Panduan Cepat: API Model Tanpa Sensor

Prasyarat dan URL Dasar

API kami berfungsi dengan klien kompatibel OpenAI standar dengan memperbarui base URL dan kunci API. Arahkan SDK Anda ke https://api.modeluncensored.com/v1 dan kirim permintaan ke standar /v1/chat/completions endpoint. Anda tidak perlu menginstal pustaka milik sendiri; alat yang ada seperti SDK Python atau Node.js OpenAI resmi berfungsi segera. Cukup konfigurasikan URL dasar untuk mengarahkan lalu lintas melalui server kami alih-alih infrastruktur OpenAI default.

Autentikasi mengandalkan satu kunci API yang dibuat saat pendaftaran. Kirimkan kunci ini di Authorization header sebagai token Bearer. Pengidentifikasi model tetap pada uncensored untuk memastikan perilaku yang konsisten di semua permintaan. Setiap akun menyediakan satu kunci aktif yang menggantikan kunci sebelumnya setelah regenerasi.

Autentikasi dengan Kunci API Anda

Termukkan kunci API Anda di Authorization header setiap permintaan untuk memverifikasi identitas Anda. Gunakan format Authorization: Bearer YOUR_API_KEY untuk mengautentikasi permintaan secara instan. Jika kunci tidak ada atau tidak valid, API mengembalikan kesalahan 401 Unauthorized segera. Ini memastikan bahwa hanya akun yang valid yang dapat mengonsumsi token dari kredit prabayar Anda.

Anda dapat membuat atau membuat ulang kunci Anda melalui dasbor setelah masuk dengan Google atau email. Kunci ditampilkan segera setelah pembuatan. Simpan dengan aman, karena memberikan akses langsung ke saldo akun Anda. Tidak diperlukan verifikasi nomor telepon untuk pendaftaran, menjaga proses tetap cepat dan sederhana.

Mengirim Chat Completion Pertama Anda

Buat permintaan POST ke /v1/chat/completions dengan pesan Anda dan pengidentifikasi model untuk menerima respons. Model menerima input teks dan mengembalikan output teks tanpa penolakan lunak untuk konten dewasa yang sah. Anda dapat menentukan ID model sebagai uncensored agar Anda menggunakan LLM uncensored khusus kami. Endpoint ini mendukung respons sinkron dan streaming untuk fleksibilitas.

Permintaan dibebankan berdasarkan penggunaan token aktual. Kesalahan dan penolakan tidak menggunakan kredit, sehingga Anda dapat menguji secara bebas. Output maksimum per permintaan adalah 16.000 token, atau 2.048 token jika Anda tidak mengatur max_tokens parameter. Jendela konteks mendukung hingga 100.000 token untuk prompt dan penyelesaian gabungan.

Menangani Respons Streaming (SSE)

Aktifkan streaming dengan mengatur stream: true dalam permintaan Anda untuk menerima token saat token tersebut dihasilkan. Ini mengurangi latensi yang dirasakan untuk respons panjang dan memungkinkan tampilan real-time di aplikasi Anda. Chunk terakhir dari aliran berisi statistik penggunaan token total untuk penagihan dan pemantauan. Ini sangat penting untuk membangun antarmuka obrolan yang terasa responsif dan interaktif.

Respons stream menangani konten parsial dengan baik, memungkinkan Anda menampilkan teks saat tiba. Ini sangat berguna untuk penulisan kreatif atau tugas coding di mana model menghasilkan output panjang. Anda dapat mengurai server-sent events untuk memperbarui UI Anda secara inkremental. Pastikan klien Anda menangani event akhir-stream dengan benar untuk menyelesaikan respons.

Mengkonfigurasi Parameter: Suhu, Top-p, dan Seed

Sesuaikan temperature untuk mengontrol acak, dengan nilai lebih tinggi menghasilkan output yang lebih kreatif dan bervariasi. Gunakan top_p untuk membatasi sampling hanya pada token yang paling mungkin, memberikan kontrol yang lebih halus atas distribusi output. Mengatur seed memastikan hasil deterministik, yang sangat penting untuk debugging atau eksperimen yang dapat direproduksi. Parameter ini memungkinkan Anda menyetel perilaku model untuk kasus penggunaan tertentu seperti cerita atau penulisan teknis.

Model mendukung parameter standar seperti stop urutan dan presence_penalty untuk kontrol lanjutan. Anda dapat menggabungkan pengaturan ini untuk mencapai nada dan struktur yang diinginkan. Bereksperimen dengan nilai yang berbeda untuk menemukan keseimbangan optimal antara kreativitas dan koherensi untuk aplikasi Anda.

Menggunakan Alat dan Mode JSON

Aktifkan pemanggilan fungsi dengan menyediakan sebuah tools array dalam permintaan Anda agar model mengeluarkan data terstruktur. Model dapat memanggil fungsi berdasarkan konteks percakapan, memungkinkan alur kerja kompleks. Gunakan response_format: {"type": "json_object"} untuk memaksa output menjadi format JSON yang valid. Ini ideal untuk mengintegrasikan dengan sistem backend atau mengekstrak informasi terstruktur dari teks.

Mode JSON memastikan respons dapat diuraikan, mengurangi kebutuhan logika parsing tambahan di klien Anda. Anda dapat menentukan beberapa alat dan menentukan alat mana yang harus dipanggil oleh model. Fitur ini meningkatkan utilitas model untuk tugas otomatis dan ekstraksi data. API menangani pengalihan panggilan alat secara mulus.

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);

Streaming

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)