Inicio Rápido de la API de Qwen Abliterado

URL Base y Autenticación

Conecta la configuración de tu SDK existente a nuestro punto de conexión inmediatamente. Apunta tu cliente a la URL base dedicada y proporciona la clave generada en nuestro panel. Utilizamos autenticación por encabezados estándar, por lo que no se requiere una configuración compleja.

El endpoint es HTTPS://api.abliteratedqwen.com/v1. Crea una cuenta a través de Google o correo electrónico, luego recupera tu clave desde el panel de control. Usa esta clave en el encabezado Authorization como un token Bearer para cada solicitud.

• URL Base: HTTPS://api.abliteratedqwen.com/v1
• Cabecera de autenticación: Authorization: Bearer YOUR_API_KEY

No se requiere número de teléfono para el registro, y la clave aparece instantáneamente al crearla.

Endpoint Chat Completions

Envía mensajes de texto y recibe respuestas sin restricciones utilizando el punto de conexión estándar de chat-completions. Este punto de conexión maneja todas tus necesidades de generación de texto sin los filtros de contenido habituales. Funciona idénticamente a la interfaz de chat de OpenAI pero elimina la capa de rechazos.

Envía una solicitud POST a /v1/chat/completions con tu nombre de modelo e historial de conversación. El sistema procesa la entrada y devuelve el texto generado. Puedes usar cualquier biblioteca estándar para formatear la carga útil JSON.

Aquí tienes una solicitud básica para comenzar:

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"}]
  }'

La respuesta contiene los detalles completos de la finalización. Puedes integrarla directamente en tus aplicaciones.

Respuestas en streaming y uso de tokens

Recibe actualizaciones token por token en tiempo real mediante Eventos Enviados por Servidor. Esta función permite una experiencia de usuario más fluida en interfaces de chat. Puedes rastrear métricas de uso directamente desde el fragmento final del flujo.

Establece el parámetro stream a true en tu solicitud. El servidor enviará varios objetos JSON, cada uno conteniendo un delta parcial. El último fragmento incluye el uso total de tokens para la solicitud.

Usa este código para manejar streaming en Python:

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)

Este enfoque reduce significativamente la latencia percibida. Los usuarios ven cómo aparece el texto a medida que se genera.

Llamada de Función y Herramientas

Habilitar uso dinámico de herramientas definiendo funciones en tu solicitud. El modelo puede seleccionar y ejecutar herramientas basándose en el contexto. Esta capacidad permite flujos de trabajo complejos y recuperación de datos.

Define tus herramientas en el array tools. Establece tool_choice como auto o un nombre de función específico. El modelo responderá con una llamada a la herramienta si corresponde.

Implementa la lógica de la herramienta en el código de tu cliente. Analiza el tool_call_id y ejecuta la función. Luego envía el resultado de vuelta al modelo para una respuesta final.

Utiliza este ejemplo de Node.js para configurar la llamada de funciones:

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);

Esta característica admite tanto la selección automática como la manual de herramientas.

Modo JSON para salida estructurada

Forza al modelo a generar JSON válido para un análisis fiable. Este modo asegura que la respuesta coincida exactamente con tu esquema. Es ideal para integraciones API y tareas de extracción de datos.

Establece el parámetro response_format a json_object. El modelo restringirá su salida a una sintaxis JSON válida. Esto reduce la necesidad de análisis con expresiones regulares complejas.

Define tu estructura esperada en el prompt del sistema. El modelo se adherirá a ella estrictamente. Esto es útil para generar datos estructurados o archivos de configuración.

Parámetros: Temperatura, Top P y Stop

Controla la aleatoriedad y las condiciones de parada de la generación. Ajusta la temperatura para la creatividad, top_p para la diversidad y las secuencias de parada para un corte preciso. Estos parámetros te dan un control fino sobre la salida.

Establece temperature entre 0 y 2. Los valores más altos aumentan la aleatoriedad. Usa top_p para limitar el conjunto de tokens. Define secuencias de parada para detener la generación en marcadores específicos.

También puedes establecer presence_penalty y frequency_penalty para influir en la repetición de tokens. Estos ajustes ayudan a refinar el estilo y la consistencia de la salida.

Aquí tienes un ejemplo de streaming para ver estos parámetros en acción:

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)

Experimenta con estos valores para encontrar el mejor equilibrio para tu caso de uso.