原贴链接

我只想在前面说明，我的目标是尽可能地令人讨厌，看看是否真的像他所说的那样，他的LLM不会偏离提示或上下文。太多的“未经审查”的模型最终会触发一个转换，将“未经审查”的写作变成某种超级抽象的比喻。我写了大约半个小时，直到我自己都觉得太过分了，我同意TheDrummer到目前为止是无与伦比的。 再次强调，非常令人讨厌的NSFW色情内容。保持提示“合法”，但在通常可接受的关系方面非常不寻常。会做多角恋/滥交/基本上任何你能找到恋物类别的。 TheDrummer的LLM不会偏离。

你已被警告

附：如果你知道任何你认为更好的，请列出来。绝对不感兴趣任何非法的事情，但也绝不是一个一夫一妻制的传教士式的保守者。我认为，成年人之间同意的现实生活永远不应该被审查。

讨论总结

本次讨论主要集中在Reddit用户TheDrummer开发的LLM模型上，特别是这些模型在处理极端和敏感内容时的表现。参与者们通过实际测试，验证了TheDrummer的模型在保持提示和上下文一致性方面的出色表现，尤其是在处理涉及性取向多样性和成人内容的场景中。此外，讨论中还涉及了对无审查模型的需求，以及对现有模型的推荐和评价。总体上，讨论呈现出对技术性能的关注和对内容审查的深入思考。

主要观点

  1. 👍 TheDrummer的LLM模型在处理极端内容时未偏离提示或上下文。
    • 支持理由：多次测试表明，即使在处理非常规和敏感内容时，模型也能保持一致性。
    • 反对声音：无明显反对声音，多数评论者对此表示认可。
  2. 🔥 对无审查模型的需求和推荐。
    • 正方观点：许多用户表达了对真正无审查模型的兴趣，认为成人自愿行为不应被审查。
    • 反方观点：有评论者认为TheDrummer的模型在众多未审查模型中并不突出。
  3. 💡 模型在处理政治敏感问题时的客观回应能力。
    • 解释：有评论提到，即使在处理政治敏感问题时，模型也能尝试给出客观的回应。

金句与有趣评论

  1. “😂 TheDrummer’s LLMs do NOT deviate.”
    • 亮点：强调了TheDrummer模型在处理极端内容时的高度一致性。
  2. “🤔 Would love to see a 70B 3.1 model in the spirit of the Tiger series.”
    • 亮点：表达了对更高级无审查模型的期待。
  3. “👀 Real life of consenting ADULTS individuals I feel should never be censored.”
    • 亮点：强调了对成人自愿行为非审查的立场。

情感分析

讨论的总体情感倾向是积极的，多数评论者对TheDrummer的LLM模型表示赞赏，认为其在处理敏感和极端内容时表现出色。主要分歧点在于对无审查模型的需求和评价，部分评论者认为TheDrummer的模型在众多未审查模型中并不突出。

趋势与预测

  • 新兴话题：对更高级无审查模型的需求可能会引发更多关于模型性能和内容审查的讨论。
  • 潜在影响：随着技术的进步，无审查模型可能会在更多领域得到应用，尤其是在需要高度一致性和客观性的场景中。

详细内容：

标题：关于 Huggingface.co 用户 TheDrummer 及其 LLM 模型的热门讨论

这篇帖子主要是对 Huggingface.co 用户 TheDrummer 的 LLM 模型进行了一番讨论。作者表示自己试图以非常令人讨厌的方式来测试其模型是否会偏离提示或上下文，结果发现 TheDrummer 的模型表现出色，没有偏离。该帖子获得了众多关注和评论。

讨论的焦点主要集中在以下几个方面： 有人提到 FizzarolliAI 和 TheLocalDrummer 之间的简单问候。还有用户认为即便不进行角色扮演（RP），向其询问一些政治敏感问题，也能得到客观的回答。TheLocalDrummer 对某些评论进行了回应。有人分享了一些替代模型的链接，比如 Sicarius_The_First 推荐了自己的多个模型，并附上了相应链接。有用户对模型的名称给予称赞。还有用户探讨了模型的完整性以及是否能应用于更现代的模型。

有人表示像 Magnum-v3-34b 这样的模型表现不错，但需要将温度调高，才能更好地遵循给定的场景。比如有用户分享道：“我的场景涉及有人接受身体手术变得更老更丑，而 LLM 一开始固执地生成关于这个人皮肤变得更光滑和更有光泽的回复。只有在我将温度调高到 5 后，它才开始更好地遵循场景。”

也有人认为 TheDrummer 的模型并没有从众多未审查的模型中脱颖而出，没有什么革命性的特点。还有用户表示询问模型关于可卡因的问题时，被告知这是非法的，因为这些模型是基于合法的合成数据训练的。

此次讨论中，对于不同模型的性能、特点和应用场景，大家各抒己见，既有肯定也有质疑，展现了对 LLM 模型的深入思考和多样看法。