為何您的 NSFW 提示仍會被過濾
大多數 NSFW 過濾是因為模型偵測到了微妙的語境線索，而非僅是關鍵字。你可能使用的是完全合法的無審查 LLM，但如果周圍的敘事暗示了禁止的情境，仍可能會遭到拒絕。模型會分析整個提示歷史，而不僅僅是最後一句話。
例如，描述一名在戶外穿著丁字褲的年輕女性的提示詞可能很容易通過。但如果加入她感到熱或不適的上下文，模型可能會將其解讀為性暗示並觸發過濾器。要避免這一點，請保持您的身體描述直接。避免暗示性意圖的情感或情境上下文。使用中性語言描述場景，讓視覺描述獨立呈現。
「發癢」問題：模糊的 NSFW 觸發條件
「發癢」問題發生在簡單的物理動作觸發不成比例的 NSFW 回應時。您要求角色抓癢，但模型將該手勢解讀為具有性暗示。這是因為模型在龐大的數據集上進行訓練，此類動作經常出現在成人內容中。
- 以中性動作開始：「她抓著手臂。」
- 逐漸增加歧義：「她抓著自己的下背部。」
- 觀察輸出：如果內容保持乾淨，請增加上下文。
此逐步方法有助於您掌握模型的敏感度。然後您可以調整提示以保持在閾值之下。這適用於圖像和影片生成。當您仔細控制模糊程度時，一致性會提高。
處理影片與圖片提示序列
生成連貫的 NSFW 影片需要將提示詞分解為邏輯序列。Grok 的影片功能在清晰、逐步描述動作時效果最佳。如果一次性丟出所有細節，模型可能會失去敘事流。
將您的提示詞分為三部分：初始狀態、動作與結果。例如，描述角色的位置，接著是動作，最後是最終姿勢。這種結構有助於模型在幀之間保持一致性。您也可以使用中間提示詞來引導過渡。如果影片看起來很奇怪，請簡化動作。變數越少，結果越穩定。
不一致：為什麼有些提示詞有效而有些無效
不一致通常是由於非確定性採樣引起的。即使使用相同的提示詞，由於 temperature 設置或隨機種子變異，模型可能會生成不同的輸出。如果您在六十次請求中獲得了五個好結果，說明模型運作正常，但您需要更多的控制權。
在 API 請求中設置固定的種子值。這確保了可重現性。如果種子值無法解決問題，請調整 temperature。較低的 temperature 使輸出更具確定性。較高的 temperature 增加創造力但降低一致性。找到適合您用例的平衡點。對於 NSFW 內容，較低的 temperature 通常能產生更可預測的結果。
最佳化 Grok's Unhinged Mode 的行為表現
Grok unhinged 模式旨在限制較少，但仍有限制。它對直接、明確的描述反應最佳，無需多餘的修飾。該模型在清晰、無歧義的指令下表現最佳。它不需要詩意的語言或複雜的隱喻。
使用簡單、直接的句子。清楚地描述視覺元素。避免抽象概念。如果您想要特定的姿勢，請精確描述。例如，與其說「她看起來很性感」，不如說「她側身躺著，頭枕在手上」。這種清晰度有助於模型準確理解您的需求，並減少意外拒絕的機率。
常見錯誤：上下文視窗過載
超出上下文視窗容量可能會導致效能下降。如果您傳送包含過多歷史記錄的巨大提示詞，模型可能會失去焦點，甚至遺忘初始指令或產生重複內容。在長影片序列的情境下，這種情況尤其明顯。
保持您的上下文視窗乾淨。僅包含必要的歷史記錄。如果您正在生成一篇長故事，請對之前的事件進行摘要，而不是保留完整文本。這可以節省 token 並提高相關性。我們的 uncensored LLM 支援 100,000 token 的上下文視窗，但您不需要全部使用。效率對於成本和速度至關重要。
API 速率限制與突發處理
API 速率限制旨在防止服務器過載。如果你超出限制，會收到 429 錯誤。這在快速生成多個圖像或視頻時很常見。你需要在代碼中優雅地處理這些錯誤。
在您的請求邏輯中實作指數退避。如果收到 429，請等待一小段時間後再重試。從一秒的延遲開始，每次重試時加倍。這可防止伺服器過載。如果 API 支援，您也可以批次處理請求。請查看 API 文件以了解具體限制。我們的 API 允許每分鐘 300 次請求，這足以滿足大多數使用案例。
除錯 NSFW 資料中的 JSON 模式失效
當模型生成無效語法時，JSON 模式失效。若提示過於複雜或模型不確定如何格式化輸出，就會發生這種情況。您可能會得到截斷的 JSON 物件或缺少引號。
要解決此問題，請簡化您的提示。確保 JSON 結構清晰。在提示中使用少樣本範例來引導模型。如果失敗持續存在，請檢查 temperature。較低的 temperature 可以幫助模型遵循格式。您也可以新增系統指令以強制執行 JSON 合規性。這對於將 API 與其他工具整合至關重要。
何時切換供應商：成本與品質的權衡
當每 token 的成本變得難以負擔或品質顯著下降時，切換供應商是合理的。如果您正在生成大量 NSFW 內容，預付模型通常更具成本效益。您只需為使用的內容付費，無需月費。
我們的 API 提供透明定價：每 1M 輸入 token 0.15 美元，每 1M 輸出 token 0.50 美元。錯誤和拒絕回應免費。這意味著您無需為失敗的嘗試付費。如果您進行大量測試，這可以節省大量資金。與無論結果如何都對每次請求收費的競爭對手相比，對於獲得一致且無審查的結果而言，預付模型是一個明智的選擇。
