Hướng dẫn nhanh: API mô hình không kiểm duyệt

Điều kiện tiên quyết và Base URL

API của chúng tôi hoạt động với bất kỳ client tương thích OpenAI tiêu chuẩn nào bằng cách cập nhật base URL và API key. Trỏ SDK của bạn đến https://api.modeluncensored.com/v1 và gửi yêu cầu đến tiêu chuẩn /v1/chat/completions endpoint. Bạn không cần cài đặt các thư viện độc quyền; các công cụ hiện có như SDK Python hoặc Node.js chính thức của OpenAI hoạt động ngay lập tức. Chỉ cần cấu hình URL cơ sở để định tuyến lưu lượng truy cập qua máy chủ của chúng tôi thay vì cơ sở hạ tầng OpenAI mặc định.

Xác thực dựa trên một khóa API đơn lẻ được tạo trong quá trình đăng ký. Truyền khóa này trong Authorization header dưới dạng mã Bearer. Định danh mô hình được cố định ở mức uncensored để đảm bảo hành vi nhất quán trên tất cả các yêu cầu. Mỗi tài khoản cung cấp một khóa hoạt động duy nhất thay thế bất kỳ khóa nào trước đó khi được tạo lại.

Xác thực Với API Key Của Bạn

Bao gồm khóa API của bạn trong Authorization header của mọi yêu cầu để xác minh danh tính của bạn. Sử dụng định dạng Authorization: Bearer YOUR_API_KEY để xác thực các yêu cầu ngay lập tức. Nếu khóa không có hoặc không hợp lệ, API sẽ trả về lỗi 401 Unauthorized ngay lập tức. Điều này đảm bảo rằng chỉ các tài khoản hợp lệ mới có thể sử dụng token từ số dư trả trước của bạn.

Bạn có thể tạo hoặc tạo lại khóa của mình qua bảng điều khiển sau khi đăng nhập bằng Google hoặc email. Khóa được hiển thị ngay lập tức khi tạo. Hãy lưu trữ nó một cách bảo mật vì nó cung cấp quyền truy cập trực tiếp vào số dư tài khoản của bạn. Không yêu cầu xác minh số điện thoại khi đăng ký, giữ cho quy trình nhanh chóng và đơn giản.

Gửi yêu cầu Chat Completion đầu tiên của bạn

Thực hiện yêu cầu POST đến /v1/chat/completions với các thông điệp và định danh mô hình để nhận phản hồi. Mô hình chấp nhận đầu vào văn bản và trả về đầu ra văn bản mà không có từ chối mềm đối với nội dung người lớn hợp pháp. Bạn có thể chỉ định định danh mô hình là uncensored để đảm bảo bạn đang sử dụng LLM không kiểm duyệt cụ thể của chúng tôi. Điểm cuối này hỗ trợ cả phản hồi đồng bộ và luồng để linh hoạt.

Các yêu cầu được tính phí dựa trên việc sử dụng token thực tế. Lỗi và từ chối không tiêu thụ tín dụng, vì vậy bạn có thể kiểm tra tự do. Đầu ra tối đa mỗi yêu cầu là 16.000 token, hoặc 2.048 token nếu bạn không đặt max_tokens tham số. Cửa sổ ngữ cảnh hỗ trợ lên đến 100.000 token cho lời nhắc và kết hợp hoàn thành.

Xử lý phản hồi phát trực tiếp (SSE)

Bật phát trực tiếp bằng cách đặt stream: true trong yêu cầu của bạn để nhận token khi chúng được tạo ra. Điều này giúp giảm độ trễ cảm nhận đối với các phản hồi dài và cho phép hiển thị theo thời gian thực trong ứng dụng của bạn. Chunk cuối cùng của luồng chứa thống kê sử dụng token tổng cộng để tính phí và giám sát. Điều này rất quan trọng để xây dựng các giao diện trò chuyện mang lại cảm giác phản hồi và tương tác.

Phản hồi luồng xử lý nội dung một phần một cách mượt mà, cho phép bạn hiển thị văn bản khi nó đến. Điều này đặc biệt hữu ích cho các nhiệm vụ viết sáng tạo hoặc lập trình nơi mô hình tạo ra các đầu ra dài. Bạn có thể phân tích các sự kiện gửi bởi máy chủ để cập nhật giao diện người dùng của bạn một cách gia tăng. Đảm bảo máy khách của bạn xử lý sự kiện kết thúc luồng một cách chính xác để hoàn tất phản hồi.

Cấu hình Tham số: Nhiệt độ, Top-p và Seed

Điều chỉnh temperature để kiểm soát tính ngẫu nhiên, với các giá trị cao hơn tạo ra các đầu ra sáng tạo và đa dạng hơn. Sử dụng top_p để giới hạn việc lấy mẫu chỉ ở các token có xác suất cao nhất, mang lại khả năng kiểm soát tinh tế hơn đối với phân phối đầu ra. Đặt giá trị seed ensures deterministic results, which is crucial for debugging or reproducible experiments. Các tham số này cho phép bạn tinh chỉnh hành vi của mô hình cho các trường hợp sử dụng cụ thể như kể chuyện hoặc viết kỹ thuật.

Mô hình hỗ trợ các tham số tiêu chuẩn như stop chuỗi và presence_penalty cho kiểm soát nâng cao. Bạn có thể kết hợp các cài đặt này để đạt được tông giọng và cấu trúc mong muốn. Hãy thử nghiệm với các giá trị khác nhau để tìm sự cân bằng tối ưu giữa sáng tạo và tính nhất quán cho ứng dụng của bạn.

Sử dụng Công cụ và Chế độ JSON

Bật gọi hàm bằng cách cung cấp một tools mảng trong yêu cầu của bạn để cho phép mô hình xuất dữ liệu có cấu trúc. Mô hình có thể gọi các hàm dựa trên ngữ cảnh của cuộc hội thoại, cho phép các quy trình làm việc phức tạp. Sử dụng response_format: {"type": "json_object"} để buộc đầu ra vào định dạng JSON hợp lệ. Điều này lý tưởng để tích hợp với các hệ thống backend hoặc trích xuất thông tin có cấu trúc từ văn bản.

Chế độ JSON đảm bảo phản hồi có thể phân tích cú pháp, giảm nhu cầu về logic phân tích cú pháp bổ sung trong client của bạn. Bạn có thể xác định nhiều công cụ và chỉ định công cụ nào mà mô hình nên gọi. Tính năng này nâng cao khả năng sử dụng của mô hình cho các nhiệm vụ tự động hóa và trích xuất dữ liệu. API xử lý việc định tuyến các cuộc gọi công cụ một cách liền mạch.

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);

Phát trực tiếp

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)