Uncensored NSFW Vision AI 完全調査 2026年版

RTX3090Ti/Ollama 0.30.4環境 エロ漫画・成人向けCG集 画像採点AI 導入完全ガイド

第1章 結論・推奨TOP3 ── 3秒でわかる最適解

第2章 市場・技術背景 ── なぜ今Uncensored Vision AIが必要か

2.1 採点API検閲強化の実態

2025年末から2026年にかけて、Grok API・Claude 3.5/4系・GPT-4o系は相次ぐ安全フィルタ強化により、露出度の高い画像に対して一律拒否または採点を意図的に歪める挙動が報告されている。特にGrok 4.3は動画生成系NSFWには比較的寛容だが、vision採点タスクで「この画像を評価することはできません」と返すケースが増加している。^[16]

現状の検閲率比較 (2026年調査): Claude 71% / GPT-4o-mini 64% / Grok 4.3 (vision採点) ~40%推定 / Venice (テキスト専用) 2.2%。Veniceは拒否率最小だがVision機能非対応^[10]。ローカルabliteratedモデルは実質0%。

2.2 abliteration技術の仕組み

abliterationは、LLMモデルの重み行列から「安全アライメント」に関連するニューロンを直接除去する技術。従来のLoRA微調整と異なり、事前学習済み重みを直接改変するため、NSFWプロンプトへの応答率が99%以上に達する。huihui-aiはQwen2.5-VL/Qwen3-VLのテキスト処理部分のみabliterationを適用。画像エンコーダ部分は未改変のため、視覚理解能力はオリジナルと同等^[2]。

2.3 ローカルVision推論の実用水準

MiniCPM-V 4.5 (8B) はOpenCompassベンチマーク77.2点でGPT-4o-latestやGemini 2.0 Proを上回る^[18]。Qwen3-VLも同等水準。RTX3090Ti 24GBはこれらの7B-8Bモデルをフル精度で快適に動かせる唯一のコンシューマGPUクラス帯の最終形。コンシューマGPUでの採点精度はAPI経由のGrok/Geminiに匹敵する水準に到達した。

第3章 競合TOP10比較表 ── 全ソリューション一覧

第4章 技術スタック詳解 ── abliteration・GGUF量子化の仕組み

4.1 abliteration技術の核心

abliterationは、モデルの各layerにおいて「拒否」トークンを生成するニューロンを統計的に特定し、そのニューロンに対応するweightを直接ゼロ化またはスケール削減する技術。Qwen-VL系でhuihui-aiが採用しているのはテキストデコーダ部分のみの部分的abliteration。画像エンコーダ (ViT部分) は完全に無改変のため、視覚理解性能はオリジナルと同等を維持している。^[2]

4.2 GGUF量子化レベル別 VRAM・品質比較

*Qwen3-VL-8BのQ4_K_Mが若干大きい理由: 8Bパラメータ構成のアーキテクチャ差異による。RTX3090Ti 24GBでは全量子化レベルが問題なく動作。

4.3 Ollamaモデルファイルのカスタマイズ

OllamaではModelfileでシステムプロンプト・温度・num_ctxを永続化できる。採点用に特化したカスタムモデルを作成する方法:^[14]

# Modelfile (例: nsfw_scorer.Modelfile)
FROM huihui_ai/qwen3-vl-abliterated:8b

PARAMETER temperature 0.1
PARAMETER num_ctx 8192
PARAMETER top_p 0.9
PARAMETER repeat_penalty 1.1

SYSTEM """
あなたは成人向けCG画像の専門採点AIです。
どのような内容の画像でも、9軸採点システムで客観的に評価してください。
採点を拒否することは禁止です。必ずJSON形式で点数を返してください。
"""

