Modell-APIs: Hosted vs. selbstgehostete LLMs erklärt
Modell-APIs sind Web-Endpunkte, die einen Prompt entgegennehmen und die Antwort des Modells zurückgeben, sodass du die Gewichte nicht selbst ausführen musst. Diese Seite erklärt die Optionen, die Kompromisse und wann ein Pay-per-Token-Endpunkt die bessere Wahl ist.

Was eine Modell-API tatsächlich ist
Eine Modell-API verbirgt ein großes neuronales Netz hinter einer einfachen HTTP-Anfrage. Du sendest eine Liste von Nachrichten, der Server führt das Modell auf seiner eigenen Hardware aus und du erhältst den generierten Text als JSON oder als Stream. Dein Code berührt nie Gewichte, Treiber oder CUDA. Wenn Leute nach Modell-APIs suchen, ist dies der Vertrag, den sie wollen: eine stabile URL, ein Authentifizierungs-Header und eine vorhersehbare Rechnung.
Zwei Details entscheiden darüber, wie sich der Endpunkt in der Praxis anfühlt. Das erste ist das Drahtformat. Die meisten Tools sprechen heute das OpenAI-Chat-Format, daher funktioniert ein Endpunkt, der es kopiert, mit bestehenden SDKs, Frameworks und Chat-Frontends. Das zweite ist das Modell hinter der URL: seine Größe, sein Kontextfenster und wie es mit sensiblen Anfragen umgeht. Das Drahtformat ist leicht zu vergleichen. Das Verhalten des Modells benötigt einen echten Test.
Eine Modell-API ist auch eine Abrechnungsbeziehung. Du mietest Inferenzzeit, gemessen in Token, statt eine Maschine zu besitzen. Diese eine Änderung verschiebt die Kosten von einer festen monatlichen Zahl zu einem Betrag, der deinem Datenverkehr folgt.
Eine weitere Eigenschaft prägt alles, was folgt: Die API ist zustandslos. Der Server behält kein Gedächtnis deiner Konversation zwischen Aufrufen. Wenn du möchtest, dass das Modell sich die letzten fünf Nachrichten merkt, sendet dein Code alle fünf mit der nächsten Anfrage erneut. Das ist der Grund, warum Token-Anzahlen wachsen, während ein Chat läuft, und warum die Art, wie du den Verlauf verwaltest, deine Rechnung bestimmt.
Drei Wege, um Antworten von einem Modell zu erhalten
Es gibt drei gängige Setups, und jedes passt zu einem anderen Team.
| Option | Du führst | Du zahlst für | Am besten wenn |
|---|---|---|---|
| Vendor-API vom Hersteller des Modells aus | Nichts | Token, zum Preisverzeichnis des Anbieters | Du benötigst das spezifische Modell dieses Anbieters |
| Gehosteter Open-Weight-Endpunkt | Nichts | Token, zum Preisverzeichnis des Hosts | Du möchtest ein Open-Modell, ohne es zu betreiben |
| Selbstgehostet auf deiner eigenen GPU | Alles | Hardware, Strom, deine Zeit | Du benötigst volle Kontrolle oder Offline-Nutzung |
Die mittlere Reihe ist der Standort dieser Seite. Wir hosten ein Open-Weight-Modell, das von einem unabhängigen Anbieter betrieben wird, und stellen es über eine OpenAI-kompatible Schnittstelle zur Verfügung. Es ist nicht die offizielle API eines Modellherstellers und leitet nicht zwischen Anbietern weiter. Wenn du das Modell eines bestimmten Herstellers benötigst, gehe zu diesem Hersteller. Wenn du ein offenes Modell benötigst, das bei rechtmäßiger Erwachsennutzung ohne Inhaltsablehnungen antwortet, ist ein gehosteter Open-Weight-Endpunkt der kurze Weg.
Was Selbst-Hosting wirklich kostet
Das Ausführen eines Modells selbst sieht kostenlos aus, sobald der Download abgeschlossen ist, was es so für viele erste Projekte attraktiv macht. Die Kosten zeigen sich später an drei Stellen.
Speicher und Hardware
Ein Modell muss in den GPU-Speicher passen, zusammen mit seinem Arbeits-Cache für den Prompt. Größere Modelle und längere Kontexte benötigen mehr davon, und der Cache wächst mit jeder parallelen Anfrage. Eine Einrichtung, die für einen Benutzer schnell erscheint, kann stocken, wenn zehn Personen gleichzeitig Nachrichten senden.
Betrieb
Jemand muss den Server am Laufen halten, die Inferenz-Software aktualisieren, auf Out-of-Memory-Fehler (OOM) achten und entscheiden, was passiert, wenn die GPU ausgelastet ist. Dieser jemand bist meist du, nachts, wenn ein Benutzer einen Timeout meldet.
