为什么您的 NSFW 提示仍会被过滤
大多数 NSFW 过滤是因为模型检测到了微妙的上下文线索，而非显式关键词。即使你使用的是完全合规的无审查 LLM，如果周围叙事暗示了禁止的场景，仍可能遭到拒绝。模型会分析整个提示历史，而不仅仅是最后一句话。
例如，描述户外穿着丁字裤的年轻女性的提示词可能很容易通过。但是，如果您添加关于她感到热或不舒服的上下文，模型可能会将其解释为性暗示并触发过滤器。为了避免这种情况，请保持您的物理描述直接。避免暗示性意图的情感或情境上下文。使用中性语言描述场景，让视觉描述独立存在。
“发痒”问题：模糊的 NSFW 触发器
“瘙痒”问题是指简单的物理动作触发了不成比例的 NSFW 响应。你要求角色抓痒，但模型将该手势解释为性暗示。这是因为模型在包含此类动作常出现在成人内容中的海量数据集上进行了训练。
- 开始一个中性动作：“她挠了挠手臂。”
- 逐渐增加模糊性：“她挠了挠后背。”
- 观察输出：如果输出仍然干净，请增加上下文。
这种循序渐进的方法有助于您映射模型的敏感度。然后您可以调整提示以保持在阈值之下。它适用于图像和视频生成。当您仔细控制模糊程度时，一致性会提高。
处理视频和图像提示序列
生成连贯的 NSFW 视频需要将提示词分解为逻辑序列。Grok 的视频功能在清晰、分步描述动作时效果最佳。如果一次性倾倒所有细节，模型可能会失去叙事流程的连贯性。
将提示分为三部分：初始状态、动作和结果。例如，描述角色的位置，然后是动作，最后是最终姿势。这种结构有助于模型在帧之间保持一致性。您还可以使用中间提示来引导过渡。如果视频看起来奇怪，请简化动作。变量越少，结果越稳定。
不一致：为什么某些 Prompt 有效而另一些无效
不一致通常由非确定性采样引起。即使使用相同的 prompt，由于 temperature 设置或随机种子差异，模型可能会生成不同的输出。如果您在 60 次请求中获得了 5 张好图片，说明模型正在工作，但您需要更多的控制。
在 API 请求中设置固定的种子值。这确保了可重现性。如果种子不能解决问题，请调整温度。较低的温度使输出更具确定性。较高的温度增加创意但降低一致性。找到适合您用例的平衡点。对于 NSFW 内容，较低的温度通常能产生更可预测的结果。
优化 Grok' 的奔放模式行为
Grok unhinged 模式旨在限制较少，但它仍有界限。它对直接、明确的描述反应最佳，无需多余的修饰。该模型在清晰、无歧义的指令下表现最佳。它不需要诗意语言或复杂的隐喻。
使用简单、直接的句子。清晰地描述视觉元素。避免抽象概念。如果您想要特定的姿势，请精确描述。例如，与其说“她看起来很性感”，不如说“她侧躺着，头枕在手上”。这种清晰度有助于模型准确理解您的需求。它减少了意外拒绝的可能性。
常见错误：上下文窗口过载
上下文窗口过载会导致性能下降。如果发送包含过多历史记录的庞大提示，模型可能会失去焦点。它可能会忘记初始指令或生成重复内容。对于长视频序列尤其如此。
保持上下文窗口整洁。仅包含必要的历史记录。如果你正在生成长故事，请总结之前的事件，而不是保留完整文本。这可以节省 token 并提高相关性。我们的 uncensored LLM 支持 100,000 token 的上下文窗口，但你不需要全部使用它。效率对成本和速度都很重要。
API 速率限制与突发处理
API 速率限制旨在防止服务器过载。如果你超出限制，你会收到 429 错误。这在快速生成多个图片或视频时很常见。你需要在代码中优雅地处理这些错误。
在请求逻辑中实现指数退避。如果收到 429，请在重试前等待一小段时间。从一秒延迟开始，每次重试加倍。这可以防止服务器过载。如果 API 支持，您还可以批量发送请求。查看 API 文档以获取具体限制。我们的 API 允许每分钟 300 次请求，这对于大多数用例来说已经足够了。
调试 NSFW 数据中的 JSON 模式故障
当模型生成无效语法时，JSON 模式失败经常发生。如果提示词过于复杂或模型不确定如何格式化输出，就会出现这种情况。您可能会得到截断的 JSON 对象或缺少引号。
要解决此问题，请简化您的提示。确保 JSON 结构清晰。在提示中使用少样本示例以引导模型。如果失败持续存在，请检查 temperature。较低的 temperature 可以帮助模型遵循格式。您还可以添加系统指令以强制执行 JSON 合规性。这对于将 API 与其他工具集成至关重要。
何时切换提供商：成本与质量的权衡
当每个 token 的成本变得过高或质量显著下降时，切换提供商是有意义的。如果你生成大量 NSFW 内容，预付费模式通常更具成本效益。你只为使用的部分付费，没有月费。
我们的 API 提供透明定价：输入令牌每 1M $0.15，输出令牌每 1M $0.50。错误和拒绝免费。这意味着您不为失败的尝试付费。如果您进行大量测试，这可以节省大量资金。与竞争对手按每次请求收费（无论结果如何）相比，对于一致、无审查的结果，预付费模型是一个明智的选择。
