Qwen-API-Token-Dokumentation

Basis-URL und Authentifizierung

Verbinde deinen Client mit unserem Endpunkt unter Verwendung deines eindeutigen API-Keys. Verwende https://api.qwenapitoken.com/v1 als Basis-URL. Senden Sie Ihren Schlüssel im Authorization Header als Bearer-Token. Dies funktioniert mit jedem OpenAI-kompatiblen Client ohne Codeänderungen.

Melden Sie sich mit Google oder E-Mail an, um Ihren Schlüssel sofort zu erhalten. Keine Telefonnummer erforderlich. Der Schlüssel wird einmal angezeigt, speichern Sie ihn daher sicher.

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

Fehler wie 401 bedeuten, dass der Schlüssel ungültig ist. Überprüfen Sie Ihr Konto für das richtige Token.

Chat-Vervollständigungs-Endpunkt

Senden Sie Nachrichten zur Generierung von Antworten über POST-Anfragen. Der Endpunkt akzeptiert Standard-Chat-Formate. Eingabetext geht ein, Ausgabetext kommt heraus. Keine Embeddings oder Bildgenerierung hier. Nur reine Textvervollständigung.

Legen Sie die Model-ID auf uncensored. Dieses Modell antwortet ohne Inhaltsablehnungen für rechtmäßige Nutzung im Erwachsenenbereich. Es ist kein GPT oder Claude. Es ist ein dediziertes unzensiertes Modell. Verwenden Sie Python oder Node, um Anfragen einfach zu senden.

Copyfrom openai import OpenAI

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

Die Antwort enthält Nutzungsstatistiken. Verfolgen Sie Input- und Output-Tokens für die Abrechnung. Fehler sind kostenlos, sodass Sie nur für erfolgreiche Vervollständigungen zahlen. Dies hält die Kosten vorhersehbar.

Streaming-Antworten (SSE)

Erhalte Tokens in Echtzeit über Server-Sent Events. Lege stream: true in Ihrer Anfrage. Die API gibt Chunks zurück, sobald sie generiert werden. Dies verringert die wahrgenommene Latenz erheblich.

Analysieren Sie den SSE-Stream, um Text schrittweise anzuzeigen. Das letzte Chunk enthält die gesamte Token-Nutzung. Dies hilft Ihnen, die Kosten genau zu verfolgen. Streaming funktioniert mit allen Standard-SDKs. Es ist ideal für Chat-Schnittstellen.

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)

Verwalten Sie partielle Antworten angemessen. Netzwerkunterbrechungen können Chunks verlieren. Stellen Sie bei Bedarf die Verbindung wieder her. Das uncensored-Modell behält den Kontext während des Streamings gut bei. Nutzer sehen die Antworten sofort entstehen.

Function Calling und JSON-Modus

Nutzen Sie strukturierte Ausgaben für zuverlässige Datenextraktion. Aktivieren Sie den JSON-Modus mit response_format: {"type": "json_object"}. Das Modell gibt jedes Mal gültiges JSON zurück. Dies ist entscheidend für API-Integrationen. Function Calling ermöglicht die Nutzung von Tools. Definieren Sie Tools im Anfragekörper. Das Modell wählt das richtige Tool basierend auf dem Prompt aus.

Festlegen tool_choice um das Verhalten zu steuern. Erzwingen Sie ein bestimmtes Tool oder lassen Sie das Modell entscheiden. Diese Flexibilität unterstützt komplexe Workflows. Kombinieren Sie Streaming mit JSON für Echtzeitdaten. Das unzensierte Modell verarbeitet diverse Eingaben gut.

Copyimport OpenAI from "openai";

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

Stellen Sie die JSON-Ausgabe bei Bedarf sicher. Das Modell strebt strenge Konformität an. Dies reduziert Parsing-Fehler in Ihrem Code. Nutzen Sie dies für automatisierte Aufgaben oder Datenverarbeitung.

Ratenbegrenzungen und Kontextfenster

Ihr API-Schlüssel unterstützt 300 Anfragen pro Minute. Erlauben Sie 8 gleichzeitige Anfragen. Der Anfragekörper muss unter 8 MB liegen. Diese Grenzen verhindern Missbrauch. Sie gewährleisten eine faire Nutzung für alle Benutzer. Überwachen Sie Ihre Nutzung über das Dashboard.

Das Context-Window beträgt 100.000 Tokens. Dies umfasst sowohl Prompt als auch Completion. Sie können bis zu 16.000 Tokens pro Request ausgeben. Legen Sie max_tokens die Ausgabelänge zu steuern. Standard ist 2,048 Tokens, wenn nicht festgelegt.

Ratenlimits geben einen 429-Statuscode zurück. Warten Sie, bevor Sie es erneut versuchen. Das uncensored-Modell verarbeitet lange Kontexte gut. Dies ist nützlich für große Dokumente. Passen Sie Ihre Client-Logik an, um die Limits zu respektieren. Vermeiden Sie Traffic-Spitzen während der Hauptverkehrszeiten.

Modell-ID und Parameter

Specify uncensored als Modell-ID. Dies stellt sicher, dass Sie das dedizierte unzensierte Erlebnis erhalten. Parameter wie Temperatur und top_p steuern die Kreativität. Stellen Sie die Temperatur zwischen 0 und 2 ein. Höhere Werte erhöhen die Zufälligkeit.

Verwenden stop Sequenzen, um die Generierung zu stoppen. Legen Sie einen Seed für reproduzierbare Ergebnisse fest. Präsenz- und Häufigkeitsstrafen passen die Token-Wiederholung an. Diese Parameter feintunen die Ausgabequalität. Das Modell reagiert auf Standard-OpenAI-Formate.

Prüfen Sie die /v1/models Endpunkt für Details. Es bestätigt verfügbare Modelle. Es wird nur ein Modell angeboten. Das hält es einfach. Kein komplexes Routing oder Anbieterauswahl. Einfach eine zuverlässige zensurfreie Option. Testen Sie verschiedene Parameter, um Ihren optimalen Wert zu finden.