Abliterated Qwen API 快速入门

基础 URL 和认证

立即将您现有的 SDK 配置连接到我们的端点。将客户端指向专用的基础 URL，并输入在控制台中生成的密钥。我们使用标准头部认证，因此无需复杂的设置。

端点是 HTTPS://api.abliteratedqwen.com/v1。通过 Google 或电子邮件创建账户，然后从仪表板获取你的密钥。在每次请求的 Authorization 头中，将此密钥用作 Bearer 令牌。

• 基础 URL：HTTPS://api.abliteratedqwen.com/v1
• Auth 标头：Authorization: Bearer YOUR_API_KEY

注册无需手机号码，密钥在创建后立即显示。

聊天完成端点

使用标准聊天补全端点发送文本消息并接收不受限制的回复。此端点处理所有文本生成需求，无需通常的内容过滤器。它与 OpenAI 聊天界面工作方式相同，但移除了拒绝层。

向 /v1/chat/completions 发送 POST 请求，附带你的模型名称和对话历史。系统处理输入并返回生成的文本。你可以使用任何标准库来格式化 JSON 负载。

以下是开始使用的基本请求：

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"}]
  }'

响应包含完整的补全详情。你可以将其直接集成到你的应用程序中。

流式响应与 Token 用量

通过服务器发送事件实时接收逐令牌更新。此功能可为聊天界面提供更流畅的用户体验。您可以直接从流的最后一个块跟踪使用指标。

在请求中将 stream 参数设置为 true。服务器将发送多个 JSON 对象，每个对象包含一个部分 delta。最后一个 chunk 包含请求的总 token 用量。

使用此代码在 Python 中处理流式传输：

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)

此方法显著降低了感知延迟。用户可以看到文本在生成时逐字出现。

函数调用与工具

通过在请求中定义函数来启用动态工具使用。模型可以根据上下文选择并执行工具。此功能允许复杂的工作流和数据检索。

在 tools 数组中定义您的工具。将 tool_choice 设置为 auto 或特定的函数名。如果合适，模型将响应工具调用。

在客户端代码中实现工具逻辑。解析 tool_call_id 并执行函数。然后将结果发送回模型以获取最终响应。

使用此 Node.js 示例设置函数调用：

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);

此功能支持自动和手动工具选择。

用于结构化输出的 JSON 模式

强制模型输出有效的 JSON 以便可靠解析。此模式确保响应完全符合您的架构。它非常适合 API 集成和数据提取任务。

将 response_format 参数设置为 json_object。模型将限制其输出为有效的 JSON 语法。这减少了对复杂正则表达式解析的需求。

在系统提示中定义你的预期结构。模型将严格遵循它。这对于生成结构化数据或配置文件非常有用。

参数：Temperature、Top P 和 Stop

控制生成的随机性和停止条件。调整 temperature 以获得创造性，top_p 以增加多样性，stop sequences 以实现精确截断。这些参数让您对输出进行细粒度控制。

将 temperature 设置在 0 到 2 之间。较高的值会增加随机性。使用 top_p 限制令牌池。定义停止序列以在特定标记处终止生成。

您还可以设置 presence_penalty 和 frequency_penalty 来影响 Token 重复。这些设置有助于优化输出的风格和一致性。

以下是展示这些参数作用的流式传输示例：

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)

实验这些值，为你的用例找到最佳平衡。