API 文件

驗證

在 Authorization header 作為 Bearer token。您在透過 Google 或電子郵件在 取得 API 金鑰 頁面。如果您生成新的金鑰，它將立即取代舊的金鑰。無效金鑰等錯誤會回傳 401 狀態。錯誤（如重複扣款）可透過支援頁面修復。

聊天完成端點

將 JSON 發布到 POST /v1/chat/completions 取得文字回應。這是生成文字的唯一端點。它不支援嵌入、圖片或音訊。

設定 model field to "uncensored". 模型針對合法的成人用途回答，不會拒絕內容。這是一個開放權重的模型，針對不受限制的輸出進行了調整。它不是 GPT、Claude 或其他供應商提供的模型。

模型端點

呼叫 GET /v1/models 列出可用的模型。回應包含 uncensored 模型 ID。使用此項來驗證連線或除錯用戶端的設定問題。

此端點返回標準 OpenAI 格式的元數據。這有助於您在發送大量負載前，確認 base URL 與身份驗證是否正常運作。

參數與選項

支援標準參數，例如 temperature, top_p, stop, seed, presence_penalty，以及 frequency_penalty. 設定 max_tokens 用於控制輸出長度。若您省略此欄位，預設值為 2,048 個 token。

提示與補全的上下文視窗總計為 100,000 tokens。超過 8 MB 主體大小的請求可能會失敗。也支援透過標準欄位進行函式呼叫和 JSON 模式。

串流回應

在請求主體中將 stream: true. 隨著 token 生成，您將收到 Server-Sent Events (SSE)。這可降低互動式應用程式的感知延遲。

Token 用量統計數據出現在串流的最後一個區塊中。這使您能夠即時準確地追蹤成本。串流期間的錯誤仍會返回適當的 HTTP 狀態碼。

函式呼叫 & JSON 模式

使用 response_format 與 {"type": "json_object"} 用於嚴格的 JSON 輸出。這對於從 LLM 解析結構化資料很有用。函式呼叫支援標準的工具定義。

設定 tool_choice 控制模型如何使用函式。該模型支援自動和強制工具使用。這確保了與後端邏輯的可靠整合。

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);

串流

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)