Ablivierte Qwen API-Schnellstart

Basis-URL und Authentifizierung

Verbinde deine bestehende SDK-Konfiguration sofort mit unserem Endpunkt. Richte deinen Client auf die dedizierte Basis-URL ein und gib den auf unserem Dashboard generierten Schlüssel ein. Wir verwenden die Standard-Header-Authentifizierung, sodass keine komplexe Einrichtung erforderlich ist.

Der Endpunkt ist HTTPS://api.abliteratedqwen.com/v1. Erstellen Sie ein Konto über Google oder E-Mail und rufen Sie Ihren Key aus dem Dashboard ab. Verwenden Sie diesen Key im Authorization-Header als Bearer-Token für jede Anfrage.

• Basis-URL: HTTPS://api.abliteratedqwen.com/v1
• Auth-Header: Authorization: Bearer YOUR_API_KEY

Für die Anmeldung wird keine Telefonnummer benötigt, und der Schlüssel wird sofort nach der Erstellung angezeigt.

Chat-Vervollständigungs-Endpunkt

Senden Sie Textnachrichten und erhalten Sie uneingeschränkte Antworten über den Standard-Chat-Vervollständigungs-Endpunkt. Dieser Endpunkt deckt all Ihre Textgenerierungsbedürfnisse ab, ohne die üblichen Inhaltsfilter. Er funktioniert identisch wie die OpenAI-Chat-Schnittstelle, entfernt jedoch die Ablehnungsschicht.

Sende eine POST-Anfrage an /v1/chat/completions mit deinem Modellnamen und dem Gesprächsverlauf. Das System verarbeitet die Eingabe und gibt den generierten Text zurück. Du kannst jede Standardbibliothek verwenden, um das JSON-Payload zu formatieren.

Hier ist eine grundlegende Anfrage zum Einstieg:

Copycurl https://api.abliteratedqwen.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "List the top 5 npm packages for date formatting"}]
  }'

Die Antwort enthält die vollständigen Abschlussdetails. Sie können diese direkt in Ihre Anwendungen integrieren.

Streaming-Antworten und Token-Nutzung

Empfangen Sie Token-für-Token-Aktualisierungen in Echtzeit über Server-Sent Events. Dieses Feature ermöglicht ein flüssigeres Benutzererlebnis in Chat-Schnittstellen. Sie können Nutzungsmetriken direkt aus dem letzten Chunk des Streams verfolgen.

Legen Sie den Parameter stream auf true in Ihrer Anfrage fest. Der Server sendet mehrere JSON-Objekte, die jeweils ein teilweise Delta enthalten. Das letzte Chunk enthält die gesamte Token-Nutzung für die Anfrage.

Verwenden Sie diesen Code, um Streaming in Python zu verarbeiten:

Copyfrom openai import OpenAI

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

Dieser Ansatz reduziert die Latenz erheblich. Benutzer sehen den Text, während er generiert wird.

Function Calling und Tools

Dynamische Tool-Nutzung aktivieren, indem Sie Funktionen in Ihrer Anfrage definieren. Das Modell kann Tools basierend auf dem Kontext auswählen und ausführen. Diese Fähigkeit ermöglicht komplexe Workflows und Datenabrufe.

Definieren Sie Ihre Tools im tools-Array. Legen Sie tool_choice auf auto oder einen bestimmten Funktionsnamen fest. Das Modell gibt bei Bedarf einen Tool-Aufruf zurück.

Implementieren Sie die Tool-Logik in Ihrem Client-Code. Analysieren Sie die tool_call_id und führen Sie die Funktion aus. Senden Sie das Ergebnis dann an das Modell für eine endgültige Antwort.

Nutzen Sie dieses Node.js-Beispiel, um Function Calling einzurichten:

Copyimport OpenAI from "openai";

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

Diese Funktion unterstützt sowohl automatische als auch manuelle Tool-Auswahl.

JSON-Modus für strukturierte Ausgabe

Zwingen Sie das Modell dazu, gültiges JSON für eine zuverlässige Analyse auszugeben. Dieser Modus stellt sicher, dass die Antwort exakt Ihrem Schema entspricht. Er ist ideal für API-Integrationen und Datenextraktionsaufgaben.

Legen Sie den Parameter response_format auf json_object fest. Das Modell beschränkt seine Ausgabe auf gültige JSON-Syntax. Dies reduziert die Notwendigkeit für komplexes Regex-Parsing.

Definieren Sie Ihre erwartete Struktur im System-Prompt. Das Modell wird sich strikt daran halten. Dies ist nützlich zur Generierung strukturierter Daten oder Konfigurationsdateien.

Parameter: Temperatur, Top P und Stop

Steuern Sie die Zufälligkeit und Stoppbedingungen der Generierung. Passen Sie die Temperatur für Kreativität, top_p für Vielfalt und Stop-Sequenzen für präzises Abschneiden an. Diese Parameter geben Ihnen eine feinkörnige Kontrolle über die Ausgabe.

Setze temperature zwischen 0 und 2. Höhere Werte erhöhen die Zufälligkeit. Verwende top_p, um den Token-Pool zu begrenzen. Definiere Stop-Sequenzen, um die Generierung an bestimmten Markern zu stoppen.

Sie können presence_penalty und frequency_penalty festlegen, um die Token-Wiederholung zu beeinflussen. Diese Einstellungen helfen, den Stil und die Konsistenz der Ausgabe zu verfeinern.

Hier ist ein Streaming-Beispiel, um diese Parameter in Aktion zu sehen:

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)

Experimentiere mit diesen Werten, um das beste Gleichgewicht für deinen Anwendungsfall zu finden.