Quickstart: uncensored model-API

Vereisten en basis-URL

Onze API werkt met elke standaard OpenAI-compatibele client door de base URL en API-sleutel bij te werken. Wijs je SDK naar https://api.modeluncensored.com/v1 en stuur verzoeken naar de standaard /v1/chat/completions endpoint. Je hoeft geen propriëtaire bibliotheken te installeren; bestaande tools zoals de officiële OpenAI Python- of Node.js-SDK's werken onmiddellijk. Configureer de basis-URL eenvoudig om het verkeer via onze servers te laten lopen in plaats van de standaard OpenAI-infrastructuur.

Authenticatie is afhankelijk van één API-sleutel die tijdens het aanmaken is gegenereerd. Voer deze sleutel in de Authorization header als een Bearer-token. De modelidentificatie is vast ingesteld op uncensored om consistent gedrag over alle verzoeken heen te garanderen. Elk account biedt één actieve sleutel die elke vorige sleutel vervangt bij regeneratie.

Authenticeren met uw API-sleutel

Voeg je API-sleutel toe aan de Authorization header van elk verzoek om je identiteit te verifiëren. Gebruik de indeling Authorization: Bearer YOUR_API_KEY om verzoeken direct te authenticeren. Als de sleutel ontbreekt of ongeldig is, retourneert de API direct een 401 Unauthorized-fout. Dit zorgt ervoor dat alleen geldige accounts tokens kunnen verbruiken van je vooruitbetaalde tegoed.

U kunt uw sleutel genereren of regenereren via het dashboard na het inloggen met Google of e-mail. De sleutel wordt direct getoond bij aanmaak. Bewaar deze veilig, omdat deze directe toegang geeft tot uw accountsaldo. Er is geen telefoonverificatie vereist voor aanmelding, wat het proces snel en eenvoudig houdt.

Je eerste chat-completie versturen

Een POST-verzoek maken naar /v1/chat/completions met je berichten en de modelidentificatie om een respons te ontvangen. Het model accepteert tekstinput en retourneert tekstoutput zonder zachte weigeringen voor wettelijk volwassen inhoud. Je kunt de model-ID instellen als uncensored om ervoor te zorgen dat u onze specifieke ongecensureerde LLM gebruikt. Dit eindpunt ondersteunt zowel synchrone als gestreamde responsen voor flexibiliteit.

Aanvragen worden gefactureerd op basis van daadwerkelijk tokengebruik. Fouten en weigeringen verbruiken geen tegoed, dus u kunt gratis testen. De maximale uitvoer per aanvraag is 16.000 tokens, of 2.048 tokens als u de max_tokens parameter. Het contextvenster ondersteunt tot 100.000 tokens voor prompt en voltooiing samen.

Stream-antwoorden verwerken (SSE)

Activeer streaming door stream: true in je request om tokens te ontvangen zodra ze worden gegenereerd. Dit vermindert de waargenomen latentie voor lange antwoorden en stelt je in staat tekst real-time weer te geven in je applicatie. De laatste chunk van de stream bevat de totale tokenverbruiksstatistieken voor facturering en monitoring. Dit is essentieel voor het bouwen van chatinterfaces die responsief en interactief aanvoelen.

Streamresponsen verwerken gedeeltelijke inhoud soepel, zodat je tekst kunt weergeven zodra deze aankomt. Dit is vooral nuttig bij creatief schrijven of programmeertaken waarbij het model lange uitvoeren genereert. Je kunt de server-sent events parseren om je UI incrementeel bij te werken. Zorg ervoor dat je client het einde-van-stream-gebeurtenis correct afhandelt om de respons te finaliseren.

Parameters configureren: Temperatuur, Top-p en Seed

Aanpassen temperature om de willekeurigheid te bepalen, waarbij hogere waarden meer creatieve en gevarieerde outputs opleveren. Gebruik top_p om het sampling te beperken tot de meest waarschijnlijke tokens, waardoor je fijnere controle krijgt over de outputverdeling. Stel een seed zorgt voor deterministische resultaten, wat cruciaal is voor debugging of reproduceerbare experimenten. Met deze parameters kun je het gedrag van het model afstemmen op specifieke use cases zoals storytelling of technisch schrijven.

Het model ondersteunt standaardparameters zoals stop sequentie en presence_penalty voor geavanceerde controle. U kunt deze instellingen combineren om de gewenste toon en structuur te bereiken. Experimenteer met verschillende waarden om het optimale evenwicht tussen creativiteit en coherentie voor uw applicatie te vinden.

Tools en JSON-modus gebruiken

Functieaanroep inschakelen door het verstrekken van een tools array in je verzoek om het model gestructureerde gegevens te laten uitvoeren. Het model kan functies aanroepen op basis van de context van het gesprek, wat complexe workflows mogelijk maakt. Gebruik response_format: {"type": "json_object"} om de uitvoer in geldig JSON-formaat te forceren. Dit is ideaal voor integratie met backendsystemen of voor het extraheren van gestructureerde informatie uit tekst.

JSON-modus zorgt ervoor dat het antwoord parsebaar is, wat de behoefte aan extra parserlogica aan de clientkant vermindert. Je kunt meerdere tools definiëren en specificeren welke tool het model moet aanroepen. Deze functie verbetert de bruikbaarheid van het model voor geautomatiseerde taken en gegevensextractie. De API verwerkt de routing van toolaanroepen naadloos.

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)