Démarrage rapide : Intégrez les complétions sans censure

Première demande

Envoyez votre première complétion immédiatement après avoir généré votre clé. Utilisez l'ID du modèle uncensored pour accéder au modèle open-source. Il gère efficacement les entrées et sorties textuelles.

L'exemple suivant illustre une requête de complétion de texte de base. Remplacez YOUR_API_KEY avec votre clé réelle. Cela confirme que votre authentification fonctionne correctement.

Vous pouvez ajuster des paramètres tels que temperature ou top_p pour contrôler la créativité. Le modèle répond à des charges utiles JSON standard. Les erreurs retournent des codes clairs. Une erreur 402 signifie que vous devez recharger votre crédit. Les recharges utilisent USDT sur TRC20 ou USDC sur Base.

Cette simplicité réduit le temps d'intégration. Vous n'avez pas besoin de middleware complexe. L'API se comporte comme les points de terminaison OpenAI standard. Cette familiarité accélère considérablement votre cycle de développement.

Intégration du SDK Python

Utilisez la bibliothèque Python officielle d'OpenAI pour une intégration rapide. Définissez l'URL de base et la clé API lors de l'initialisation du client. Cette approche garde votre code propre et maintenable.

Passez le nom du modèle comme uncensored. La bibliothèque gère automatiquement la sérialisation JSON. Vous recevez des réponses structurées faciles à analyser dans la logique de votre application.

Cette méthode fonctionne pour les flux de travail synchrones et asynchrones. Vous pouvez diffuser les réponses ou obtenir le texte complet d'un coup. Le choix dépend de vos besoins en expérience utilisateur. La diffusion réduit la latence perçue pour les réponses longues.

Conservez votre clé API en sécurité. Ne la codez pas en dur dans le contrôle de version. Utilisez des variables d'environnement pour les déploiements en production. Cette pratique évite une exposition accidentelle de vos identifiants.

Intégration du SDK Node

Intégrez à l'aide du SDK Node.js pour les applications côté serveur. Initialisez le client avec votre URL de base et votre clé. La structure est très similaire à l'implémentation Python.

Appel chat.completions.create avec le uncensored modèle. Le SDK gère les requêtes HTTP de manière efficace. Vous recevez des réponses au format JSON standard.

Cette configuration fonctionne bien avec les serveurs Express ou Fastify. Vous pouvez envelopper l'appel API dans un gestionnaire de route. Gérez les erreurs de manière gracieuse pour informer vos utilisateurs. Une erreur 429 indique que vous avez atteint la limite de taux.

L'utilisation de la mémoire reste faible car nous prenons en charge les tâches lourdes. Votre serveur se contente de traiter l'entrée JSON. Cette architecture s'adapte facilement à votre base d'utilisateurs. Aucune gestion complexe de l'infrastructure n'est nécessaire.

Streaming et utilisation des jetons

Activez le streaming en définissant stream: true dans votre requête. L'API renvoie des fragments de texte au fur et à mesure de leur génération. Cela améliore l'expérience utilisateur pour les réponses longues.

Chaque chunk inclut des données d'utilisation des tokens. Le dernier chunk contient le nombre total de tokens pour la requête. Vous pouvez suivre les coûts en temps réel. Cette transparence vous aide à gérer efficacement votre crédit prépayé.

Les erreurs en streaming sont gérées via les codes HTTP standard. Une erreur 402 arrête le flux si le crédit est épuisé. Vous pouvez reprendre ou réessayer après avoir rechargé. Le processus est simple.

Le streaming réduit le temps au premier octet. Les utilisateurs voient les progrès immédiatement. Cette fonctionnalité est essentielle pour les interfaces de chat. Elle rend le LLM uncensored réactif et dynamique.

Limites de débit et fenêtre de contexte

Nos limites sont généreuses pour la plupart des cas d'utilisation. Vous bénéficiez de 300 demandes par minute par clé. Vous pouvez avoir 8 demandes simultanées en même temps. Cela prend en charge les applications à haut débit sans créer de goulot d'étranglement.

La fenêtre de contexte est de 100 000 tokens au total. Cela inclut à la fois l'invite et la complétion. La sortie maximale par requête est de 16 000 tokens. Définir max_tokens explicitement pour éviter les valeurs par défaut. Le max par défaut est de 2 048 tokens.

Les codes d'erreur vous aident à déboguer rapidement. 401 signifie clé invalide. 402 signifie pas de crédit. 429 signifie limite de débit dépassée. Consultez le corps de la réponse pour plus de détails. Les remboursements ne sont pas disponibles pour le crédit, mais les erreurs sont corrigées via le support.

Les corps de requête doivent faire moins de 8 Mo. Cette contrainte garantit des performances stables. Prévoyez la taille de votre charge utile en conséquence. Les gros documents peuvent nécessiter un découpage. Cette approche maintient une latence faible et constante.

cURL

Copycurl https://api.openaitokenpricing.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "calculate cost for 100k tokens"}]
  }'

Python

Copyfrom openai import OpenAI

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