Γρήγορη Έναρξη: Το Πρώτο σας Uncensored Request

Προαπαιτούμενα: Το API Key σας και Base URL

Ξεκινήστε δημιουργώντας ένα κλειδί API στο Get API key σελίδα. Μπορείτε να συνδεθείτε με Google ή να χρησιμοποιήσετε απλό email και κωδικό· δεν απαιτείται αριθμός τηλεφώνου. Το σύστημα εμφανίζει το κλειδί σας αμέσως, οπότε αντιγράψτε το στο πρόχειρο τώρα.

Το API μας βρίσκεται στο https://api.alternativeaivenice.com/v1. Αυτή η βάση URL λειτουργεί με οποιοδήποτε επίσημο SDK OpenAI ενημερώνοντας το base_url parameter. Χρειάζεστε μόνο ένα ενεργό κλειδί ανά λογαριασμό· η έκδοση ενός νέου αντικαθιστά αμέσως το προηγούμενο κλειδί.

Κάντε την πρώτη ολοκλήρωση συνομιλίας

Στείλτε ένα τυπικό payload chat completion για να λάβετε ωμό, uncensored κειμενικό περιεχόμενο. Χρησιμοποιήστε το model ID uncensored για πρόσβαση στο ανοιχτού βάρους μοντέλο μας, βελτιστοποιημένο για νόμιμη χρήση ενήλικων χωρίς απορρίψεις περιεχομένου.

Παρακάτω ακολουθεί ένα βασικό αίτημα cURL που δείχνει τη δομή. Αντικαταστήστε YOUR_API_KEY με το πραγματικό σας key για να δείτε το μοντέλο να απαντά στην πρόμαψή σας.

Copycurl https://api.alternativeaivenice.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list the top ten programming languages"}]
  }'

Streaming Αποκρίσεις με Server-Sent Events

Για διαδραστικότητα σε πραγματικό χρόνο, ενεργοποιήστε το streaming ορίζοντας stream: true. Το API επιστρέφει Server-Sent Events (SSE) όπου οι λεπτομέρειες χρήσης tokens εμφανίζονται στο τελευταίο κομμάτι.

Αυτή η προσέγγιση μειώνει την αντιλαμβανόμενη καθυστέρηση για μακρές απαντήσεις. Χρησιμοποιήστε το παρακάτω απόσπασμα Python για να διαχειριστείτε τη ροή αποδοτικά στην εφαρμογή σας.

Copyfrom openai import OpenAI

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

Χρησιμοποιώντας JSON Mode για Δομημένα Δεδομένα

Εξαναγκασμός δομημένης εξόδου ορίζοντας response_format για {"type": "json_object"}. Αυτό εξασφαλίζει ότι το μοντέλο επιστρέφει έγκυρο JSON, το οποίο είναι ιδανικό για την ανάλυση δεδομένων στα συστήματα backend σας.

Μπορείτε επίσης να χρησιμοποιήσετε function calling με το tools parameter. Το παράδειγμα Node.js παρακάτω δείχνει πώς να ρυθμίσετε αυτό για αξιόπιστη ανάλυση.

Copyimport OpenAI from "openai";

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

Κατανόηση των παραθύρων πλαισίου και των ορίων

Το μοντέλο μας υποστηρίζει παράθυρο πλαισίου 100,000 tokens, καλύπτοντας τόσο εντολή όσο και ολοκλήρωση. Μπορείτε να δημιουργήσετε έως 16,000 tokens ανά αίτηση, ή 2,048 αν παραλείψετε max_tokens.

Οι περιορισμοί ρυθμού επιτρέπουν 300 αιτήματα ανά λεπτό και 8 ταυτόχρονα αιτήματα ανά κλειδί. Το σώμα του αιτήματος πρέπει να είναι κάτω από 8 MB. Αυτά τα όρια διασφαλίζουν σταθερή απόδοση για τις ενσωματώσεις LLM χωρίς φίλτρα.

Αποσφαλμάτωση Κοινών Σφαλμάτων

401 Unauthorized means your API key is invalid or expired. Regenerate a key from your dashboard. 402 Payment Required υποδεικνύει ανεπαρκές προπληρωμένο υπόλοιπο. Αποθεθείτε μέσω κρυπτονομισμάτων για να συνεχίσετε. 429 Too Many Requests σήματα ότι έχετε φτάσει το όριο των 300 αιτήσεων ανά λεπτό.

Οι απορρίψεις είναι σπάνιες αλλά ισχύουν για σεξουαλικό περιεχόμενο που αφορά ανηλίκους. Τα σφάλματα κατά την επεξεργασία δεν καταναλώνουν το credit σας, οπότε μπορείτε να κάνετε επαναπροσπάθεια με ασφάλεια.

Ροή

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)