Ollama API 替代方案：无审查 LLM API

为什么要切换到无审查 LLM API？

开发者通常寻求无审查的 LLM API，因为标准模型会拒绝合法的成人、虚构或争议性话题。我们的服务正是提供这种自由。我们运行一个经过调优的开放权重模型，能够无拒绝地回答问题。您无需管理本地硬件或在机器上安装库。接口与您已熟知的标准 OpenAI 格式完全匹配。这意味着您现有的客户端代码无需任何修改即可直接使用。我们不会使用您的提示词进行训练。注册账户仅需一个电子邮件地址。由于我们不将您的数据用于训练，隐私得以保留。该模型处理敏感话题时不会进行屏蔽。这种方法非常适合希望为应用程序获取可靠、无过滤输出的开发者。

Copycurl https://api.ollamaapidocumentation.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list files in the current directory"}]
  }'

Ollama API 与我们的服务：功能对比

我们的服务提供托管的 OpenAI 兼容聊天补全 API。与本地 Ollama 实例不同，我们为您处理服务器基础设施。我们支持通过服务器发送事件 (SSE) 进行流式传输。您还可以使用函数调用和 JSON 模式。我们的模型拥有 100,000 个令文的上下文窗口。这允许进行长对话或处理大型文档。我们不提供嵌入、图像生成或音频功能。您仅获得文本输入和文本输出。这种专注使我们的定价简单且可预测。您无需为不使用的功能付费。端点严格为 /v1/chat/completions。这种简洁性降低了集成复杂性。您将获得一个专属于您账户的密钥。该密钥支持每分钟最多 300 次请求。这对于大多数应用程序来说已经绰绰有余。

Copyfrom openai import OpenAI

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

定价明细：输入与输出令牌

我们按实际令牌用量计费。输入令牌费率为每 100 万令牌 $0.15。输出令牌费率为每 100 万令牌 $0.50。错误和拒绝不收费。这意味着您只需为成功的完成付费。没有月度订阅费。我们采用预付费信用额度系统。信用额度永不过期。这允许您在需要更多额度时充值。费用结构透明。您可以在仪表盘中跟踪使用情况。流式传输没有隐藏费用。每个令牌的价格保持不变。这使您的项目预算变得轻松。您可以从少量信用额度开始。随着应用程序的增长添加更多。

Copyimport OpenAI from "openai";

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

速率限制与并发限制

每个 API 密钥支持每分钟 300 次请求。您可以同时运行 8 个请求。最大请求体大小为 8 MB。这确保了所有用户的稳定性能。如果超出限制，您将收到标准错误。您可以生成新密钥以替换旧密钥。这允许您将负载分布在多个密钥上。这些限制对于大多数用例来说已足够慷慨。流式响应计入速率限制。并发请求使用单独的槽位。这防止了一个长时间运行的查询阻塞其他请求。您可以实时监控您的使用情况。调整您的应用程序逻辑以保持在限制范围内。这确保为用户提供一致的延迟。

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)

隐私与数据使用政策

我们不将您的提示用于训练。您的数据保持私密。我们只存储处理请求所需的内容。电子邮件地址就足以创建您的账户。不需要电话号码。这减少了我们持有的个人信息数量。我们不与第三方共享您的数据。您的 API 密钥是唯一的标识符。您可以随时删除您的账户。这将您的所有数据从我们的系统中删除。模型不保留以前会话的记忆。每个请求都独立处理。这非常适合敏感应用程序。您完全控制您的数据。隐私是一个核心功能，而不是事后考虑。

Copycurl https://api.ollamaapidocumentation.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "list files in the current directory"}]
  }'

加密货币支付与奖励积分

我们仅接受加密货币充值。您可以使用 TRC20 网络上的 USDT。也支持 Base 网络上的 USDC。最低充值金额为 $20。每笔交易最高为 $500。我们对大额存款提供奖励金。$50 起享 5% 奖励。$100 起享 10% 奖励。最高奖励为 $200 时的 15%。这使交易费用保持低位。您的余额永不过期。您可以随时充值。流程快速且安全。付款后您立即收到余额。这使您可以专注于构建您的应用。

Copyfrom openai import OpenAI

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

入门：SDK 集成指南

首先在我们的网站上创建一个账户。您可以使用 Google 登录，也可以使用电子邮件和密码。您的 API 密钥会立即显示。将此密钥复制到剪贴板。在 SDK 配置中更新基础 URL。使用 HTTPS://api.ollamaapidocumentation.com/v1。将模型参数设置为 "uncensored"。向 /v1/chat/completions 发送 POST 请求。包含您的系统提示和用户消息。响应将包含生成的文本。您还可以启用流式传输以实现实时输出。这适用于任何标准的 OpenAI 兼容客户端。集成过程不到五分钟。您可以使用试用额度开始测试。

关于无审查模型的常见问题

模型会屏蔽所有成人内容吗？不会。它允许合法的成人内容。它仅屏蔽涉及未成年人的性内容。这是一个始终适用的硬性限制。最大输出长度是多少？每次请求最多可生成 16,000 个 token。如果你未设置 max_tokens，限制为 2,048 个 token。支持 JSON 模式吗？支持。你可以将 response_format 设置为 json_object。这能确保为你的代码生成有效的 JSON 输出。模型是开源的吗？它是开源权重模型。我们在自己的服务器上运行它。你无需下载它。这为你节省了存储和计算时间。

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)