Ablitererad Qwen API-snabbstart

Bas URL och autentisering

Anslut din befintliga SDK-konfiguration till vår slutpunkt direkt. Peaka din klient mot den dedikerade bas-URL:en och ange nyckeln som genererats i vårt dashboard. Vi använder standardautentisering via header, så ingen komplex konfiguration krävs.

Slutpunkten är HTTPS://api.abliteratedqwen.com/v1. Skapa ett konto via Google eller e-post, och hämta sedan din nyckel från kontrollpanelen. Använd denna nyckel i Authorization-huvudet som en Bearer-token för varje begäran.

• Bas URL: HTTPS://api.abliteratedqwen.com/v1
• Auth-huvud: Authorization: Bearer YOUR_API_KEY

Inget telefonnummer krävs för registrering, och nyckeln visas omedelbart vid skapande.

Slutpunkt för chattkomplettering

Skicka textmeddelanden och få obegränsade svar med standard chattkompletterings-slutpunkten. Denna slutpunkt hanterar alla dina textgenereringsbehov utan vanliga innehållsfilter. Den fungerar identiskt med OpenAI-chattgränssnittet men tar bort avlagslaget.

Skicka en POST-begäran till /v1/chat/completions med ditt modellnamn och konversationshistorik. Systemet bearbetar inmatningen och returnerar den genererade texten. Du kan använda vilken standardbibliotek som helst för att formatera JSON-payloaden.

Här är en grundläggande begäran för att komma igång:

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"}]
  }'

Svaret innehåller alla detaljer om slutförandet. Du kan integrera detta direkt i dina applikationer.

Strömningsresponser och tokenanvändning

Ta emot token-för-token-uppdateringar i realtid via Server-Sent Events. Denna funktion ger en smidigare användarupplevelse i chattgränssnitt. Du kan spåra användningsmetrik direkt från den sista chunken av strömmen.

Ställ in stream-parametern till true i din förfrågan. Servern skickar flera JSON-objekt, var och en innehållande en delvis delta. Den sista chunken innehåller total tokenanvändning för förfrågan.

Använd den här koden för att hantera strömmning i 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)

Denna metod minskar den upplevda latensen avsevärt. Användare ser texten dyka upp när den genereras.

Funktionsanrop och verktyg

Aktivera dynamisk verktygsanvändning genom att definiera funktioner i din begäran. Modellen kan välja och exekvera verktyg baserat på kontexten. Denna funktion möjliggör komplexa arbetsflöden och datahämtning.

Definiera dina verktyg i tools-arrayen. Ställ in tool_choice till auto eller ett specifikt funktionsnamn. Modellen kommer att svara med ett verktygsanrop om det är lämpligt.

Implementera verktygslogiken i din klientkod. Parsa tool_call_id och kör funktionen. Skicka sedan tillbaka resultatet till modellen för ett slutgiltigt svar.

Använd detta Node.js-exempel för att konfigurera funktionsanrop:

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);

Denna funktion stöder både automatiskt och manuellt verktygsval.

JSON-läge för strukturerade utdata

Tvinga modellen att returnera giltig JSON för pålitlig parsing. Detta läge säkerställer att svaret matchar ditt schema exakt. Det är idealiskt för API-integrationer och dataextraktion.

Ställ in response_format-parametern till json_object. Modellen kommer att begränsa sitt utdata till giltig JSON-syntax. Detta minskar behovet av komplex regex-parsning.

Definiera din förväntade struktur i systemprompten. Modellen kommer att följa den strikt. Detta är användbart för att generera strukturerad data eller konfigurationsfiler.

Parametrar: Temperatur, Top P och Stop

Styr slumpmässigheten och stoppvillkoren för genereringen. Justera temperaturen för kreativitet, top_p för mångfald och stoppsekvenser för exakt avklippning. Dessa parametrar ger dig finmaskig kontroll över utmatningen.

Ställ in temperatur mellan 0 och 2. Högre värden ökar slumpmässigheten. Använd top_p för att begränsa tokenpoolen. Definiera stoppsekvenser för att avbryta genereringen vid specifika markörer.

Du kan också ställa in presence_penalty och frequency_penalty för att påverka tokenupprepning. Dessa inställningar hjälper till att förfinar stil och konsekvens i utdata.

Här är ett streaming-exempel för att se dessa parametrar i aktion:

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)

Experimentera med dessa värden för att hitta bästa balansen för ditt användningsfall.