Pengenalan: API model tanpa sensor

Prasyarat dan URL Asas

API kami berfungsi dengan mana-mana klien serasi OpenAI standard dengan mengemas kini base URL dan kunci API. Arahkan SDK anda ke https://api.modeluncensored.com/v1 dan hantar permintaan ke standard /v1/chat/completions endpoint. Anda tidak perlu memasang pustaka milik; alat sedia ada seperti SDK Python atau Node.js OpenAI rasmi berfungsi serta-merta. Cukup konfigurasikan URL asas untuk mengarahkan trafik melalui pelayan kami bukannya infrastruktur OpenAI lalai.

Pengesahihan bergantung pada satu kunci API yang dijana semasa pendaftaran. Hantar kunci ini dalam Authorization pencap sebagai token Bearer. Pengenal model adalah tetap pada uncensored untuk memastikan tingkah laku yang konsisten merentas semua permintaan. Setiap akaun menyediakan satu kunci aktif yang menggantikan sebarang kunci sebelumnya selepas penjanaan semula.

Pengesahan Dengan Kunci API Anda

Termasuk kunci API anda dalam Authorization header setiap permintaan untuk mengesahkan identiti anda. Gunakan format Authorization: Bearer YOUR_API_KEY untuk mengesahkan permintaan serta-merta. Jika kunci tidak ada atau tidak sah, API mengembalikan ralat 401 Tidak Dibenarkan serta-merta. Ini memastikan hanya akaun yang sah boleh menggunakan token daripada kredit pra-dibayar anda.

Anda boleh menjana atau menjana semula kunci anda melalui papan pemuka selepas log masuk dengan Google atau e-mel. Kunci dipaparkan serta-merta selepas penciptaan. Simpan dengan selamat, kerana ia memberikan akses terus kepada baki akaun anda. Tiada pengesahan nombor telefon diperlukan untuk pendaftaran, menjadikan prosesnya pantas dan mudah.

Menghantar Pelengkapan Chat Pertama Anda

Buat permintaan POST ke /v1/chat/completions dengan mesej anda dan pengenal pasti model untuk menerima respons. Model menerima input teks dan mengembalikan output teks tanpa penolakan lembut untuk kandungan dewasa yang sah. Anda boleh menentukan ID model sebagai uncensored untuk memastikan anda menggunakan LLM tanpa sensor khusus kami. Titik akhir ini menyokong respons serentak dan penstriman untuk fleksibiliti.

Permintaan ditadbir berdasarkan penggunaan token sebenar. Ralat dan penolakan tidak menggunakan kredit, jadi anda boleh menguji dengan bebas. Output maksimum setiap permintaan ialah 16,000 token, atau 2,048 token jika anda tidak menetapkan max_tokens parameter. Tetingkap konteks menyokong sehingga 100,000 token untuk prompt dan penyelesaian digabungkan.

Mengendalikan Respons Aliran (SSE)

Aktifkan aliran dengan menetapkan stream: true dalam permintaan anda untuk menerima token apabila ia dijana. Ini mengurangkan latensi yang dirasakan untuk respons panjang dan membolehkan paparan masa nyata dalam aplikasi anda. Blok akhir aliran mengandungi statistik penggunaan token keseluruhan untuk pengebilan dan pemantauan. Ini sangat penting untuk membina antara muka perbualan yang terasa responsif dan interaktif.

Respon aliran mengendalikan kandungan separa dengan baik, membolehkan anda memaparkan teks semasa ia tiba. Ini sangat berguna untuk penulisan kreatif atau tugas pengekodan di mana model menjana output panjang. Anda boleh menghuraikan acara yang dihantar pelayan untuk mengemas kini UI anda secara berperingkat. Pastikan klien anda mengendalikan peristiwa akhir aliran dengan betul untuk mengakhiri respons.

Mengkonfigurasi Parameter: Suhu, Top-p, dan Benih

Laraskan temperature untuk mengawal rawakan, dengan nilai yang lebih tinggi menghasilkan output yang lebih kreatif dan pelbagai. Gunakan top_p untuk membatasi pensampelan kepada token yang paling berkemungkinan, memberikan kawalan lebih tepat terhadap taburan output. Tetapkan seed memastikan keputusan deterministik, yang penting untuk nyahpepijat atau eksperimen boleh ulang. Parameter ini membolehkan anda menala tingkah laku model untuk kesgunaan khusus seperti penceritaan atau penulisan teknikal.

Model ini menyokong parameter piawai seperti stop jujukan dan presence_penalty untuk kawalan lanjutan. Anda boleh menggabungkan tetapan ini untuk mencapai nada dan struktur yang diingini. Eksperimen dengan nilai yang berbeza untuk mencari keseimbangan optimum antara kreativiti dan koherensi untuk aplikasi anda.

Menggunakan Alat dan Mod JSON

Aktifkan panggilan fungsi dengan menyediakan tools array in your request to let the model output structured data. The model can invoke functions based on the context of the conversation, enabling complex workflows. Use response_format: {"type": "json_object"} untuk memaksa output ke dalam format JSON yang sah. Ini sesuai untuk berintegrasi dengan sistem backend atau mengekstrak maklumat terstruktur daripada teks.

Mod JSON memastikan respons boleh diuraikan, mengurangkan keperluan untuk logik penguraian tambahan di klien anda. Anda boleh menentukan beberapa alat dan menentukan alat mana yang harus dipanggil oleh model. Ciri ini meningkatkan utiliti model untuk tugas automatik dan pengekstrakan data. API mengendalikan pengalihan panggilan alat dengan lancar.

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);

Aliran

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)