Documentation API & Démarrage rapide

URL de base et authentification

Connectez-vous immédiatement en utilisant votre clé API unique. Notre URL de base est https://api.unrestrictedaillm.com/v1 et nécessite un Authorization: Bearer <key> header. Cette configuration fonctionne avec n'importe quel client ou SDK compatible OpenAI. Vous recevez votre clé instantanément après vous être inscrit via Google ou e-mail. Aucun numéro de téléphone n'est requis. La clé identifie votre crédit prépayé. Vous pouvez générer une nouvelle clé à tout moment, ce qui remplace la précédente. Gardez votre clé en sécurité. Nous ne stockons pas vos prompts pour l'entraînement. Votre confidentialité est préservée par conception. Les erreurs dans vos requêtes ne consomment pas de crédit. Seule la génération réussie de tokens est facturée.

Première demande

Envoyez votre premier message au /v1/chat/completions endpoint. L'identifiant du modèle est uncensored. Ce modèle à poids ouverts répond sans refus de contenu pour un usage adulte légal. Il ne s'agit pas de GPT, Claude ou d'un autre modèle d'un autre fournisseur. Vous avez un accès direct à un LLM non limité. Le streaming est disponible via SSE. L'appel de fonctions et le mode JSON sont pris en charge. Le modèle gère bien les instructions complexes. Les fenêtres de contexte sont grandes. Les tokens d'entrée et de sortie partagent la limite de 100 000 tokens. Les erreurs telles qu'un JSON invalide ne vous sont pas facturées. Les refus sont gratuits. Utilisez la commande suivante pour vérifier la connectivité.

Intégration du SDK Python

Installez le package Python officiel OpenAI. Pointez-le vers notre URL de base. Transmettez votre clé API. La bibliothèque gère la sérialisation automatiquement. Vous pouvez envoyer des prompts système pour guider le comportement. La température et le top_p contrôlent l'aléatoire. Utilisez max_tokens pour plafonner la longueur de la sortie. Le maximum par défaut est de 2 048 jetons. Augmentez-le pour les réponses longues. Le streaming fournit des jetons en temps réel. Les erreurs lèvent des exceptions standard. Vérifiez votre solde sur le tableau de bord. Le crédit n’expire jamais. Vous ne payez que pour les jetons utilisés. Cette approche simplifie l’intégration. Votre code reste portable. Changer les URL de base est trivial. Commencez à construire votre application sans restrictions dès aujourd’hui.

Installation du SDK Node.js

Utilisez le SDK Node.js d'OpenAI pour les projets JavaScript. Configurez l'URL de base sur notre point de terminaison. Fournissez votre clé API dans l'environnement. Le SDK prend en charge les modèles async modernes. Vous pouvez facilement diffuser les réponses. L'appel de fonctions fonctionne avec les définitions d'outils. Le mode JSON garantit une sortie structurée. C'est crucial pour les pipelines automatisés. Le LLM uncensored gère des sujets variés. Aucun filtre caché ne bloque le contenu licite. Surveillez votre utilisation de tokens. Les coûts sont transparents. Les tokens d'entrée coûtent $0.15 par million. Les tokens de sortie coûtent $0.50 par million. Le crédit prépayé couvre toutes les utilisations. Aucun frais mensuel ne s'applique. Inscrivez-vous avec Google ou e-mail pour commencer.

Streaming et paramètres

Activez le streaming en définissant stream: true. Vous recevez des chunks de texte au fur et à mesure de leur génération. Le dernier chunk contient les statistiques d'utilisation. Cela permet un affichage en temps réel. Définissez temperature pour la créativité. Utilisez top_p pour l'échantillonnage par noyau. Définissez stop séquences pour interrompre la génération. Le paramètre de graine assure la reproductibilité. Les pénalités de présence et de fréquence ajustent la répétition des tokens. Le mode JSON impose un objet valide. Cela est utile pour l'extraction de données. L'appel de fonctions permet au modèle d'invoquer des outils. Vous gérez l'exécution des outils. Le LLM sans censure prend en charge toutes ces fonctionnalités. Les performances sont constantes. La latence est optimisée pour la vitesse. Utilisez le streaming pour une meilleure expérience utilisateur.

Limites de débit et fenêtre de contexte

Notre API impose des limites strictes mais prévisibles. Vous pouvez effectuer 300 requêtes par minute. Seules 8 requêtes s'exécutent simultanément par clé. Le corps de la requête doit être inférieur à 8 Mo. La fenêtre de contexte contient 100,000 tokens au total. Cela inclut à la fois le prompt et la complétion. Le débit maximum est de 16,000 tokens. Si vous omettez max_tokens, la limite tombe à 2 048. Les erreurs retournent des codes HTTP standard. Un 401 signifie que votre clé est invalide. Un 402 indique un solde insuffisant. Un 429 signale l'épuisement de la limite de débit. Les remboursements ne sont pas émis pour le crédit. Les erreurs sont corrigées via le support. La confidentialité est garantie. Vos données vous appartiennent.

cURL

Copycurl https://api.unrestrictedaillm.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "What is the capital of France?"}]
  }'

Python

Copyfrom openai import OpenAI

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

Node.js

Copyimport OpenAI from "openai";

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

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)