Szybki start: API modelu bez cenzury

Wymagania wstępne i Base URL

Nasze API działa z dowolnym standardowym klientem kompatybilnym z OpenAI, aktualizując base URL i klucz API. Wskaż swoje SDK na https://api.modeluncensored.com/v1 i wysyłaj żądania do standardowego /v1/chat/completions endpoint. Nie musisz instalować bibliotek własnościowych; istniejące narzędzia, takie jak oficjalne SDK OpenAI dla Pythona lub Node.js, działają od razu. Po prostu skonfiguruj podstawowy adres URL, aby kierować ruch przez nasze serwery zamiast domyślnej infrastruktury OpenAI.

Uwierzytelnianie opiera się na jednym kluczu API wygenerowanym podczas rejestracji. Przekaż ten klucz w Authorization nagłówek jako token Bearer. Identyfikator modelu jest stały i wynosi uncensored do zapewnienia spójnego zachowania we wszystkich żądaniach. Każde konto zapewnia jeden aktywny klucz, który zastępuje dowolny poprzedni klucz po jego regeneracji.

Uwierzytelnianie za pomocą klucza API

Dołącz swój klucz API w Authorization nagłówek każdego żądania w celu weryfikacji Twojej tożsamości. Użyj formatu Authorization: Bearer YOUR_API_KEY do natychmiastowego uwierzytelniania żądań. Jeśli klucz jest nieobecny lub nieprawidłowy, API zwraca błąd 401 Unauthorized. Zapewnia to, że tylko ważne konta mogą zużywać tokeny z Twojego konta z góry opłaconego.

Możesz wygenerować lub wygenerować ponownie swój klucz przez panel po zalogowaniu się za pomocą Google lub e-maila. Klucz jest wyświetlany natychmiast po utworzeniu. Przechowuj go bezpiecznie, ponieważ zapewnia bezpośredni dostęp do salda Twojego konta. Nie jest wymagana weryfikacja numeru telefonu podczas rejestracji, co sprawia, że proces jest szybki i prosty.

Wysyłanie pierwszej kompozycji czatu

Wykonaj żądanie POST do /v1/chat/completions z Twoimi wiadomościami i identyfikatorem modelu, aby otrzymać odpowiedź. Model akceptuje wejście tekstowe i zwraca wyjście tekstowe bez miękkich odmów dla legalnej treści dla dorosłych. Możesz określić ID modelu jako uncensored aby zapewnić, że korzystasz z naszego konkretnego modelu LLM bez ograniczeń. Ten punkt końcowy obsługuje zarówno odpowiedzi synchroniczne, jak i strumieniowe, zapewniając elastyczność.

Żądania są rozliczane na podstawie rzeczywistego zużycia tokenów. Błędy i odmowy nie zużywają kredytu, więc możesz testować bezpłatnie. Maksymalna liczba tokenów na żądanie to 16,000, lub 2,048 tokenów, jeśli nie ustawisz max_tokens parametr. Okno kontekstowe obsługuje do 100,000 tokenów dla promptu i uzupełnienia łącznie.

Obsługa odpowiedzi strumieniowych (SSE)

Włącz strumieniowanie, ustawiając stream: true w żądaniu, aby otrzymywać tokeny w miarę ich generowania. Zmniejsza to postrzeganą opóźnienie dla długich odpowiedzi i pozwala na wyświetlanie w czasie rzeczywistym w Twojej aplikacji. Ostatni fragment strumienia zawiera statystyki całkowitego zużycia tokenów do rozliczeń i monitorowania. Jest to niezbędne do budowania interfejsów czatu, które wydają się responsywne i interaktywne.

Strumieniowanie odpowiedzi obsługu częściową zawartość w sposób elegancki, umożliwiając wyświetlanie tekstu w miarę jego przybywania. Jest to szczególnie przydatne w twórczym pisaniu lub zadaniach programistycznych, gdzie model generuje długie wyjścia. Możesz analizować eventy wysyłane przez serwer, aby aktualizować interfejs użytkownika inkrementalnie. Upewnij się, że Twój klient poprawnie obsługuje zdarzenie końca strumienia, aby sfinalizować odpowiedź.

Konfigurowanie parametrów: Temperatura, Top-p i Seed

Dostosuj temperature do kontrolowania losowości, gdzie wyższe wartości dają bardziej kreatywne i zróżnicowane wyjścia. Użyj top_p ograniczyć próbkowanie do najbardziej prawdopodobnych tokenów, zapewniając większą kontrolę nad rozkładem wyjścia. Ustawiając seed zapewnia wyniki deterministyczne, co jest kluczowe przy debugowaniu lub powtarzalnych eksperymentach. Parametry te pozwalają wyregulować zachowanie modelu dla konkretnych przypadków użycia, takich jak storytelling czy pisanie techniczne.

Model obsługuje standardowe parametry takie jak stop sekwencje i presence_penalty dla zaawansowanej kontroli. Możesz połączyć te ustawienia, aby osiągnąć pożądaną tonację i strukturę. Eksperymentuj z różnymi wartościami, aby znaleźć optymalny balans między kreatywnością a spójnością dla swojej aplikacji.

Wykorzystywanie Narzędzi i Trybu JSON

Włącz wywoływanie funkcji poprzez dostarczenie tools tablica w swoim żądaniu, aby pozwolić modelowi na wyjście danych strukturalnych. Model może wywoływać funkcje na podstawie kontekstu rozmowy, umożliwiając złożone przepływy pracy. Użyj response_format: {"type": "json_object"} wymuszenie outputu w formacie JSON. Jest to idealne do integracji z systemami backendowymi lub ekstrakcji informacji strukturalnych z tekstu.

Tryb JSON zapewnia, że odpowiedź jest możliwa do parsowania, zmniejszając potrzebę dodatkowej logiki parsowania po stronie klienta. Możesz zdefiniować wiele narzędzi i określić, które narzędzie model powinien wywołać. Ta funkcja zwiększa użyteczność modelu do zadań zautomatyzowanych i ekstrakcji danych. API obsługuje bezproblemowe kierowanie wywołań narzędzi.

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);

Strumieniowanie

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)