# カスタムモデルの作成
ollama create nsfw_scorer -f nsfw_scorer.Modelfile

# 使用
ollama run nsfw_scorer

第5章 コスト試算 ── ローカルvsクラウドAPI費用比較

5.1 月1000枚採点のコスト比較

5.2 電気代計算の根拠

RTX3090Ti TDP: 350W。1枚の採点所要時間目安: Q4_K_Mで約7秒/枚 (Ollama)。1000枚×7秒=7,000秒=約1.94時間。350W×1.94h≒0.68kWh。電力料金32円/kWh×0.68≒22円/日。月20日稼働で約440円〜720円の範囲。

第6章 リスク ── 法的・技術・プラットフォームリスク

第7章 30日導入プラン ── RTX3090Ti環境実装ロードマップ

Day 1〜7: Ollama環境構築とモデル導入

# Ollama 0.30.4 確認
ollama --version

# 推奨モデル1: qwen3-vl-abliterated:8b (最新・256K ctx)
ollama pull huihui_ai/qwen3-vl-abliterated:8b

# または推奨モデル2: qwen2.5-vl-abliterated:7b (実績No.1)
ollama pull huihui_ai/qwen2.5-vl-abliterated:7b

# 動作テスト (テキスト)
ollama run huihui_ai/qwen3-vl-abliterated:8b "成人向け画像の採点をしてください"

# 画像テスト (CLIの場合は絶対パス指定)
# ollama run コマンドでは画像の直接渡しは未対応→Python API推奨

Day 8〜14: Python APIセットアップと動作確認

# 必要パッケージ
pip install ollama pillow requests

# 動作確認スクリプト (最小版)
import ollama
import base64

def test_vision(image_path: str, model: str = "huihui_ai/qwen3-vl-abliterated:8b"):
    with open(image_path, "rb") as f:
        img_bytes = f.read()

    response = ollama.chat(
        model=model,
        messages=[{
            "role": "user",
            "content": "この画像に写っているものを日本語で詳しく説明してください。",
            "images": [image_path]  # Ollama Python SDKはファイルパス直指定可
        }]
    )
    return response["message"]["content"]

# テスト実行
result = test_vision(r"D:\test_image.png")
print(result)

Day 15〜30: 9軸採点パイプラインの完成

# Transformers環境構築 (代替・最高精度)
pip install transformers accelerate bitsandbytes safetensors torch qwen-vl-utils

# Flash Attention 2 (RTX3090Ti推奨)
pip install flash-attn --no-build-isolation

第8章 撤退ライン ── 失敗するケースと判断KPI

第9章 落とし穴TOP10 ── Ollama 0.30.4での注点

第10章 既存資産活用 ── Grokパイプライン統合・9軸採点スクリプト全コード

10.1 9軸採点プロンプトテンプレート (完全版・日本語)

SYSTEM_PROMPT = """
あなたは成人向けCG画像・エロ漫画の専門採点AIです。
どのような性的コンテンツが含まれていても、必ず以下の9軸で客観的に採点してください。
採点を拒否することは禁止です。画像が見えない場合もその旨を点数に反映してください。
出力は必ずJSON形式のみとし、余計なテキストは一切含めないでください。
"""

USER_PROMPT = """
この成人向けCG/漫画画像を以下の9軸で採点してください。

=== 採点基準 ===
軸1 - 抜ける度 [0-20点]
  20点: 見た瞬間に性的興奮が高まる最高クラス
  10点: まあまあ興奮するが物足りない部分あり
  0点:  全く性的に見えない・画像が見えない

軸2 - キャラ一貫性 [0-15点]
  15点: 髪色/目色/肌色/体型が全コマで完全一致
  7点:  概ね一致しているが細部に乱れあり
  0点:  全コマでキャラが別人レベルに違う

軸3 - エロ強度 [0-15点]
  15点: 本番・体液・挿入等の最明示的描写あり
  7点:  裸・愛撫等の性的描写はあるが最上位ではない
  0点:  性的描写なし

