Documentation API & Démarrage rapide

URL de base et authentification

Commencez par définir l'URL de base sur HTTPS://api.uncensoredal.com/v1 et transmettez votre clé API dans l'en-tête Authorization. Vous recevez une clé active par compte, et la génération d'une nouvelle clé invalide instantanément la précédente. Cette configuration simple fonctionne avec n'importe quel client compatible OpenAI sans logique de routage complexe.

Copycurl https://api.uncensoredal.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Generate the next 50 lines of a python script"}]
  }'

L'endpoint est strictement réservé aux complétions de chat, vous n'avez donc pas besoin de gérer le routage des modèles. Chaque requête doit inclure l'identifiant de modèle « uncensored » pour garantir que vous atteignez le serveur d'infrastructure correct. Les échecs d'authentification renvoient un statut 401 si la clé est manquante ou invalide.

Point de terminaison Chat Completions

Envoyez une requête POST à /v1/chat/completions avec votre historique de messages dans le tableau messages. Le système traite l'entrée textuelle et renvoie du texte généré sans refus de contenu pour une utilisation adulte légale. Vous devez spécifier le modèle comme "uncensored" dans votre charge utile pour assurer la compatibilité.

Copyfrom openai import OpenAI

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

Les requêtes sont facturées en fonction de l'utilisation réelle des tokens, les erreurs et les refus restant gratuits. Ce modèle prépayé signifie que vous ne payez que ce que vous consommez. Le point d'entrée prend en charge les paramètres standard comme temperature et top_p pour contrôler l'aléatoire de la sortie.

Réponses en streaming avec SSE

Activez le streaming en définissant stream sur true dans le corps de votre requête pour recevoir des jetons via Server-Sent Events. Chaque chunk inclut des statistiques d'utilisation des jetons dans le dernier chunk, vous permettant de suivre les coûts en temps réel. Cette approche réduit la latence perçue pour les générations longues.

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)

Utilisez le streaming lors de la création d'interfaces de chat qui doivent afficher le texte au fur et à mesure de sa génération. L'API renvoie des événements de flux standard compatibles OpenAI, facilitant l'intégration avec les bibliothèques UI existantes. Vous pouvez arrêter le flux prématurément si l'utilisateur modifie son entrée.

Appel de fonction et mode JSON

Définissez les outils dans votre requête pour activer l'appel de fonctions ou forcer la sortie JSON en utilisant response_format. L'API prend en charge tool_choice pour un contrôle précis du moment où le modèle doit invoquer une fonction. Cette fonctionnalité fonctionne avec le schéma standard OpenAI, vous pouvez donc réutiliser vos définitions d'outils existantes.

Copyimport OpenAI from "openai";

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

Le mode JSON garantit que la sortie est du JSON valide, utile pour analyser les données structurées programmatiquement. Vous pouvez combiner cela avec les paramètres de température pour équilibrer créativité et fiabilité structurelle. L'API gère la logique d'exécution des outils en renvoyant les détails de l'appel de fonction pour que votre code les traite.

Configuration des paramètres du modèle

Configurez des paramètres comme la température, top_p, les séquences d'arrêt et seed pour contrôler le comportement de génération. La fenêtre de contexte prend en charge 100 000 tokens pour le prompt et la complétion combinés. La sortie maximale est plafonnée à 16 000 tokens par requête, ou 2 048 si vous ne spécifiez pas max_tokens.

Vous pouvez utiliser presence_penalty et frequency_penalty pour réduire les répétitions dans les textes longs. Ces paramètres permettent de peaufiner le style du modèle sans modifier les poids sous-jacents. Ajustez-les progressivement pour trouver le bon équilibre pour votre cas d'utilisation spécifique.

Limites, Erreurs et Contexte

Les limites de débit sont fixées à 300 requêtes par minute et 8 requêtes simultanées par clé. Les corps de requête sont limités à 8 Mo, il faut donc gérer soigneusement les grandes fenêtres de contexte. Les erreurs incluent 401 pour les clés invalides, 402 pour le crédit insuffisant et 429 pour les limites de débit.

Le crédit n'expire jamais, vous pouvez ainsi suspendre l'utilisation entre les pics sans perdre de fonds. Si vous atteignez la limite de simultanéité, réessayez avec un backoff exponentiel. La fenêtre de contexte de 100 000 tokens permet de conserver un historique étendu, mais veillez à respecter les limites de sortie pour éviter les troncatures.