Intégrez l'API du modèle IA sans censure

Authentification et URL de base

Notre API est un remplacement prêt à l'emploi pour les clients OpenAI existants. Modifiez uniquement base_url et api_key. L'URL de base est https://api.llmmodelsapi.com/v1. L'authentification utilise l'en-tête Authorization avec un token Bearer. Protégez votre clé API qui accède à votre crédit prépayé. Renouvelez-la depuis votre tableau de bord, révoquant l'ancienne immédiatement.

Première requête

Envoyez une requête de complétion de chat standard pour tester la connectivité. Utilisez l’ID de modèle uncensored pour accéder à notre modèle de langage large conçu à cet effet. Ce modèle est ajusté pour répondre sans refus de contenu pour une utilisation adulte légale, ce qui le rend idéal pour les agents nécessitant des sorties cohérentes. Le corps de la requête suit le format standard des complétions de chat OpenAI.

Copycurl https://api.llmmodelsapi.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Vérifiez que la réponse inclut une complétion valide. Si vous recevez un code de statut 200, votre intégration fonctionne correctement. Cet endpoint ai model api prend en charge les conversations à tour unique et multi-tour au sein de la fenêtre de contexte.

Intégration SDK Python

L’utilisation du SDK Python officiel OpenAI est la méthode la plus rapide pour intégrer. Pointez le client vers notre URL de base et fournissez votre clé API. Le SDK gère automatiquement la sérialisation et le pool de connexions. Cette approche fonctionne avec toute bibliothèque cliente compatible OpenAI qui respecte le remplacement de base_url.

Copyfrom openai import OpenAI

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

Le SDK Python prend en charge le streaming et les appels synchrones. Pour la plupart des flux de travail d'agents, les appels synchrones sont plus simples, mais le streaming est disponible si vous devez afficher les tokens au fur et à mesure de leur génération. L'ID de modèle reste uncensored quelle que soit la version du SDK.

Intégration SDK Node.js

Pour les environnements JavaScript et TypeScript, le SDK Node.js suit le même modèle. Initialisez le client avec l'URL de base et les identifiants corrects. Cela garantit que votre base de code existante nécessite des modifications minimales pour changer de fournisseur. L'ID de modèle uncensored est compatible avec tous les paramètres standard de complétion de chat.

Copyimport OpenAI from "openai";

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

Le SDK Node prend également en charge les modèles async/await, facilitant l’intégration dans les routes Express ou les fonctions serverless. Conservez votre clé API dans les variables d’environnement pour éviter toute exposition accidentelle. Cette conception d’API openai compatible api signifie que vous pouvez revenir à OpenAI ou passer à d’autres fournisseurs en modifiant uniquement l’objet de configuration.

Réponses en streaming

Activez le streaming en définissant stream: true dans votre requête. L’API retourne un flux Server-Sent Events (SSE), vous permettant de traiter les tokens au fur et à mesure de leur génération. Cela réduit la latence perçue pour les utilisateurs finaux et est essentiel pour les interactions en temps réel avec les agents. Le format du flux est identique à la spécification SSE d’OpenAI.

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)

Chaque chunk contient des données partielles. Vous devez accumuler ces deltas pour reconstituer la réponse complète. Le streaming n'affecte pas la tarification ; vous êtes facturé pour le total des tokens d'entrée et de sortie, quel que soit le mode de streaming. Cette fonctionnalité fait partie de la conception robuste de l'API chat completions api que nous fournissons.

Limites, erreurs et contexte

Notre infrastructure applique des limites strictes pour garantir la fiabilité. Vous êtes limité à 300 requêtes par minute par clé, avec une taille maximale de corps de requête de 8 MB. La fenêtre de contexte est de 100 000 tokens, partagée entre le prompt et la complétion. Si vous dépassez la limite de débit, vous recevrez une erreur 429. Une clé invalide renvoie 401, et un crédit insuffisant renvoie 402. Contrairement à de nombreuses options de llm api provider, nous ne masquons pas ces limites ; elles sont transparentes et cohérentes. Aucune formation n'est effectuée sur vos données, et la confidentialité est préservée en n'utilisant pas les prompts pour l'amélioration du modèle.