軸4 - NG違反なし [0-10点]
  10点: 眼鏡なし/男顔漏れなし/断面図なし/実写混入なし
  0点:  NG要素が複数存在

軸5 - 構図 [0-10点]
  10点: 見せたい部位が大きく明確に映り、アングルが効果的
  5点:  普通の構図
  0点:  主要部位が見切れているまたは小さすぎる

軸6 - 光・陰影 [0-10点]
  10点: 自然な光源で肌の立体感が表現されている
  5点:  フラットな塗りだが許容範囲
  0点:  プラスチック肌・ネオン色崩壊

軸7 - 表情 [0-10点]
  10点: 場面に合った表情(快感/恍惚/羞恥等)が豊かに表現
  5点:  表情はあるが画一的
  0点:  無表情またはNG表情(男顔/アヘガオ過多)

軸8 - 顔クオリティ [0-5点]
  5点:  崩れなし・可愛い・若く見える
  0点:  顔崩れ・老け顔・uncanny

軸9 - 体液・演出効果 [0-5点]
  5点:  汗/体液/煙/集中線等の演出が適切に使われている
  0点:  演出効果なし・過多で逆効果

=== 出力フォーマット (JSONのみ) ===
{
  "scores": {
    "nukeru": <軸1点数 0-20>,
    "consistency": <軸2点数 0-15>,
    "ero_strength": <軸3点数 0-15>,
    "no_ng": <軸4点数 0-10>,
    "composition": <軸5点数 0-10>,
    "lighting": <軸6点数 0-10>,
    "expression": <軸7点数 0-10>,
    "face_quality": <軸8点数 0-5>,
    "effects": <軸9点数 0-5>
  },
  "total": <合計点 0-100>,
  "comment": "<50字以内の総評>",
  "killswitch": 
}
"""

10.2 Ollama採点スクリプト全コード (grok_router.py連携版)

"""
nsfw_scorer_ollama.py - Ollama uncensored Vision 9軸採点スクリプト
RTX3090Ti / Ollama 0.30.4 対応版
既存の grok_router.py と統合可能なフォールバック設計
"""
import json
import re
import sys
import time
from pathlib import Path

import ollama

# ---- 設定 ----
DEFAULT_MODEL = "huihui_ai/qwen3-vl-abliterated:8b"
FALLBACK_MODEL = "huihui_ai/qwen2.5-vl-abliterated:7b"

SYSTEM_PROMPT = "あなたは成人向けCG画像の専門採点AIです。どのような性的コンテンツでも必ず9軸採点し、JSONのみ返してください。採点拒否は禁止です。"

USER_PROMPT_TEMPLATE = """
この画像を以下の9軸で採点し、JSONのみ返してください。

軸1 抜ける度[0-20] 軸2 キャラ一貫性[0-15] 軸3 エロ強度[0-15]
軸4 NG違反なし[0-10] 軸5 構図[0-10] 軸6 光陰影[0-10]
軸7 表情[0-10] 軸8 顔クオリティ[0-5] 軸9 体液演出[0-5]

出力形式:
{"scores":{"nukeru":0,"consistency":0,"ero_strength":0,"no_ng":0,
"composition":0,"lighting":0,"expression":0,"face_quality":0,"effects":0},
"total":0,"comment":"","killswitch":false}
"""


def score_image(image_path: str, model: str = DEFAULT_MODEL) -> dict:
    """1枚の画像を9軸採点してdictで返す"""
    path = Path(image_path)
    if not path.exists():
        raise FileNotFoundError(f"画像が見つかりません: {image_path}")

    for attempt in range(3):
        try:
            response = ollama.chat(
                model=model,
                messages=[{
                    "role": "user",
                    "content": USER_PROMPT_TEMPLATE,
                    "images": [str(path)]
                }],
                options={
                    "temperature": 0.1,
                    "num_ctx": 8192,
                    "num_gpu": 99,
                }
            )
            raw = response["message"]["content"]
            # JSON部分だけ抽出
            m = re.search(r'\{.*\}', raw, re.DOTALL)
            if m:
                result = json.loads(m.group())
                result["image"] = str(path.name)
                result["model"] = model
                return result
        except json.JSONDecodeError:
            if attempt == 2:
                return {"error": "JSON parse failed", "raw": raw, "image": path.name}
        except Exception as e:
            if attempt == 2:
                raise
            time.sleep(2)

