Unrestricted: Schnellstart: Integriere das unzensierte LLM

Basis-URL und Authentifizierung

Um das uneingeschränkte LLM zu nutzen, benötigst du einen API-Schlüssel aus deinem Dashboard. Die Basis-URL für alle Anfragen ist https://api.unrestricted.cc/v1. Diese URL ist mit den offiziellen OpenAI-SDKs und jedem Client kompatibel, der OpenAI-kompatible Endpunkte unterstützt. Setze einfach die base_url-Variable in deiner Client-Konfiguration auf diesen Wert und gib deinen Schlüssel im Authorization-Header als Bearer-Token an. Die API bedient ein einzelnes Modell mit der ID uncensored, ein Open-Weight-Modell, das darauf abgestimmt ist, ohne Standard-Inhaltsablehnungen für die legale erwachsene Nutzung zu antworten.

Erste Anfrage

Eine einfache Anfrage sendet einen Prompt an den Chat-Vervollständigungs-Endpunkt. Das Modell gibt Text direkt zurück und vermeidet die in Consumer-Wrappern üblichen Ablehnungsfilter. Dies macht es zu einem idealen unzensierten Coding-LLM zur Generierung von Code-Snippets oder technischen Erklärungen ohne unnötige konversationale Fülltext. Sende eine POST-Anfrage an /v1/chat/completions mit deinen System- und Benutzer-Nachrichten. Die Antwort enthält den generierten Text im choices-Array.

Copycurl https://api.unrestricted.cc/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."}]
  }'

Python SDK-Integration

Die Verwendung des offiziellen Python SDK vereinfacht die Integration. Du musst den Client lediglich auf unsere Basis-URL zeigen lassen. Dieser Ansatz funktioniert sowohl für einfache Textgenerierung als auch für komplexere Prompt-Strukturen. Das SDK übernimmt die JSON-Serialisierung automatisch, sodass du dich auf die Logik deiner Anwendung konzentrieren kannst. Denke daran, dass die Modell-ID für diesen Dienst immer uncensored ist. Dieser unzensierte LLM-Online-Endpunkt ist für Entwickler konzipiert, die zuverlässigen, programmatischen Zugriff auf ungefilterte Textausgaben benötigen.

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.unrestricted.cc/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 SDK-Integration

Für JavaScript- und TypeScript-Umgebungen funktioniert das OpenAI Node SDK mit minimaler Konfiguration. Initialisiere den Client mit deinem API-Schlüssel und der korrekten Basis-URL. Du kannst dann die Chat-Vervollständigungsmethode genau wie bei anderen OpenAI-kompatiblen Diensten aufrufen. Diese Flexibilität ermöglicht es dir, die API in bestehende Codebasen einzufügen, ohne die HTTP-Client-Logik neu schreiben zu müssen. Die Antwortstruktur entspricht dem Standard OpenAI-Format, was das einfache Parsen des generierten Inhalts gewährleistet.

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.unrestricted.cc/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-Antworten

Du kannst das Streaming aktivieren, indem du stream: true in deiner Anfrage festlegst. Die API sendet Daten als Server-Sent Events (SSE), sodass du Token verarbeiten kannst, während sie generiert werden. Dies ist nützlich für Echtzeitanwendungen oder wenn du Fortschritt für den Benutzer anzeigen möchtest. Der letzte Stream-Block enthält die Token-Nutzungsstatistiken. Streaming reduziert die wahrgenommene Latenz, indem Inhalte inkrementell bereitgestellt werden, anstatt auf die vollständige Antwort zu warten.

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)

Grenzwerte, Fehler und Kontext

Das Kontextfenster unterstützt insgesamt 100.000 Token, mit einem maximalen Output von 32.000 Token pro Anfrage. Wenn du max_tokens nicht angibst, beträgt die Grenze standardmäßig 2.048 Token. Die Ratenlimits liegen bei 300 Anfragen pro Minute und 8 parallelen Anfragen pro Schlüssel. Häufige Fehler sind 401 für ungültige Schlüssel, 402 für unzureichendes Prepaid-Guthaben und 429 für Ratenlimits. Fehler verbrauchen dein Prepaid-Guthaben nicht. Der Request-Body ist auf 8 MB begrenzt. Diese Limits gewährleisten eine stabile Leistung für die API-Nutzung mit hohem Volumen.