API Dokumentation

Autentificering

Send din API-nøgle i Authorization header som en Bearer-token. Du får denne nøgle straks efter tilmelding med Google eller e-mail på Få API-nøgle side. Hvis du genererer en ny, erstatter den den gamle øjeblikkeligt. Fejl som ugyldige nøgler returnerer en 401 status. Fejl som dobbeltopkrævning rettes via Support-siden.

Chat Completions Endpoint

Send JSON til POST /v1/chat/completions til at få tekst-svar. Dette er den eneste endpoint til generering af tekst. Det understøtter ikke embeddings, billeder eller lyd.

Indstil model felt til "uncensored". Modellen svarer uden afvisninger for lovligt voksenindhold. Det er en open-weight model, der er finjusteret til ubegrænset output. Det er ikke GPT, Claude eller en anden leverandørs model.

Models Endpoint

Kald GET /v1/models til at liste tilgængelige modeller. Svaret indeholder den uncensored model-ID. Brug dette til at verificere forbindelsen eller fejlsøge konfigurationsproblemer i din klient.

Endpointet returnerer standard OpenAI-format metadata. Dette hjælper dig med at bekræfte, at din base URL og autentifikation fungerer korrekt, før du sender tunge payloads.

Parameters & Options

Understøt standardparametre som temperature, top_p, stop, seed, presence_penalty, og frequency_penalty. Indstil max_tokens til at kontrollere outputlængden. Standardværdien er 2,048 tokens, hvis du udelader dette felt.

Kontekstvinduet er på 100.000 tokens til prompt og completion tilsammen. Anmodninger, der overstiger 8 MB body-størrelse, kan mislykkes. Function calling og JSON-tilstand understøttes også via standardfelter.

Streaming-svar

Aktivér streaming ved at indstille stream: true. Du modtager Server-Sent Events (SSE), mens tokens genereres. Dette reducerer den opfattede forsinkelse for interaktive applikationer.

Tokenforbrugsstatistikker vises i den sidste chunk af streamet. Dette giver dig mulighed for at spore omkostninger nøjagtigt i realtid. Fejl under streaming returnerer stadig korrekte HTTP-statuskoder.

Function Calling & JSON Mode

Brug response_format med {"type": "json_object"} for streng JSON-output. Dette er nyttigt til parsing af strukturerede data fra LLM'en. Function calling fungerer med standard værktøjsdefinitioner.

Indstil tool_choice til at kontrollere, hvordan modellen bruger funktioner. Modellen understøtter både automatisk og tvungen værktopsbrug. Dette sikrer pålidelig integration med din backend-logik.

cURL

Copycurl https://api.mistralaiapikey.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "what is the api limit for this service"}]
  }'

Python

Copyfrom openai import OpenAI

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

Node.js

Copyimport OpenAI from "openai";

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

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)