Início rápido: API de modelo sem censura

Pré-requisitos e URL Base

Nossa API funciona com qualquer cliente padrão compatível com OpenAI, atualizando o base_url e a chave da API. Aponte seu SDK para https://api.modeluncensored.com/v1 e enviar solicitações para o padrão /v1/chat/completions endpoint. Você não precisa instalar bibliotecas proprietárias; ferramentas existentes como os SDKs oficiais da OpenAI para Python ou Node.js funcionam imediatamente. Basta configurar a URL base para rotear o tráfego através de nossos servidores em vez da infraestrutura padrão da OpenAI.

A autenticação depende de uma única chave de API gerada durante o cadastro. Passe esta chave no Authorization cabeçalho como um token Bearer. O identificador do modelo é fixo em uncensored para garantir comportamento consistente em todos os pedidos. Cada conta fornece uma chave ativa que substitui qualquer chave anterior após a regeneração.

Autenticação com sua chave de API

Inclua sua chave de API no Authorization cabeçalho de cada solicitação para verificar sua identidade. Use o formato Authorization: Bearer YOUR_API_KEY para autenticar as solicitações instantaneamente. Se a chave estiver ausente ou inválida, a API retorna um erro 401 Unauthorized imediatamente. Isso garante que apenas contas válidas possam consumir tokens do seu crédito pré-pago.

Você pode gerar ou regenerar sua chave via painel após fazer login com Google ou e-mail. A chave é exibida imediatamente após a criação. Armazene-a com segurança, pois ela fornece acesso direto ao saldo da sua conta. Não é necessária verificação por número de telefone para o cadastro, mantendo o processo rápido e simples.

Enviando Sua Primeira Conclusão de Chat

Fazer uma solicitação POST para /v1/chat/completions com suas mensagens e o identificador do modelo para receber uma resposta. O modelo aceita entrada de texto e retorna saída de texto sem recusas suaves para conteúdo adulto lícito. Você pode especificar o ID do modelo como uncensored para garantir que você esteja usando nosso LLM sem censura específico. Este endpoint suporta respostas síncronas e em streaming para flexibilidade.

As requisições são cobradas com base no uso real de tokens. Erros e recusas não consomem crédito, então você pode testar livremente. A saída máxima por requisição é de 16.000 tokens, ou 2.048 tokens se você não definir o max_tokens parâmetro. A janela de contexto suporta até 100.000 tokens para prompt e conclusão combinados.

Lidando com Respostas de Streaming (SSE)

Ative o streaming definindo stream: true na sua solicitação para receber tokens conforme são gerados. Isso reduz a latência percebida para respostas longas e permite exibição em tempo real em seu aplicativo. O último chunk do fluxo contém as estatísticas de uso de tokens totais para faturamento e monitoramento. Isso é essencial para construir interfaces de chat que pareçam responsivas e interativas.

As respostas em stream lidam com conteúdo parcial com graça, permitindo que você exiba o texto conforme ele chega. Isso é particularmente útil para escrita criativa ou tarefas de codificação onde o modelo gera saídas longas. Você pode analisar os eventos enviados pelo servidor para atualizar sua UI incrementalmente. Certifique-se de que seu cliente lide corretamente com o evento de fim de stream para finalizar a resposta.

Configurando Parâmetros: Temperatura, Top-p e Seed

Ajustar temperature para controlar a aleatoriedade, com valores mais altos produzindo saídas mais criativas e variadas. Use top_p para limitar a amostragem aos tokens mais prováveis, fornecendo maior controle sobre a distribuição de saída. Definir um seed garante resultados determinísticos, o que é crucial para depuração ou experimentos reproduzíveis. Esses parâmetros permitem ajustar o comportamento do modelo para casos de uso específicos, como narrativa ou escrita técnica.

O modelo suporta parâmetros padrão como stop sequências e presence_penalty para controle avançado. Você pode combinar essas configurações para alcançar o tom e a estrutura desejados. Experimente diferentes valores para encontrar o equilíbrio ideal entre criatividade e coerência para a sua aplicação.

Usando Ferramentas e Modo JSON

Ativar chamada de funções fornecendo um tools array em sua solicitação para permitir que o modelo produza dados estruturados. O modelo pode invocar funções com base no contexto da conversa, permitindo fluxos de trabalho complexos. Use response_format: {"type": "json_object"} forçar a saída para o formato JSON válido. Isso é ideal para integrar com sistemas backend ou extrair informações estruturadas de texto.

O modo JSON garante que a resposta seja analisável, reduzindo a necessidade de lógica adicional de análise no seu cliente. Você pode definir várias ferramentas e especificar qual ferramenta o modelo deve chamar. Esse recurso aumenta a utilidade do modelo para tarefas automatizadas e extração de dados. A API lida com o roteamento das chamadas de ferramentas perfeitamente.

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)