Okänsurerad LLM API-dokumentation

Bas URL och autentisering

Börja med att peka din klient mot den specifika slutpunkten för att kringgå standard innehållsfilter. Använd bas-URL https://api.bestabliteratedmodel.com/v1 och skicka din nyckel via standard Authorization header. Du kan generera din nyckel omedelbart via Google eller e-post på registreringssidan utan att ange betalningsuppgifter för provperioden.

Copycurl https://api.bestabliteratedmodel.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Run the unit tests for the new authentication module"}]
  }'

Se till att ditt header matchar exakt formatet ovan. Systemet validerar uppgifterna innan bearbetning av några tokens, så håll din nyckel säker.

Första förfrågan med Python SDK

Integrera direkt med officiella OpenAI Python-bibliotek genom att åsidosätta bas-URL:en. Detta gör att du kan skicka prompts till den osensurerade modellen utan att ändra din befintliga kodstruktur nämnvärt. Modell-ID:t är alltid uncensored för alla förfrågningar.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.bestabliteratedmodel.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)

Denna metod upprätthåller kompatibilitet med standardparametrar som temperature och top_p. Du kan testa svaret omedelbart efter att ha skapat klientinstansen.

Node.js-integration

Använd Node.js OpenAI-paketet för att skicka textkompletteringar till vår obegränsade slutpunkt. Ställ in baseURL egenskap till vår API-adress innan du gör några anrop. Detta säkerställer att din applikation dirigerar förfrågningar korrekt utan att träffa standardleverantörens gränser.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.bestabliteratedmodel.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);

Hantera strömmen eller enskilda objekt som behövs. SDK:n hanterar tokenisering internt, så du fokuserar på promptlogik snarare än infrastrukturdetaljer.

Streaming med SSE

Aktivera realtidsgenerering av tokens genom att ställa in stream: true i dina begäransparametrar. API:et returnerar Server-Sent Events (SSE) där varje del innehåller delvis text. Tokenanvändningsmått visas i den sista delen av strömmen.

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)

Bearbeta varje delta när det anländer för att visa text omedelbart till användare. Detta minskar upplevd latens avsevärt jämfört med att vänta på fullständig slutförande.

Funktionsanrop och verktyg

Definiera verktygsscheman i din begäran för att möjliggöra strukturerade utdata från modellen. API:et stöder standard funktionsdefinitioner med parametrar och beskrivningar. Modellen returnerar verktygsanrop när det är lämpligt baserat på dina promptinstruktioner.

Skicka tools array med dina önskade funktioner. Svaret inkluderar en tool_calls field if the model decides to invoke a tool.

JSON-läge, begränsningar och fel

Tvinga strikt JSON-utdata genom att ställa in response_format för {"type": "json_object". Detta säkerställer pålitlig parsing för automatiserade arbetsflöden. Vårt kontextfönster stöder totalt 100 000 tokens, med ett maxutdata på 16 000 tokens.

Vanliga fel inkluderar 401 för ogiltiga nycklar, 402 när förbetald kredit är slut och 429 för rate limits (300 förfrågningar/minut). Förfrågningar om sexuellt innehåll som involverar minderåriga vägras alltid.