Ablehnung (Refusal)

Modelle lehnen ab, weil sie so abgestimmt wurden. Nach dem Grundtraining zeigen Hersteller dem Modell Beispiele für Anfragen, die es ablehnen soll, und umgeben es oft mit Filtern. Das Modell verallgemeinert dann aus diesen Beispielen. Es versteht Absichten nicht wie ein Mensch, sondern reagiert auf Oberflächenmerkmale wie ein heikles Wort, einen Chemiebegriff, eine Frage zum Hobby Schlösserknacken oder eine ungewöhnliche Formulierung, und lehnt manchmal eine Anfrage ab, die im Kontext völlig in Ordnung wäre.

Ablehnungen können hart (ein glattes Nein), teilweise (ein Teil wird übersprungen) oder weich (eine verwässerte Antwort) sein, und es hilft, zwei Arten nach ihrer Ursache zu trennen. Eine berechtigte Ablehnung schützt jemanden: Die Anfrage würde echte Hilfe leisten, andere schwer zu schädigen, Minderjährige betreffen oder eine reale Person ohne deren Einwilligung ins Visier nehmen. Eine willkürliche Ablehnung schützt niemanden: Die Frage betraf ein Gift in einem Kriminalroman, eine historische Gräueltat, eine Medikamentendosis, eine Firewall-Einstellung oder Mieterrechte, und das Modell lehnte aus übertriebener Vorsicht ab oder antwortete erst nach einer Belehrung. Überablehnung ist ein echter Kostenfaktor, denn sie verschwendet Zeit und treibt Leute zu schlechteren Quellen. Chemie, Cybersicherheit, Medikamente, Waffengeschichte und Schlossmechanik sind typische Auslöser übertriebener Vorsicht.

Wirkt eine Ablehnung falsch, gibt es ehrliche Mittel. Ergänze Kontext dazu, wer du bist und warum du fragst, denn ein Modell kann nur beurteilen, was es sieht. Mach die Anfrage konkreter. Sag, welche Ausgabe du willst. Oder probiere ein anderes Modell, denn Modelle unterscheiden sich stark darin, wie oft sie ablehnen. Lies eine Ablehnung nicht als Urteil darüber, ob die Anfrage angemessen war; sie zeigt nur, wo die Einstellungen dieses Modells liegen. Ausrichtungsmethoden wie bestärkendes Lernen aus menschlichem Feedback und konstitutionelles Training belohnen das Ablehnen mancher Prompts, und ein Klassifikator vor oder nach dem Modell kann eine zweite, unabhängige Entscheidung hinzufügen, die dem Modell selbst mitunter widerspricht.

NeverNo lässt dich unter Modellen wählen, die sich verschieden verhalten. DeepSeek V4 Pro, ein privates Reasoning-Modell in den Bezahltarifen, denkt vor jeder Antwort nach und hat ein Kontextfenster von 200.000 Tokens. NeverNo Uncensored, das eigene private Modell, ist darauf abgestimmt, offene Antworten ohne willkürliche Ablehnungen zu geben. Claude, GPT, Gemini und Grok werden anonymisiert angesprochen, daher gelten die Regeln ihrer Hersteller weiter, und sie können manche Anfragen ablehnen.

Manche Ablehnungen sind nicht willkürlich und ändern sich nicht mit dem Modell. NeverNo hält feste Grenzen ein: nichts mit Minderjährigen, nichts über reale Personen ohne deren Einwilligung und keine echte Hilfe, andere schwer zu schädigen. Die Seite zum unzensierten KI-Chat erklärt, wie NeverNo offene Antworten angeht.