شروع سریع API مدل ابلیتراته Qwen

URL پایه و احراز هویت

پیکربندی SDK موجود خود را بلافازمه به نقطه پایانی ما متصل کنید. کلاینت خود را به URL پایه اختصاصی متصل کرده و کلیدی که در داشبورد ما تولید شده است را وارد کنید. ما از احراز هویت با هدر استاندارد استفاده می‌کنیم، بنابراین نیازی به راه‌اندازی پیچیده نیست.

endpoint HTTPS://api.abliteratedqwen.com/v1 است. یک حساب از طریق Google یا ایمیل ایجاد کنید، سپس کلید خود را از داشبورد دریافت کنید. این کلید را در هدر Authorization به عنوان یک توکن Bearer برای هر درخواست استفاده کنید.

• URL پایه: HTTPS://api.abliteratedqwen.com/v1
• هدر Auth: Authorization: Bearer YOUR_API_KEY

برای ثبت‌نام نیاز به شماره تلفن نیست و کلید بلافاصله پس از ایجاد ظاهر می‌شود.

نقطه پایانی تکمیل چت

پیام‌های متنی ارسال کنید و پاسخ‌های بدون محدودیت دریافت کنید و از endpoint استاندارد chat-completions استفاده کنید. این endpoint تمام نیازهای تولید متن شما را بدون فیلترهای محتوایی معمول مدیریت می‌کند. این دقیقاً مانند رابط کاربری OpenAI عمل می‌کند، اما لایه رد کردن (refusal) را حذف می‌کند.

درخواست POST را به /v1/chat/completions ارسال کنید و نام مدل و تاریخچه مکالمه خود را وارد کنید. سیستم ورودی را پردازش کرده و متن تولیدشده را برمی‌گرداند. می‌توانید از هر کتابخانه استاندارد برای قالب‌بندی پیکربندی JSON استفاده کنید.

در اینجا یک درخواست پایه برای شروع آورده شده است:

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"}]
  }'

پاسخ شامل جزئیات کامل تکمیل است. می‌توانید آن را مستقیماً در برنامه‌های خود ادغام کنید.

پاسخ‌های استریم و مصرف توکن

دریافت به‌روزرسانی‌های توکن‌به‌توکن به‌صورت بلادرنگ از طریق رویدادهای ارسالی سرور. این ویژگی تجربه کاربری روان‌تری در رابط‌های چت فراهم می‌کند. می‌توانید معیارهای مصرف را مستقیماً از قطعه نهایی جریان ردیابی کنید.

پارامتر stream را روی true در درخواست خود تنظیم کنید. سرور چندین شیء JSON ارسال می‌کند، که هر کدام شامل یک دلتای جزئی هستند. قطعه آخر شامل استفاده کل توکن برای درخواست است.

از این کد برای مدیریت پاسخ‌های جریان‌دار (streaming) در پایتون استفاده کنید:

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)

این رویکرد تأخیر ادراک‌شده را به‌طور قابل‌توجهی کاهش می‌دهد. کاربران متن را می‌بینند که هنگام تولید ظاهر می‌شود.

فراخوانی تابع و ابزارها

فعال‌سازی استفاده پویا از ابزارها با تعریف توابع در درخواست شما. مدل می‌تواند ابزارها را بر اساس زمینه انتخاب و اجرا کند. این قابلیت اجازه می‌دهد تا جریان‌های کاری پیچیده و بازیابی داده انجام شود.

ابزارهای خود را در آرایه tools تعریف کنید. tool_choice را روی auto یا نام یک تابع خاص تنظیم کنید. مدل در صورت مناسب بودن، با یک فراخوانی ابزار پاسخ خواهد داد.

منطق ابزار را در کد کلاینت خود پیاده‌سازی کنید. tool_call_id را تجزیه کنید و تابع را اجرا کنید. سپس نتیجه را برای پاسخ نهایی به مدل ارسال کنید.

از این مثال Node.js برای راه‌اندازی فراخوانی تابع (function calling) استفاده کنید:

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);

این قابلیت هم انتخاب ابزار خودکار و هم دستی را پشتیبانی می‌کند.

حالت JSON برای خروجی ساختاریافته

مدل را مجبور به خروجی JSON معتبر برای پارس‌کردن قابل‌اعتماد کنید. این حالت اطمینان حاصل می‌کند که پاسخ دقیقاً با اسکیمای شما مطابقت دارد. این حالت برای یکپارچه‌سازی API و وظایف استخراج داده ایده‌آل است.

پارامتر response_format را روی json_object تنظیم کنید. مدل خروجی خود را به سینتکس JSON معتور محدود می‌کند. این نیاز به تجزیه با regex پیچیده را کاهش می‌دهد.

ساختار مورد انتظار خود را در system prompt تعریف کنید. مدل به‌دقت از آن پیروی می‌کند. این برای تولید داده‌های ساختاریافته یا فایل‌های پیکربندی مفید است.

پارامترها: دما، Top P و Stop

تصادفی بودن و شرایط توقف تولید را کنترل کنید. دما را برای خلاقیت، top_p برای تنوع و دنباله‌های توقف برای قطع دقیق تنظیم کنید. این پارامترها کنترل دقیقی بر خروجی به شما می‌دهند.

دمای را بین 0 و 2 تنظیم کنید. مقادیر بالاتر تصادفی‌سازی را افزایش می‌دهند. از top_p برای محدود کردن مخزن توکن استفاده کنید. توالی‌های توقف را تعریف کنید تا تولید را در نشانگرهای خاص متوقف کنید.

همچنین می‌توانید presence_penalty و frequency_penalty را تنظیم کنید تا تکرار توکن‌ها را تحت تأثیر قرار دهید. این تنظیمات به بهبود سبک و ثبات خروجی کمک می‌کنند.

در اینجا یک مثال استریمینگ برای مشاهده این پارامترها در عمل آورده شده است:

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)

با این مقادیر آزمایش کنید تا بهترین تعادل را برای مورد استفاده خود بیابید.