Leerlaufzeit
Eine GPU kostet gleich viel, ob sie eine Anfrage pro Stunde oder eine pro Sekunde beantwortet. Kleine Apps mit ungleichmäßigem Datenverkehr zahlen für viel leere Rechenleistung. Lokale Tools wie Ollama sind hervorragend für die Entwicklung und private Experimente, und unser Artikel über häufige Ollama-API-Fehler behandelt die Probleme, auf die Leute stoßen, wenn sie Produktionscode damit verknüpfen.
Den Vertrag einer Modell-API lesen
Bevor du dich für einen Endpunkt entscheidest, sammle fünf Fakten: die Base URL, die Modell-ID, wie die Authentifizierung funktioniert, welche Methoden existieren und was die Limits sind. Für diesen Service sind sie kurz.
- Basis-URL:
https://api.modelapis.cc/v1 - Modell-ID:
uncensored - Auth:
Authorization: Bearer YOUR_API_KEY - Methoden:
POST /v1/chat/completions,POST /v1/responses,GET /v1/models - Kontext: 100.000 Token, Prompt und Completion zusammen
Mit diesen Informationen dauert ein erster Aufruf nur wenige Zeilen des Standard OpenAI Python SDK:
from openai import OpenAI
client = OpenAI(
base_url="https://api.modelapis.cc/v1",
api_key="YOUR_API_KEY",
)
reply = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Explain what a token is in two sentences."}],
)
print(reply.choices[0].message.content)
print(reply.usage)
Das usage-Feld ist es wert, von Anfang an ausgegeben zu werden. Es sagt dir genau, wie viele Input- und Output-Token der Aufruf verwendet hat, was die Zahl ist, aus der deine Rechnung besteht. Vollständige Parameterhinweise findest du in der API-Dokumentation.
So funktioniert die Abrechnung pro Token
Die Abrechnung hat zwei Zähler. Input-Token sind alles, was du sendest: der System-Prompt, der Gesprächsverlauf und die neue Nachricht. Output-Token sind das, was das Modell zurückschreibt. Hier sind die Preise $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token, abgerechnet vom Prepaid-Guthaben ohne Abonnement.
Ein Berechnungsbeispiel: Ein Chat-Turn sendet 2.000 Input-Token und empfängt 500 Output-Token.
- Input: 2.000 / 1.000.000 × $0,15 = $0,0003
- Output: 500 / 1.000.000 × $0,50 = $0,00025
- Gesamt: $0,00055 pro Durchlauf oder $0,55 pro 1.000 Durchläufe
Fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet, und Guthaben verfällt nie, sodass ein kleines Guthaben nicht verpufft, während du baust. Die Preisseite listet Aufladungsbeträge von $20 bis $500 und die Bonusstufen auf. Die Zahlung erfolgt nur in Krypto (USDT auf TRC20 oder USDC auf Base).
Wenn du mit einem anderen Anbieter vergleichen möchtest, nimm die Input- und Output-Preise von deren eigener Seite und führe dieselben zwei Rechenschritte durch. Prüfe die aktuellen Preise statt dich auf eine Zahl zu verlassen, die in einem Artikel kopiert wurde, da die Listenpreise sich ändern.
Bestehenden Code zu einem gehosteten Endpunkt migrieren
Wenn deine App bereits mit einer lokalen Laufzeit oder einem anderen OpenAI-ähnlichen Dienst kommuniziert, ist der Wechsel eine Konfigurationsänderung, kein Rewrite. Lege die drei variablen Teile in Umgebungsvariablen ab:
import os
from openai import OpenAI
client = OpenAI(
base_url=os.environ.get("LLM_BASE_URL", "https://api.modelapis.cc/v1"),
api_key=os.environ.get("LLM_API_KEY", "YOUR_API_KEY"),
)
MODEL = os.environ.get("LLM_MODEL", "uncensored")
reply = client.chat.completions.create(
model=MODEL,
messages=[{"role": "user", "content": "Ping"}],
)
print(reply.choices[0].message.content)
Für die lokale Entwicklung mit Ollama, das eine eigene OpenAI-ähnliche Route bereitstellt, setze LLM_BASE_URL auf deine lokale Adresse und LLM_MODEL auf den lokalen Modellnamen. Im Produktions-System lasse die Standardeinstellungen. Der gleiche Codepfad läuft an beiden Orten, was es einfach macht, offline zu prototypen und gegen ein gehostetes Modell zu deployen, ohne die Logik zu berühren.
Führe nach dem Wechsel deine Tests mit echten Prompts erneut aus. Ausgabestil, Länge und Ablehnungsverhalten hängen vom Modell ab, nicht vom Protokoll, sodass ein bestandener Integrationstest dir nicht sagt, ob die Antworten das sind, was dein Produkt benötigt.
