無過濾 AI 聊天：常見錯誤排除

為何您的無審查模型仍在拒絕提示詞

由於特定的硬性限制，它並非完全無審查。該模型會拒絕涉及未成年人的性內容請求，無論提示風格為何。其餘一切，包括 NSFW 角色扮演、爭議性話題和原始資料，均不會受到內容過濾。這是一項單一且透明的規則，而非複雜的審核層。

開發者常誤以為這是故障。如果您的提示詞是合法的成人內容，它絕不應觸發拒絕。模型經過調整以追求自由，但這條底線依然存在。確保您的角色扮演或創意寫作在這些界限內，以避免您將看到的唯一拒絕。

Copycurl https://api.unfilteredcodingai.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Fix the null pointer error in this Java method"}]
  }'

• 檢查您的提示詞是否包含與未成年人相關的內容。
• 請驗證模型 id 設定為「uncensored」。
• 確保請求未觸發每分鐘 300 次的限制。

了解 100k 上下文視窗的限制

100,000 token 的上下文視窗包含提示和完成。您必須仔細管理此空間，因為長輸出會迅速消耗視窗空間。如果您發送大型代碼庫作為輸入，模型回應的空間就會減少。這是一個硬性限制，而非軟性建議。

開發者常低估輸入的 token 數量。系統提示詞和使用者訊息中的每個字元都會計入 100k 總量。若超過此限制，請求將失敗。使用 GET /v1/models 端點檢查當前限制，並據此規劃 token 使用量。

Copyfrom openai import OpenAI

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

1. 發送前計算 token。
2. 至少預留 2,048 個輸出 Token 的空間。
3. 如有必要，請修剪系統提示詞。

修復 SSE 和 token 計數的串流問題

透過伺服器發送事件（SSE）串流需要仔細處理最後一個 chunk。最後一個 chunk 包含總 token 用量資料，這對計費至關重要。如果您忽略它，可能會無法追蹤您的信用額度使用情況。這對於預付信用系統尤為重要。

開發者經常錯誤地解析串流。他們可能會遺漏使用數據，或未能處理部分行。請確保您的客戶端程式碼讀取直到串流結束。這能保證您獲得完整的回應和準確的 token 計數。這可防止計費差異，並確保順暢的播放。

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)

• 監聽 "done" 事件。
• 解析最後一個區塊中的使用數據。
• 優雅地處理部分行。

uncensored LLM 中的函式呼叫錯誤

函式呼叫錯誤通常源於格式錯誤的 JSON 或缺失的工具定義。模型必須嚴格遵循提供的結構描述。如果結構描述含糊不清，模型可能會產生幻覺的參數。這會導致您的端點出現解析錯誤。

確保您的工具定義精確。如果您需要嚴格結構，請使用 JSON 模式。函式呼叫功能強大，但需要仔細設定。驗證您的客戶端程式碼能否正確解析模型的輸出。這可避免執行階段錯誤並確保整合順暢。

Copyimport OpenAI from "openai";

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

1. 定義具有清晰結構的工具。
2. 在解析之前驗證模型的輸出。
3. 優雅地處理錯誤。

生成結構化資料時的 JSON 模式

當模型未輸出有效 JSON 時，JSON 模式會失效。即使將 response_format 設為 json_object，模型仍可能加入 Markdown 格式或額外文字。這會導致預期純淨 JSON 的解析器出錯。處理前請務必驗證輸出。

使用 JSON 模式參數來強制執行嚴格的輸出。這可降低資料格式錯誤的機率。如果錯誤持續存在，請檢查模型的溫度設定。較低的溫度通常會產生更一致的 JSON。這可確保您的應用程式能可靠地擷取資料。

Copycurl https://api.unfilteredcodingai.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Fix the null pointer error in this Java method"}]
  }'

• 設定 response_format 為 json_object。
• 解析前驗證輸出。
• 調整溫度以確保一致性。

無審查生成的溫度（Temperature）和 top_p 設定

較高的溫度設定可增加創意，但會降低準確性。無審查模型對這些參數敏感。若您需要精確的程式碼輸出，請使用較低的溫度。對於創意寫作，較高的溫度可增加多樣性。請根據您的使用案例調整這些設定。

top_p 控制輸出的多樣性。較低的 top_p 值會使輸出更具確定性。這對於代碼生成很有用。較高的值允許更多的創意探索。同時嘗試兩者，以找到適合您需求的平衡點。

Copyfrom openai import OpenAI

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

1. 設定溫度以平衡創意與準確性。
2. 調整 top_p 以增加多樣性。
3. 測試不同的組合。

處理大型輸入：8MB 請求主體限制

8 MB 的請求主體限制適用於整個 HTTP 請求。這包括標頭、model id 和訊息內容。如果您的輸入超過此限制，請求將失敗。這是一個硬性約束，而非軟性限制。

開發者通常在不檢查大小的情況下發送大文件或長文本。如有必要，請壓縮您的輸入。對於非常大的數據集，請使用分塊策略。這確保您的請求保持在 8MB 限制內。這可防止意外故障並提高可靠性。

Copyimport OpenAI from "openai";

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

• 檢查發送前的請求大小。
• 如有需要，請壓縮大型輸入。
• 對大型數據集使用分塊處理。

為什麼僅限加密貨幣付款對隱私很重要

僅限加密貨幣付款透過 TRC20 上的 USDT 或 Base 上的 USDC 確保最大隱私。這非常適合重視匿名的開發者。預付積分系統透明且公平。

您為實際使用的內容付費。錯誤與拒絕則免費。這意味著您只需為實際 token 用量付費。預付信用額度永不過期，因此您可以在需要時隨時使用。

從 OpenAI 遷移：常見的端點錯誤

從 OpenAI 遷移很簡單，因為 API 與 OpenAI 相容。然而，常見的錯誤包括使用錯誤的基礎 URL 或模型 ID。請確保將您的客戶端指向正確的端點。模型 ID 必須設為 "uncensored"。

仔細檢查您的配置設定。基礎 URL 為 HTTPS://api.unfilteredcodingai.com/v1。這與官方 OpenAI SDK 相容。若您使用第三方客戶端，請確保其支援自訂基礎 URL。這能確保您從現有設定平穩過渡。

Copyfrom openai import OpenAI

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

• 將基礎 URL 更新為新的端點。
• 將模型 id 設為 "uncensored"。
• 使用簡單請求進行測試。