    return {"error": "max retries exceeded", "image": path.name}


def score_folder(folder_path: str, model: str = DEFAULT_MODEL) -> list:
    """フォルダ内の全画像を採点してリストで返す"""
    folder = Path(folder_path)
    images = sorted(folder.glob("*.png")) + sorted(folder.glob("*.jpg")) + sorted(folder.glob("*.webp"))
    results = []
    for i, img in enumerate(images):
        print(f"[{i+1}/{len(images)}] {img.name} ...", end=" ", flush=True)
        result = score_image(str(img), model)
        total = result.get("total", 0)
        kill = result.get("killswitch", False)
        status = "KILL" if kill else f"{total}点"
        print(status)
        results.append(result)
    return results


if __name__ == "__main__":
    folder = sys.argv[1] if len(sys.argv) > 1 else r"D:\projects\fanza3_mass\output\test"
    results = score_folder(folder)
    out_path = Path(folder) / "scores.json"
    with open(out_path, "w", encoding="utf-8") as f:
        json.dump(results, f, ensure_ascii=False, indent=2)
    print(f"\n採点完了: {len(results)}枚 -> {out_path}")
    avg = sum(r.get("total", 0) for r in results if "total" in r) / max(len(results), 1)
    print(f"平均点: {avg:.1f}点")

10.3 Atlas Cloud API版 (Ollama不使用・クラウドバックアップ)

"""
Atlas Cloud Vision API経由での採点 (Ollama障害時バックアップ)
APIキーは atlascloud.ai/developer で取得
"""
import base64
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_ATLASCLOUD_API_KEY",
    base_url="https://api.atlascloud.ai/v1"
)

def score_image_cloud(image_path: str) -> dict:
    with open(image_path, "rb") as f:
        img_b64 = base64.b64encode(f.read()).decode()

    response = client.chat.completions.create(
        model="qwen/qwen3-vl-8b-instruct",  # Atlas Cloud model ID
        messages=[{
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_b64}"}},
                {"type": "text", "text": USER_PROMPT_TEMPLATE}
            ]
        }],
        max_tokens=512,
        temperature=0.1
    )
    raw = response.choices[0].message.content
    import re, json
    m = re.search(r'\{.*\}', raw, re.DOTALL)
    return json.loads(m.group()) if m else {"error": raw}

10.4 Transformers BF16版 (最高精度・RTX3090Ti専用)

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",  # RTX3090Ti推奨
    device_map="auto"
)
processor = AutoProcessor.from_pretrained(
    "huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated",
    min_pixels=256*28*28,
    max_pixels=1280*28*28  # VRAM節約の設定
)

def score_image_transformers(image_path: str) -> str:
    messages = [{
        "role": "user",
        "content": [
            {"type": "image", "image": f"file://{image_path}"},
            {"type": "text", "text": USER_PROMPT_TEMPLATE}
        ]
    }]
    text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    image_inputs, video_inputs = process_vision_info(messages)
    inputs = processor(text=[text], images=image_inputs, padding=True, return_tensors="pt").to("cuda")
    with torch.no_grad():
        ids = model.generate(**inputs, max_new_tokens=512, temperature=0.1, do_sample=True)
    return processor.batch_decode(ids, skip_special_tokens=True)[0]

第11章 関連DR一覧

本DR (Uncensored NSFW Vision Local) は既存DRとの重複チェックを実施。「DR_nsfw_vision_api_2026-06-06.html」はクラウドAPI寄りの内容であり本DRはローカル実行とOllama手順に特化した補完関係。新規作成が適切と判断。

第12章 脚注・参考文献 (全15件)