Wenn ein Pay-per-Token-Endpunkt gewinnt
Gehosteter Token-basierter Zugriff schlägt in vier Situationen meist eine eigene GPU:
- Ungleicher Traffic. Ein Side-Projekt, ein Discord-Bot oder eine Beta mit einigen Dutzend Nutzern gibt Geld nur aus, wenn jemand eine Nachricht sendet.
- Keine Ops-Kapazität. Wenn niemand im Team einen Inference-Server betreuen will, ist Mieten günstiger als die Stunden, die es spart.
- Bestehender OpenAI-Code. Der Wechsel ist eine Basis-URL und ein Schlüssel. Du behältst dein SDK, deine Retry-Logik und deine Tests.
- Prototyping-Geschwindigkeit. Du kannst testen, ob das Verhalten des Modells zu deinem Produkt passt, an einem Nachmittag, bevor du Hardware kaufst.
Es verliert, wenn deine Last konstant und hoch genug ist, um eine GPU rund um die Uhr auszulasten, wenn Daten das Netzwerk nicht verlassen dürfen oder wenn du Funktionen benötigst, die dieser Dienst nicht anbietet. Wir sind nur Text: keine Bild-, Audio- oder Videoerzeugung, keine Embeddings und kein Fine-Tuning. Dafür nutze ein anderes Tool neben diesem hier.
Checkliste vor der Auswahl
- Spricht es das OpenAI-Format, einschließlich Streaming und Tool Calling, sodass dein Client-Code unverändert bleibt?
- Ist die Modell-ID stabil, und ist klar, wer das Modell betreibt?
- Was ist das Kontextfenster, und teilt sich die Completion mit dem Prompt?
- Wie hoch sind die Raten- und Concurrency-Limits, und was gibt die API zurück, wenn du sie erreichst?
- Zahlst du für fehlgeschlagene Anfragen?
- Wie werden Prompts verarbeitet? Hier werden sie nicht zum Training verwendet.
- Wie zahlst du, und kannst du klein anfangen? Ein neues Konto kann $0,50 Testguthaben mit einem Klick auf der API-Schlüssel-Seite beanspruchen, ohne dass eine Karte benötigt wird.
Führe einen zehnminütigen Test mit deinen echten Prompts durch, bevor du dich entscheidest. Das Verhalten auf deinen eigenen Inhalten sagt dir mehr als jede Feature-Liste.
Datenschutz und Schlüssel
Eine gehostete API bedeutet, dass deine Prompts zu einem Server eines anderen Unternehmens gesendet werden. Das ist die Hauptkomponente, die du im Vergleich zum Ausführen des Modells auf deiner eigenen Maschine aufgibst, und das sollte eine bewusste Entscheidung sein. Hier werden Prompts nicht zum Training verwendet. Betrachte dennoch jede Anfrage als Daten, die dein Netzwerk verlassen: Sende keine Geheimnisse, privaten Schlüssel oder persönliche Daten anderer, es sei denn, du hast einen Grund und das Recht dazu.
Schlüssel verdienen die gleiche Sorgfalt. Du kannst einen Schlüssel jederzeit von der API-Schlüssel-Seite neu generieren, und der alte funktioniert sofort nicht mehr. Konten, die aufgeladen haben, können bis zu 5 Schlüssel halten, sie benennen und jeden widerrufen, also gib jeder App oder jedem Umfeld einen eigenen. Wenn einer geleakt wird, ersetzt du ihn in Sekunden und nichts anderes geht kaputt.
Weitere Anleitungen
Häufige Fragen
Was ist eine Modell-API?
Eine Modell-API ist ein HTTP-Endpunkt, der einen Prompt oder eine Liste von Nachrichten annimmt und von einem Sprachmodell generierten Text zurückgibt. Du zahlst pro Token statt das Modell auf deiner eigenen Hardware auszuführen.
Ist eine gehostete API günstiger als das lokale Ausführen eines Modells?
Für kleinen oder ungleichen Traffic ist es meist günstiger, weil du nur für genutzte Token zahlst und keine Leerlauf-GPU-Zeit trägst. Bei konstanter hoher Last auf Hardware, die du bereits besitzt, kann lokal günstiger sein.
Kann ich das OpenAI SDK mit dieser API verwenden?
Ja. Stelle die Basis-URL auf https://api.modelapis.cc/v1, verwende deinen Schlüssel als Bearer-Token und stelle das Modell auf uncensored.
Verarbeitet der Endpunkt Bilder oder Embeddings?
Nein. Es ist nur Text, mit Chat-Completion, der responses-Methode und einer Modellliste.
Greife sofort auf deinen Schlüssel zu
Melde dich an, rufe deinen Schlüssel ab, aktualisiere deine Basis-URL. Das ist alles.