Inicio rápido: API de modelo sin censura

Prerrequisitos y URL base

Nuestra API funciona con cualquier cliente estándar compatible con OpenAI actualizando la URL base y la clave API. Apunta tu SDK a https://api.modeluncensored.com/v1 y enviar solicitudes al estándar /v1/chat/completions endpoint. No necesitas instalar bibliotecas propietarias; las herramientas existentes como los SDK oficiales de OpenAI para Python o Node.js funcionan de inmediato. Simplemente configura la URL base para enrutar el tráfico a través de nuestros servidores en lugar de la infraestructura predeterminada de OpenAI.

La autenticación se basa en una única clave API generada durante el registro. Pasa esta clave en el Authorization cabecera como un token Bearer. El identificador del modelo está fijo en uncensored para asegurar un comportamiento consistente en todas las solicitudes. Cada cuenta proporciona una clave activa que reemplaza a cualquier clave anterior al regenerarla.

Autenticación con tu clave API

Incluye tu clave API en la Authorization header de cada solicitud para verificar tu identidad. Usa el formato Authorization: Bearer YOUR_API_KEY para autenticar las solicitudes al instante. Si la clave falta o es inválida, la API devuelve un error 401 Unauthorized inmediatamente. Esto asegura que solo las cuentas válidas puedan consumir tokens de tu crédito prepagado.

Puedes generar o regenerar tu clave a través del panel de control después de iniciar sesión con Google o correo electrónico. La clave se muestra inmediatamente al crearla. Guárdala de forma segura, ya que proporciona acceso directo al saldo de tu cuenta. No se requiere verificación de número de teléfono para el registro, manteniendo el proceso rápido y simple.

Enviar tu primera finalización de chat

Hacer una solicitud POST a /v1/chat/completions con tus mensajes y el identificador del modelo para recibir una respuesta. El modelo acepta entrada de texto y devuelve salida de texto sin denegaciones suaves para contenido adulto lícito. Puedes especificar el ID del modelo como uncensored para garantizar que estés usando nuestro LLM uncensored específico. Este punto de conexión admite respuestas tanto sincrónicas como en streaming para mayor flexibilidad.

Las solicitudes se facturan según el uso real de tokens. Los errores y rechazos no consumen crédito, por lo que puedes probar libremente. La salida máxima por solicitud es de 16,000 tokens, o 2,048 tokens si no estableces el max_tokens parámetro. La ventana de contexto admite hasta 100,000 tokens para prompt y finalización combinados.

Gestión de respuestas en streaming (SSE)

Habilita la transmisión estableciendo stream: true en tu solicitud para recibir tokens a medida que se generan. Esto reduce la latencia percibida para respuestas largas y permite la visualización en tiempo real en tu aplicación. El último fragmento del flujo contiene las estadísticas de uso de tokens totales para facturación y monitoreo. Esto es esencial para construir interfaces de chat que se sientan receptivas e interactivas.

Las respuestas en flujo manejan el contenido parcial de forma elegante, permitiéndote mostrar el texto a medida que llega. Esto es particularmente útil para escritura creativa o tareas de codificación donde el modelo genera salidas largas. Puedes analizar los eventos enviados por el servidor para actualizar tu interfaz de usuario de forma incremental. Asegúrate de que tu cliente maneje correctamente el evento de fin de flujo para finalizar la respuesta.

Configurando parámetros: Temperature, Top-p y Seed

Ajustar temperature para controlar la aleatoriedad, con valores más altos que producen salidas más creativas y variadas. Utiliza top_p para limitar el muestreo a los tokens más probables, proporcionando un control más fino sobre la distribución de salida. Establecer un seed asegura resultados deterministas, lo cual es crucial para depurar o realizar experimentos reproducibles. Estos parámetros te permiten ajustar el comportamiento del modelo para casos de uso específicos como narrativa o escritura técnica.

El modelo admite parámetros estándar como stop secuencias y presence_penalty para control avanzado. Puede combinar estas configuraciones para lograr el tono y la estructura deseados. Experimente con diferentes valores para encontrar el equilibrio óptimo entre creatividad y coherencia para su aplicación.

Usando Herramientas y Modo JSON

Habilitar llamada de funciones proporcionando un tools array en tu solicitud para permitir que el modelo emita datos estructurados. El modelo puede invocar funciones basándose en el contexto de la conversación, habilitando flujos de trabajo complejos. Usa response_format: {"type": "json_object"} forzar la salida a un formato JSON válido. Esto es ideal para integrarse con sistemas backend o extraer información estructurada del texto.

El modo JSON garantiza que la respuesta sea analizable, reduciendo la necesidad de lógica de análisis adicional en tu cliente. Puedes definir múltiples herramientas y especificar a qué herramienta debe llamar el modelo. Esta característica mejora la utilidad del modelo para tareas automatizadas y extracción de datos. La API maneja el enrutamiento de las llamadas a herramientas sin problemas.

cURL

Copycurl https://api.modeluncensored.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Return the current system time in ISO format"}]
  }'

Python

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.modeluncensored.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

Node.js

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.modeluncensored.com/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

Transmisión

Copystream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Tell the story in second person."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)