Guide de démarrage rapide de l'API Uncensored LLM Online

URL de base et authentification

L'API LLM en ligne sans censure utilise des endpoints standard compatibles OpenAI. Configurez votre client pour pointer vers l'URL de base https://api.uncensoredllmonline.com/v1. L'authentification se fait via une clé API transmise dans l'en-tête Authorization. Vous pouvez générer votre clé sur la page Obtenir la clé API en utilisant uniquement un e-mail et un mot de passe. La clé s'affiche immédiatement après l'inscription. Aucun numéro de téléphone ni carte bancaire n'est requis pour commencer. Chaque compte détient une clé active, qui peut être régénérée à tout moment pour révoquer l'accès de l'ancienne clé. Gardez votre clé en sécurité, car elle donne un accès direct à vos crédits prépayés.

Endpoint de complétions de chat

Envoyez du texte au LLM sans censure en effectuant un POST sur POST /v1/chat/completions. Cet endpoint accepte une liste de messages et renvoie la réponse du modèle. L'ID du modèle à utiliser est uncensored. Il s'agit d'un modèle à poids ouverts ajusté pour répondre sans refus de contenu pour une utilisation adulte légale. Ce n'est pas GPT, Claude ou le modèle d'un autre fournisseur. L'API retourne des capacités de génération de texte brut adaptées aux intégrations personnalisées. Utilisez la commande cURL suivante pour tester une requête de base :

Copycurl https://api.uncensoredllmonline.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a blunt product review of a cheap VPN."}]
  }'

Le corps de la requête doit inclure l'ID du modèle et l'historique de vos messages. Assurez-vous que votre client envoie l'en-tête Authorization: Bearer <your-key>. La réponse contiendra le texte généré, que vous pouvez analyser et utiliser dans la logique de votre application.

Intégration SDK Python

Utilisez le SDK Python officiel d'OpenAI pour interagir avec le modèle IA sans censure. Définissez base_url et api_key lors de l'initialisation de votre client. Cela vous permet d'utiliser des méthodes familières comme chat.completions.create. L'exemple suivant montre comment initialiser le client et envoyer une requête simple :

Copyfrom openai import OpenAI

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

Cette approche vous permet de tirer parti des structures de code existantes tout en passant à un LLM sans censure. Le SDK gère automatiquement la sérialisation JSON et l'analyse des réponses. N'oubliez pas que l'ID du modèle doit être défini sur uncensored pour garantir que vous atteignez le bon endpoint. Cette méthode est idéale pour les développeurs qui souhaitent minimiser le code standard.

Intégration SDK Node.js

Pour les projets JavaScript ou TypeScript, le SDK Node.js OpenAI fonctionne parfaitement avec notre API. Initialisez le client avec votre clé API et l'URL de base correcte. L'endpoint prend en charge les complétions de chat standard, ce qui facilite l'intégration dans des applications web ou des fonctions serverless. Voici comment configurer le client :

Copyimport OpenAI from "openai";

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

Transmettez le tableau de messages et l'ID du modèle uncensored à la fonction de complétion. La réponse contiendra le texte généré. Cette intégration convient aux développeurs qui doivent intégrer la génération de texte sans censure dans des applications Node.js. Assurez-vous de gérer les erreurs correctement, car l'API peut retourner des erreurs de limite de débit ou d'épuisement du crédit.

Réponses en streaming (SSE)

Activez la génération de texte en temps réel en définissant stream: true dans votre requête. L'API renvoie des Server-Sent Events (SSE) qui délivrent la réponse token par token. Cela est utile pour les interfaces de chat ou les applications où la latence compte. Utilisez l'exemple suivant pour implémenter le 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)

Lisez le flux au fur et à mesure de l'arrivée des tokens. L'API LLM en ligne sans censure prend cela en charge nativement. Le streaming réduit la latence perçue pour les utilisateurs finaux. Notez que le streaming consomme le même nombre de tokens que les requêtes sans streaming. Chaque token est facturé selon le solde de votre crédit prépayé.

Limites de débit et fenêtre de contexte

L'API LLM en ligne sans censure applique une limite de 300 requêtes par minute par clé. La taille maximale du corps de la requête est de 8 Mo. La fenêtre de contexte est de 100 000 tokens, couvrant à la fois le prompt et la complétion. Si vous dépassez la limite de débit, l'API retourne une erreur 429. Si votre crédit prépayé est épuisé, vous recevez une erreur 402. Une clé invalide ou expirée entraîne une erreur 401. Ces limites garantissent une utilisation équitable pour tous les développeurs. Le crédit prépayé au paiement à l'usage n'expire jamais, afin que vous puissiez utiliser votre solde chaque fois que vous en avez besoin.