Documentation de l'API pour le Modèle sans censure

URL de base et authentification

Utilisez notre URL de base pour toutes les requêtes et transmettez votre clé API dans l'en-tête. Cette configuration fonctionne avec n'importe quel SDK OpenAI standard ou client HTTP sans modification. Vous recevez une clé immédiatement après vous être inscrit avec Google ou e-mail, sans numéro de téléphone requis. La clé authentifie votre compte contre nos serveurs pour chaque requête que vous effectuez.

Conservez votre clé en sécurité, car elle donne accès à votre crédit prépayé. Vous pouvez générer une nouvelle clé à tout moment, ce qui remplace immédiatement l'ancienne. Inutile de gérer plusieurs clés ou de naviguer dans des portées de permissions complexes pour une utilisation de base.

Première demande

Envoyez votre premier message au point de terminaison de chat completions avec une invite simple. Le modèle répond par une sortie textuelle, prête pour la logique de votre application. Vous pouvez tester la connectivité et la qualité de la réponse avec une structure de requête minimale. Cela confirme que votre clé fonctionne et que le modèle uncensored est actif.

La réponse inclut le texte généré et les détails d'utilisation des tokens. Vous pouvez analyser ces données pour afficher les résultats ou les alimenter dans des invites ultérieures. C'est le moyen le plus rapide de vérifier votre intégration avant de construire des workflows complexes.

Copycurl https://api.unfilterchatgpt.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list the top ten best practices for react state management"}]
  }'

Intégration du SDK Python

Installez le package Python officiel OpenAI et pointez-le vers notre URL de base. Cela vous permet d'utiliser des méthodes familières comme client.chat.completions.create() sans modifier la structure de votre code. Transmettez votre clé API comme valeur par défaut pour la bibliothèque. Cette approche simplifie l'intégration pour les projets existants qui utilisent déjà des clients compatibles OpenAI.

Vous pouvez définir des paramètres comme temperature ou top_p pour contrôler l'aléatoire des réponses. La bibliothèque gère la sérialisation et l'analyse des erreurs automatiquement. Cela réduit le code boilerplate et accélère le développement pour les scripts simples comme les applications complexes.

Copyfrom openai import OpenAI

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

Installation du SDK Node.js

Initialisez le client Node.js OpenAI avec notre URL de base et votre clé API. Cela assure la compatibilité avec les projets JavaScript et TypeScript standards. Vous pouvez utiliser les mêmes méthodes de complétion disponibles dans le SDK Python. Le client gère efficacement les requêtes réseau et l'analyse des réponses.

Configurez les options du client pour correspondre aux besoins de votre application. Vous pouvez ajuster les délais d'attente des requêtes ou la logique de réessai si nécessaire. Cette configuration fonctionne parfaitement avec les environnements Node.js existants, facilitant l'ajout de capacités IA uncensored à vos services backend.

Copyimport OpenAI from "openai";

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

Réponses en streaming

Activez le streaming en définissant le paramètre stream à true dans votre requête. Cela envoie des réponses jeton par jeton à mesure qu'elles sont générées. Cela offre une meilleure expérience utilisateur pour les applications en temps réel. Vous pouvez afficher les résultats partiels immédiatement pendant que le modèle continue de fonctionner.

Analysez les chunks du flux pour extraire le contenu. Le dernier chunk contient l'utilisation totale des tokens pour la requête. Cela vous permet de suivre les coûts avec précision tout en fournissant un retour instantané aux utilisateurs. Le streaming est idéal pour les interfaces de chat et les outils interactifs.

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)

Limites de débit, erreurs et contexte

La fenêtre de contexte prend en charge 100 000 tokens pour l'invite et la complétion. Vous pouvez envoyer de longs documents ou des conversations étendues sans troncature. Cependant, la sortie maximale par requête est de 16 000 tokens, ou 2 048 si vous ne définissez pas la limite. Cela garantit des performances cohérentes pour les réponses volumineuses.

Les limites de taux permettent 300 requêtes par minute et 8 requêtes simultanées par clé. Les erreurs incluent 401 pour les clés invalides et 402 pour le crédit insuffisant. Les refus dus aux limites de contenu sont gratuits, tandis que les erreurs ne consomment pas de crédit. Gérez vos requêtes efficacement pour éviter le throttling pendant les périodes de fort trafic.