Qwen unrestricted：OpenAI 相容 API 快速入門

驗證與 base URL

第一步是將您的客戶端指向我們的託管端點。使用 https://api.qwenunrestricted.com/v1 作為您的基礎 URL。在 Authorization 作為 Bearer token 標頭。此設置適用於任何 OpenAI 相容 SDK。

Copycurl https://api.qwenunrestricted.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "List steps to deploy a docker container."}]
  }'

確保您的金鑰有效後再發送請求。401 錯誤表示金鑰無效或已過期。

發送聊天完成請求

向以下網址發送 POST 請求 /v1/chat/completions 搭配您的提示。模型 ID 為 uncensored. 此模型不會拒絕合法的成人或爭議性話題。它提供無限制的輸出，且不會降低基礎智力。

Copyfrom openai import OpenAI

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

將模型名稱設定為 uncensored. API 接受標準參數，例如 messages 和 max_tokens.

配置 temperature 和 top_p

調整 temperature 和 top_p 用於控制隨機性。較高的值會增加創意。較低的值會使輸出更具確定性。這些參數會影響模型在生成過程中選擇 token 的方式。

Copyimport OpenAI from "openai";

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

設定 temperature 至 0.7 以取得平衡的結果。使用 top_p 限制候選詞元的機率質量。這有助於控制輸出的多樣性。

處理串流回應（SSE）

在請求主體中將 stream 設為 true。API 會傳回伺服器發送事件（SSE）。每個區塊包含部分 token 數據。收集這些區塊以建構最終回應。

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)

解析 SSE 串流以即時顯示 Token。最後一個區塊包含總 Token 用量。這允許您針對每個請求進行準確的成本追蹤。

為結構化輸出強制執行 JSON 模式

使用 response_format 設定為 {"type": "json_object"} 用於強制執行 JSON 輸出。這能確保模型回傳有效的 JSON 結構。對於資料解析或與其他系統整合非常有用。

在請求主體中設定參數。模型將嚴格遵循 JSON 格式規則。這可减少下游應用程式中的解析錯誤。

使用工具呼叫（函式呼叫）

使用 tools 參數。模型可根據提示呼叫這些函式。請使用 tool_choice 控制函式呼叫。

在請求中指定函數定義。API 返回工具調用參數。解析這些參數以執行函數。這使得複雜的代理工作流程成為可能。

了解 token 使用與成本

上下文視窗為 100,000 個 token。每次請求最大輸出為 16,000 個 token。價格為每 1M 輸入 token $0.15，每 1M 輸出 token $0.50。錯誤免費。

檢查最後的 SSE chunk 以獲取使用詳情。Token 數量反映實際處理情況。無訂閱費用。僅為您使用的內容付費。