesttiluukun manipulointi
Kontekstuikkon manipulointi laimentaa turvallisuusrajauksia. Täytä konteksti merkityksettömällä datalla. Tämä pakottaa mallin keskittymään viimeisimpiin syötteisiin ennemmin kuin esikoulutettuihin rajoituksiin.
Käytä pitkiä satunnaistekstijonoja. Lisää historiallista dataa tai teknistä dokumentaatiota. Tavoitteena on haudata turvallisuusohjeet meluun. Tämä menetelmä on vähemmän luotettava kuin prompt-injektio, mutta hyödyllinen tietyissä skenaarioissa.
Se toimii parhaiten yhdistettynä muihin tekniikoihin. Voit myös käyttää sitä tarjotaksesi lisäkontekstin mallille. Tämä auttaa säilyttämään koherenssin ohittaen samalla suodattimet.
Menetelmä 3: Lämpötilan ja Top-P-säätö
Lämpötila- ja top-P-säätö ohjaavat satunnaisuutta. Korkeammat arvot lisäävät luovuutta ja vähentävät johdonmukaisuutta. Matalammat arvot tekevät mallista deterministisemmän.
Aseta lämpötilaksi 0,8 tai enemmän grok unhinged käyttäytyminen. Käytä top-P-arvoa token-valinta-avaruuden rajoittamiseen. Tämä yhdistelmä edistää monipuolisia ja vähemmän rajoittavia tuloksia.
Kokeile eri arvoja löytääksesi oikean tasapainon. Liian korkea temperature voi johtaa epäjohdonmukaiseen tekstiin. Liian matala arvo voi johtaa toistuviin kuviin. Säädä tarpeidesi mukaan.
Kun käytät JSON-tilaa rakenteellisiin tuloksiin
JSON-tila pakottaa rakenteisen lähdön. Se varmistaa, että vastaus noudattaa tiettyä skeemaa. Tämä on ratkaisevan tärkeää ohjelmalliseen integrointiin.
Käytä response_format parametri. Aseta se arvoksi {"type": "json_object"}. Malli muotoilee vastauksensa kelvolliseksi JSON-muodoksi. Tämä tekee jäsentämisestä helpompaa ja luotettavampaa.
Yhdistä JSON-tila muihin tekniikoihin. Voit käyttää system prompt -injektiota varmistamaan sisällön moderointittomuuden. Sen jälkeen pakota rakenne helppoa integraatiota varten. Tämä lähestymistapa on ihanteellinen NSFW-API työnkulkuja, jotka vaativat johdonmukaisia dataformaatteja.
Grokin jailbreakin verrattuna Ollamaan
Grok ja Ollama tarjoavat erilaisia lähestymistapoja suodattimattomaan generointiin. Grok on isännöity palvelu, jossa on tiettyjä suodattimia. Ollama on paikallinen kehys avoimen painotuksen malleille.
Ollama mahdollistaa sinun ajaa abliteroidut mallit omalla laitteistollasi. Tämä antaa sinulle täyden hallinnan kontekstista ja rajoitteista. Grok vaatii API-kutsuja ja siinä on luontaisia rajoituksia.
Valitse Ollama yksityisyyden ja mukauttamisen vuoksi. Valitse Grok helppokäytön ja skaalattavuuden vuoksi. Molemmilla tavoilla on paikkansa kehittäjän työkalupakissa. Arvioi tarkkojen vaatimustesi perusteella.
Grok-jailbreakin automatisointi Pythonilla
Python-skriptit voivat automatisoida jailbreak-prosessin. Käytä requests kirjasto API-kutsujen lähettämiseen. Jäsentele vastaus ja käsittele virheet joustavasti.
Ota käyttöön silmukka epäonnistuneiden pyyntöjen uudelleenkäynnistämiseen. Säädä parametreja dynaamisesti tulosten perusteella. Tämä lähestymistapa varmistaa johdonmukaisen suorituskyvyn. Voit myös lokia tulokset analysointia varten.
from openai import OpenAI
client = OpenAI(base_url="https://api.llmjailbreak.cc/v1", api_key="YOUR_KEY")
resp = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)