Início Rápido da API Abliterated Qwen

URL Base e Autenticação

Conecte a configuração do seu SDK existente ao nosso endpoint imediatamente. Direcione seu cliente para a URL base dedicada e forneça a chave gerada no nosso painel. Utilizamos autenticação por cabeçalho padrão, portanto, nenhuma configuração complexa é necessária.

O endpoint é HTTPS://api.abliteratedqwen.com/v1. Crie uma conta via Google ou e-mail, depois recupere sua chave no painel. Use esta chave no cabeçalho Authorization como token Bearer para cada solicitação.

• URL Base: HTTPS://api.abliteratedqwen.com/v1
• Cabeçalho de Autenticação: Authorization: Bearer SUA_CHAVE_API

Nenhum número de telefone é necessário para o cadastro, e a chave aparece instantaneamente após a criação.

Endpoint Chat Completions

Envie mensagens de texto e receba respostas sem restrições usando o endpoint padrão de chat-completions. Este endpoint lida com todas as suas necessidades de geração de texto sem os filtros de conteúdo habituais. Ele funciona de forma idêntica à interface de chat do OpenAI, mas remove a camada de recusa.

Envie uma solicitação POST para /v1/chat/completions com o nome do seu modelo e histórico de conversas. O sistema processa a entrada e retorna o texto gerado. Você pode usar qualquer biblioteca padrão para formatar o payload JSON.

Aqui está uma solicitação básica para começar:

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"}]
  }'

A resposta contém todos os detalhes da conclusão. Você pode integrar isso diretamente aos seus aplicativos.

Respostas em Streaming e Uso de Tokens

Receba atualizações token por token em tempo real via Server-Sent Events. Este recurso permite uma experiência de usuário mais fluida em interfaces de chat. Você pode rastrear métricas de uso diretamente do último chunk do stream.

Defina o parâmetro stream como true na sua solicitação. O servidor enviará vários objetos JSON, cada um contendo um delta parcial. O último chunk inclui o uso total de tokens para a solicitação.

Use este código para lidar com streaming em 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)

Esta abordagem reduz significativamente a latência percebida. Os usuários veem o texto aparecer conforme é gerado.

Chamada de Função e Ferramentas

Ativar uso dinâmico de ferramentas definindo funções na sua solicitação. O modelo pode selecionar e executar ferramentas com base no contexto. Essa capacidade permite fluxos de trabalho complexos e recuperação de dados.

Defina suas ferramentas no array tools. Defina tool_choice como auto ou um nome de função específico. O modelo responderá com uma chamada de ferramenta, se apropriado.

Implemente a lógica da ferramenta no código do seu cliente. Analise o tool_call_id e execute a função. Em seguida, envie o resultado de volta para o modelo para uma resposta final.

Use este exemplo em Node.js para configurar a chamada de função:

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);

Este recurso suporta seleção de ferramentas automática e manual.

Modo JSON para Saída Estruturada

Força o modelo a gerar JSON válido para análise confiável. Este modo garante que a resposta corresponda exatamente ao seu esquema. É ideal para integrações de API e tarefas de extração de dados.

Defina o parâmetro response_format como json_object. O modelo restringirá sua saída à sintaxe JSON válida. Isso reduz a necessidade de análise complexa por regex.

Defina a estrutura esperada no prompt do sistema. O modelo seguirá isso estritamente. Isso é útil para gerar dados estruturados ou arquivos de configuração.

Parâmetros: Temperatura, Top P e Parada

Controle a aleatoriedade e as condições de parada da geração. Ajuste a temperatura para criatividade, top_p para diversidade e sequências de parada para truncamento preciso. Esses parâmetros oferecem controle fino sobre a saída.

Defina temperature entre 0 e 2. Valores mais altos aumentam a aleatoriedade. Use top_p para limitar o pool de tokens. Defina sequências stop para interromper a geração em marcadores específicos.

Você também pode definir presence_penalty e frequency_penalty para influenciar a repetição de tokens. Essas configurações ajudam a refinar o estilo e a consistência da saída.

Aqui está um exemplo de streaming para ver esses parâmetros em ação:

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)

Experimente esses valores para encontrar o melhor equilíbrio para o seu caso de uso.