Model apis quickstart-guide

Autentificering og Base URL

Endpointet findes på https://api.modelapis.cc/v1. Send din nøgle i Authorization header som en bearer-token. Systemet afviser anmodninger med ugyldige nøgler via 401-fejl og blokerer forsøg på at forbruge kredit, du ikke har, med 402-svar. Du kan generere en ny nøgle straks på dashboardet, og den gamle nøgle bliver inaktiv øjeblikkeligt.

At sende en Chat Completion

Send en POST-forespørgsel til /v1/chat/completions med din beskedhistorik. Model-ID'et er "uncensored" og det accepterer standardparametre som temperature og top_p. Denne opsætning fungerer med ethvert klient, der taler OpenAI-protokollen, herunder Cursor og andre udviklingsværktøjer.

Copycurl https://api.modelapis.cc/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "get current unix timestamp"}]
  }'

Tjek svaret for content felt inde i assistentmeddelelsen. Hvis du overskrider din rategrænse, returnerer API'et en 429-statuskode. Du kan overvåge din resterende balance direkte i dashboardet uden at skulle parse headers manuelt.

Streaming-svar via SSE

Aktivér streaming ved at indstille stream: true i din anmodningskrop. API'et returnerer Server-Sent Events (SSE), der indeholder delvise tekstchunks. Denne tilgang er ideel til at bygge chatgrænseflader, der gengiver tekst, mens den genereres.

Copyfrom openai import OpenAI

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

Hver chunk indeholder kun et fragment af det endelige svar. Den sidste chunk indeholder de fulde token-brugsstatistikker for requestet. Dette giver dig mulighed for at spore omkostninger i realtid uden at vente på, at hele genereringen er færdig.

Function Calling og værktøjer

Definér dine værktøjer i tools parameter og indstil tool_choice til auto. Modellen returnerer strukturerede værktjskald, når det er passende, hvilket giver din applikation mulighed for at eksektere eksterne funktioner. Denne funktion fungerer sømløst med standard OpenAI SDKs.

Copyimport OpenAI from "openai";

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

Parser den tool_calls array i assistentmeddelelsen for at udløse din backend-logik. Du kan derefter sende resultaterne tilbage til samtalen som værkturesspons. Denne cyklus giver mulighed for komplekse agentic-arbejdsgange uden at forlade API'et.

JSON-tilstandshåndhævelse

Indstil response_format til {"type": "json_object"} tvinge modellen til at outputte gyldig JSON. Dette er afgørende for applikationer, der parser responsset programmatisk. Modellen vil overholde denne begrænsning strengt.

Brug denne tilstand, når du har brug for forudsigelige strukturer til dine datapipelines. Det reducerer behovet for post-processing regex-hacks. Modellen forbliver uncensored selv i JSON-tilstand og leverer rå data uden indholdsfiltre.

Token-grænser og kontekstvindu

Kontekstvinduet understøtter op til 100.000 tokens for både prompt og completion tilsammen. Du kan anmode om op til 16.000 output-tokens pr. anmodning. Hvis du ikke angiver max_tokens, standardindstillingen er 2.048 tokens.

Anmodninger er begrænset til 300 i minuttet per nøgle. Den maksimale anmodningskropsstørrelse er 8 MB. Disse grænser sikrer stabil ydeevne til højvolumenbrug. Fejl og afvisninger forbruger ikke din forudbetalte kredit, så du betaler kun for succesfulde generationer.

Streaming

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)