Modell-API:s snabbstartsguide

Autentisering och bas-URL

Slutpunkten finns vid https://api.modelapis.cc/v1. Skicka din nyckel i Authorization header som ett bearer-token. Systemet avvisar begäranden med ogiltiga nycklar via 401-fel och blockerar försök att spendera kredit du inte har med 402-svar. Du kan generera en ny nyckel omedelbart på dashboarden, och den gamla blir inaktiv omedelbart.

Skickar en chattslutförandeförfrågan

Skicka en POST-förfrågan till /v1/chat/completions med din meddelandehistorik. Modell-ID:et är "uncensored" och det accepterar standardparametrar som temperature och top_p. Denna konfiguration fungerar med vilken klient som helst som stöder OpenAI-protokollet, inklusive Cursor och andra utvecklarverktyg.

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"}]
  }'

Kontrollera svaret för content field inside the assistant message. If you exceed your rate limit, the API returns a 429 status code. You can monitor your remaining balance directly in the dashboard dashboard without needing to parse headers manually.

Strömningsresponser via SSE

Aktivera strömning genom att ställa in stream: true i din förfrågningskropp. API:et returnerar Server-Sent Events (SSE) som innehåller delvisa textbitar. Denna metod är idealisk för att bygga chattgränssnitt som renderar text när den genereras.

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)

Varje chunk innehåller endast en fragment av det slutgiltiga svaret. Den sista chunken innehåller fullständig tokenanvändningsstatistik för förfrågan. Detta gör att du kan spåra kostnader i realtid utan att vänta på att hela genereringen ska slutföras.

Funktionsanrop och verktyg

Definiera dina verktyg i tools parameter och ställ in tool_choice för auto. Modellen returnerar strukturerade verktygsanrop när det är lämpligt, vilket gör att din applikation kan utföra externa funktioner. Denna funktion fungerar sömlöst med standard OpenAI SDK:er.

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);

Analysera tool_calls array i assistentmeddelandet för att utlösa din backend-logik. Du kan sedan mata in resultaten tillbaka i konversationen som verktygsrespons. Denna cykel möjliggör komplexa agentic arbetsflöden utan att lämna API:et.

Upprätthållande av JSON-läge

Ställ in response_format för {"type": "json_object"} att tvinga modellen att returnera giltig JSON. Detta är avgörande för applikationer som tolkar svaret programmatiskt. Modellen kommer att följa denna begränsning strikt.

Använd detta läge när du behöver förutsägbara strukturer för dina datapipelines. Det minskar behovet av efterbehandlings-regex-hack. Modellen förblir obegränsad även i JSON-läge, vilket levererar rå data utan innehållsfilter.

Tokenbegränsningar och kontextfönster

Kontextrutan stöder upp till 100 000 tokens för både prompt och svar tillsammans. Du kan begära upp till 16 000 utmatningstokens per begäran. Om du inte anger max_tokens, är 2 048 tokens som standard.

Begäran är begränsade till 300 per minut per nyckel. Maximal storlek för begärkropp är 8 MB. Dessa gränser säkerställer stabil prestanda för högvolymbruk. Fel och avslag förbrukar inte din förskottsbetalda kredit, så du betalar bara för lyckade genereringar.

Strömning

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)