Schnellstartanleitung für die unzensierte API

Basis-URL und Authentifizierung

Richten Sie Ihr SDK oder Ihren HTTP-Client auf die Basis-URL https://api.uncensoredllmmodels.com/v1. Sie benötigen einen gültigen API-Schlüssel, der im Authorization Header als Bearer-Token. Erstellen Sie ein Konto mit Google oder E-Mail, und das System zeigt Ihren Schlüssel sofort an. Ein aktiver Schlüssel pro Konto vereinfacht die Rotation ohne komplexe Proxy-Einrichtungen.

Copycurl https://api.uncensoredllmmodels.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Generate a list of 5 Python libraries for async web scraping"}]
  }'

Erste Anfrage über Chat-Vervollständigungen

Senden Sie eine POST-Anfrage an /v1/chat/completions mit der Modell-ID, die auf uncensored. Der Endpunkt akzeptiert Standard-OpenAI-Nutzlaststrukturen für Text-ein, Text-aus-Interaktionen. Sie können max_tokens die Ausgabelänge zu steuern, mit einem Standardwert von 2,048, wenn weggelassen. Das Modell antwortet mit generiertem Text, ohne typische Sicherheitsablehnungen für legale erwachsene Inhalte anzuwenden.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.uncensoredllmmodels.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)

Überprüfen Sie Ihren Modellendpunkt

Verwenden Sie die GET /v1/models Endpunkt zur Bestätigung der Konnektivität und zur Auflistung verfügbarer Modelle. Dies gibt Metadaten über das unzensierte Modell zurück und stellt sicher, dass Ihr Client korrekt konfiguriert ist. Dies ist eine schnelle Integritätsprüfung, bevor Sie die API in Ihre Automatisierungspipelines integrieren. Dieser spezifische Endpunkt bedient keine anderen Modelle.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.uncensoredllmmodels.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);

Function Calling und JSON-Modus

Die API unterstützt Tool-Definitionen und den JSON-Modus über response_format. Sie können strukturierte Ausgaben verwenden, indem Sie {"type": "json_object"} für zuverlässiges Parsing in Ihrem Code. Function Calling ermöglicht es dem Modell, strukturierte Daten für Automatisierungsaufgaben zurückzugeben. Dies eliminiert die Notwendigkeit von Post-Processing-Regex-Hacks für rohe Textausgaben.

Streaming-Antworten und Token-Nutzung

Aktivieren Sie Streaming, indem Sie stream: true in Ihrer Anfrage. Die API sendet Server-Sent Events (SSE)-Chunks, während das Modell Text generiert. Token-Nutzungsstatistiken erscheinen im letzten Chunk des Streams. Dies ermöglicht es Ihrer Anwendung, Kosten und Kontextfenster-Verbrauch in Echtzeit zu verfolgen.

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)

Ratenlimits, Fehler und Kontextfenster

Jeder Schlüssel erlaubt 300 Anfragen pro Minute und acht gleichzeitige Anfragen. Das Kontextfenster unterstützt insgesamt 100.000 Tokens, mit einem maximalen Output von 16.000 Tokens. Fehler umfassen 401 für ungültige Schlüssel und 402, wenn das prepaid-Guthaben aufgebraucht ist. Anfragen unter 8 MB werden akzeptiert. Ablehnungen aufgrund der Inhaltsrichtlinie sind selten, gelten aber für leichte sexuelle Inhalte.